dvcrn Checkpoints
Checkpoints 用于自动记录 AI 生成代码的完整上下文，并与对应的**代码提交（Commit）**绑定，便于回溯、审计和复现“这段代码是怎么来的”。
何时使用
- 智能体编写并即将提交（或刚提交）代码时，需要把本次生成的上下文一并留存。
- 用户明确要求“把这次改动的依据/对话记录下来”“和 commit 绑在一起”。
- 需要事后查看某次提交对应的提示词、推理过程和决策逻辑时，本 Skill 指导如何生成和存放 checkpoint 数据。
Checkpoint 应包含的内容
在生成或提交 AI 代码时，将以下信息与 commit 绑定：
| 内容 | 说明 |
|---|---|
| 提示词（Prompts） | 用户或系统触发生成的那条（或几条）主要 prompt，可做脱敏。 |
| 对话记录 | 与本次改动相关的对话摘要或关键轮次（可精简为要点）。 |
| 推理步骤 | 模型/智能体的推理链：先做了什么判断、尝试了哪些方案、为何选当前实现。 |
| 决策逻辑 | 关键决策点（例如：为何用 A 库而非 B、为何采用这种结构）。 |
| 元数据 | 可选：Token 消耗量、模型/版本、时间戳、涉及文件列表等。 |
| 关联 Commit | 明确对应的 commit hash（或 branch + 即将提交的说明），保证可追溯。 |
与 Commit 绑定的方式
- 方式一：独立 checkpoint 文件
在仓库中维护 checkpoint 存储（例如.checkpoints/或docs/checkpoints/），每个 commit 对应一个文件，命名包含 commit hash 或时间戳，便于通过 hash 查找。 - 方式二：Commit 消息或 tag
在 commit message 中写简短摘要，并注明“详细上下文见 .checkpoints/.json”；或打 tag 指向该 commit，tag 名/描述中带 checkpoint 标识。 - 方式三：外部系统
若有现成的 Checkpoints 工具或服务，按该工具的 API/CLI 上传上述内容，并在 commit message 或仓库内留一条引用（如 URL 或 id）。
按项目约定或用户指定选择一种方式，并保持一致。
Checkpoint 文件结构建议
若用文件形式保存，可采用结构化格式（便于后续解析和展示），例如：
{
"commit": "abc123...",
"timestamp": "ISO8601",
"prompts": ["用户请求的原始或摘要 prompt"],
"conversation_summary": "与本次改动相关的对话要点",
"reasoning_steps": ["步骤1", "步骤2", "..."],
"decisions": ["决策1及原因", "..."],
"files_changed": ["path/a", "path/b"],
"meta": {
"model": "optional",
"tokens_used": "optional",
"agent_version": "optional"
}
}
也可用 Markdown 书写，便于人工阅读，但需固定章节（Prompts、对话摘要、推理步骤、决策、元数据、Commit）。
工作流程（智能体侧）
- 在准备提交或完成提交后：判断本次改动是否主要由 AI 生成；若是，则生成 checkpoint 内容。
- 组装内容：从当前对话中提取或总结：提示词、相关对话、推理步骤、决策逻辑；若有 token/模型信息则填入 meta。
- 绑定 commit：若尚未提交，先执行提交，取得 commit hash；再写入 checkpoint 文件或调用外部工具，并确保文件名/引用中包含该 hash。
- 不污染主流程：checkpoint 文件可加入
.gitignore若仅本地使用；若团队需要共享审计，则纳入版本库并提交。
使用原则
- 一致性：同一仓库内固定用一种绑定方式和目录/命名规则。
- 隐私与脱敏：若 prompt 或对话中含敏感信息，存盘前做脱敏或仅存摘要。
- 可追溯：通过 commit hash 能从 checkpoint 反查到提交，或从提交找到对应 checkpoint。