🧠 create-evo-lite

The Golden Thread for Agentic Memory & Context Persistence
“以极为克制之简，锁死 AI 的心智快照。”

English README • Architecture • Usage Guide • 中文介绍

0 侵入、去中心化、自带双核 RAG (检索+重排) 的 Daemonless (无后台守护进程) AI 核心规则治理与记忆系统

Evo-Lite 是专为 Agentic Workflow (智能体辅助编程) 打造的高度自律型心智约束与状态保护系统。在 v1.4.0+ 版本中，它从单纯的“记忆外挂”进化为基于 Rules 驱动的自治治理框架。它能在一秒钟内，为你的任何项目（不论是前端、后端还是普通脚本库）瞬间装入一个具备永久记忆、技术审美校验、且完全寄生于沙盒的超级大脑。

[!IMPORTANT] 开发环境声明：本项目目前深度基于 Google Antigravity 智能体开发环境进行设计与优化。在进行初始化操作时，建议务必在 Antigravity 中开启 Fast 模式 调用本工具。v1.4.0+ 版本现已全面适配 .agents/rules 系统级硬约束，实现协议的静默常驻。

🌟 为什么你需要 Evo-Lite？

随着 AI 编程助手变得越发强大，我们常常遇到以下工程级痛点：

1. 长尾失忆症：AI 聊久了上下文崩溃，忘了昨天踩过的关键报错。
2. 讨好型人格：AI 毫无主见，你提个简单的需求它直接塞进 5 个乱七八糟的 npm 依赖，代码风格今天 ES6 明天 CommonJS。
3. 沉重的管理成本：市面上解决记忆问题的 RAG 通常要求你跑 Docker，挂着微服务，而我们需要极简！
4. 污染宿主：不想为了 AI 的一个脚本，污染我原本干净的 Java 或 Rust 项目的根目录。

Evo-Lite 用不到 200 行代码优雅地解决了这一切。

🔥 核心特性 (Evo-Lite Architecture)

• 🏗️ 规则下沉治理 (.agents/rules) 核心升级： 以前靠文档说教，现在靠规则锁死。将治理逻辑由“文档引导”升级为系统级硬约束。AI 醒来第一件事就是读取 .agents/rules/evo-lite.md，从根源拦截劣质输出。
• 🌐 In-Tree RAG (纯本地向量引擎) 底层使用 sqlite-vec 向量数据库。AI 想查历史 Bug 记录？只需要原生自带的终端敲下 .\.evo-lite\mem recall 即可唤醒。
• 🧠 双核 RAG 架构 (.Dual-Pass Retrieval)
  • 粗排 (Embedding): 基于 Xenova/bge-small-zh-v1.5 向量算法定候选。
  • 精排 (Reranker): 调用 Xenova/bge-reranker-base 进行语义交叉校验，纯本地 ONNX 推理，绝无后台驻留。
• 🛡️ 分离式显隐双层记忆区
  • 显性状态机 (active_context.md)：强制 AI 实时更新进度墙，杜绝任务幻觉。
  • 隐性长效库 (memory.db)：悄无声息累积经验，随 Git 永久流转。
• ⚓ Space-Time 溯源锚定 (Git Traceability) 任何一段记忆都会被强制打上 [Time] 和 Git [Commit Hash] 戳。配合 memory-distillation.md 规则，严禁无溯源的流水账入库。
• 🔄 无损热升级与 Fusion 融合 支持从 v1.3.x 跨代无损升级！自动提取旧版 API 配置，保护进度单据，并通过注入 Fusion 指令引导 AI 手动融合新进度的备份。
• ⚡ 自动化工作流与 Slash Command
  • /evo: 魔法唤醒语，执行自检、嗅探技术栈并同步进度。
  • /mem: 存档协议，自动同步进度、沉淀经验并触发 Git Commit 闭环。
  • /wash: 洗盘协议，针对历史脏数据进行脱机修复与重构。

🚀 极速上手 (Quick Start)

这是一个 Node.js CLI 工具。你可以在任何空目录或已有项目的同级目录下执行安装：

1. 运行初始化向导

你可以选择临时拉取运行，或是作为全局命令安装在你的电脑上。

方案 A：临时拉取运行 (适合分享给他人)

npx create-evo-lite ./MyAwesomeProject

方案 B：全局安装并运行 (推荐个人日常使用)

