linghungegeg/Linghun

What it solves

Linghun 是一個 AI 驅動的程式設計終端，專為真實軟體工程而非單純問答而設計。它解決了常見的 AI 程式碼失敗問題，例如模型在未閱讀程式碼或驗證結果的情況下聲稱已修復錯誤的「幻覺」問題、因大量日誌導致的上下文窗口溢位，以及在 Windows 環境（中文路徑、PowerShell）中工作的摩擦。

How it works

Linghun 不僅依賴提示工程，而是實作一個系統層級的「工程外骨骼」來包裹 LLM。它將模型整合到受控的執行環境中，管理以下項目：

• Evidence-First Loop：強制模型將結論綁定到實際的檔案讀取、工具輸出與 Git 狀態。
• Verification Gates：區分部分測試、模擬測試與完整冒煙測試，防止模型在沒有證據的情況下宣稱任務「完成」。
• Architectural Guardrails：使用「AntiCodeBlob」系統防止產生龐大且難以維護的檔案與函式。
• Managed Environment：處理 Windows 特有的程序防護、路徑相容性與 Git 穩定點，以便輕鬆回滾。
• Workflow Matrix：將複雜目標拆解為階段、角色與證據需求，支援多代理探索與背景工作。

Who it’s for

• Individual Developers：想以自然語言驅動真實專案、且不想學習複雜工具語法的開發者。
• Professional Engineers：需要可靠 AI 夥伴、遵守架構界限、管理 Git 狀態並提供可驗證交付的工程師。
• Enterprise Teams：需要嚴格權限界限、本地執行隱私，以及透過標準化 Capability Runtime 連接內部工具的組織。

Highlights

• Anti-Hallucination System：限制模型必須提供證據，降低「自信卻錯誤」的回答。
• Windows-First Design：完整支援 PowerShell、中文路徑與原生程序追蹤，確保在 Windows 上的穩定性。
• Git Integration：自動建立穩定點與受管工作樹，使 AI 驅動的變更可逆。
• Capability Runtime：可擴充的「通用插頭」，允許外部軟體透過基於清單的連接器向 AI 暴露功能。
• Multi-Model Routing：根據任務將不同模型指派給規劃、執行、審查、摘要等角色。
• Context Optimization：透過索引與噪聲控制達成 92‑96% 的高快取命中率，降低 token 成本。