# 1. 讲源码拉到本地后进行全局软链
cd create-evo-lite
npm link

# 2. 之后在任何目录，都可以直接当成原生命令使用！
create-evo-lite ./我的新游戏项目

运行时，系统将自动使用内置的 ONNX Runtime (@xenova/transformers) 初始化环境，并在几秒钟内静默缓存量化版模型（默认使用 bge-small-zh-v1.5 和 bge-reranker-base），无需任何额外的 Docker 或 LM Studio 部署，真正做到“开箱即用、用完即走”。

[!TIP] 内嵌双核引擎：

• Embedding: Xenova/bge-small-zh-v1.5 (纯 CPU 推理只需毫秒级)
• Reranker: Xenova/bge-reranker-base (Quantized 量化保障极低内存占用)

见证奇迹：AI 会开始隐秘加载架构铁律，自动运行数据库 verify 校验，审查项目技术字典，并完美地进入状态开始服役。

3. 存档与交接系统

当一个阶段的任务完成后，输入命令：

/mem

AI 将自动执行：标记 active_context.md 完成项、提炼重点至向量库并准备 Git Commit。

4. 给 AI 注入深层记忆 (CLI 体验)

AI (或人类) 可以在项目内随时呼出后台终端记住经验：

# 死记一个血泪教训
./.evo-lite/mem remember "遇到 Axios 502 的坑：原因是走了系统代理，加上 proxy:false 秒解"

# 查询过去的挣扎
./.evo-lite/mem recall "那个代理报错怎么修的？"

# 运行自检：查看模型是否真的加载
./.evo-lite/mem verify

4. 无损热更新 (Seamless Upgrade)

当 Evo-Lite 发布新版本（例如引入新的 memory.js 技能）时，在已安装的旧项目根目录下直接运行：

npx create-evo-lite@latest ./ --yes

系统会触发无损热更新协议：

• 自动提取保留你原有的 API 端口和模型配置。
• 绝对保护你的 active_context.md 不被清空。
• 更新核心模板，并在 AI 下次苏醒 (/evo) 时主动引导合并你的自定义设定。

📂 目录结构速览

MyAwesomeProject/                 <-- (你的项目)
├── .agents/                      <-- (智能体行为规范区)
│   ├── rules/                    <-- 核心硬约束 (Core Rules)
│   │   ├── evo-lite.md           - Boot Sequence 拦截器
│   │   ├── project-archive.md    - 存档闭环协议
│   │   └── memory-distillation.md - 质量守门员
│   └── workflows/                <-- Slash Commands
│       ├── evo.md                - /evo 唤醒剧本
│       └── mem.md                - /mem 交接剧本
│
└── .evo-lite/                    <-- (记忆存储与依赖区)
    ├── cli/                      - 向量库 CLI 脚本
    ├── mem.cmd                   - CLI 快捷入口 (Win)
    ├── mem                       - CLI 快捷入口 (Unix)
    ├── active_context.md         - 显性进度单
    └── memory.db                 - 隐性向量数据库

🏛️ 克制的艺术 (The Aesthetics of Restriction)

为什么我们用不到 200 行代码挑战上万行的重量级 RAG 框架？

在 AI 时代，上下文是昂贵的，而心智是脆弱的。传统的 RAG 方案倾向于“重”，要求你运行 Docker、挂载数据库服务、维护复杂的同步逻辑。这不但破坏了宿主项目的纯净感，更增加了开发者的维护心智。

Evo-Lite 的哲学内核是 “以极简之道，御 AI 之乱”：

1. 0 侵入才是真正的尊重：好的工具应该像幽灵，只在被唤醒时存在。这也是我们坚持 Daemonless 架构的原因。
2. 沙盒是安全的最后防线：我们宁可让脚手架稍微增大一点体积（离线包），也不愿让用户的开发环境因为缺失一个 C++ 编译器而导致记忆中断。
3. 双核检索的降维打击：利用 sqlite-vec 的原生速度和极简接口，我们在毫秒级实现了“粗排+精排”的工业级逻辑，证明了高精度不一定需要高性能集群。

"人类对业务和代码资产充满敬畏，而 Evo-Lite 是负责给 AI 戴上紧箍咒的那根金线。"