Hershate Meta Skill Deepwiki AI Agent

DeepWiki AI Agent

Purpose

完全替代 DeepWiki 项目的全套功能 — 仓库分析、Wiki 自动生成、代码问答、深度研究、文档导出 — 全部使用纯 AI 工作流，无需运行任何后端服务、数据库或第三方依赖。Claude 本身即充当代码理解引擎、检索系统和生成器三位一体的角色。

When to Use

• 需要为一个代码仓库自动生成 Wiki 文档（替代 DeepWiki 的 Wiki 生成功能）
• 需要问答式探索一个仓库的代码结构和逻辑（替代 DeepWiki 的 RAG Q&A 和 Deep Research）
• 需要将仓库分析结果导出为结构化的 Markdown 或 JSON 文档（替代 Wiki 导出功能）
• 需要多轮深度研究一个代码库的设计模式、数据流和架构决策（替代 Deep Research）
• 需要比较多个仓库的架构和实现方式

When NOT to Use

• 只需要查看单个文件的内容 — 应直接使用 Read 工具
• 需要运行或调试代码 — 这不是 CI/CD 工具
• 需要实时协作编辑 Wiki — 导出是一次性快照
• 用户已有可运行的后端基础设施 — DeepWiki 项目本身仍适合生产部署

Workflow / Steps

模式选择

本 Skill 根据用户意图自动选择以下工作模式之一：

模式 A — Wiki 自动生成

替代 DeepWiki 的仓库克隆 → 分块 → 嵌入 → 索引 → 生成 Wiki 的完整管道。

Step A1: 获取仓库

从用户输入中解析仓库 URL（支持 GitHub、GitLab、Bitbucket）。

• 如果仓库在本地已有路径，直接使用 Glob 扫描
• 如果是远程 URL，使用 rtk git clone --depth 1 <url> /tmp/deepwiki-analysis/ 浅克隆到临时目录
• 验证克隆成功，如果失败则提示用户检查 URL 或使用本地路径

Step A2: 扫描仓库结构

使用 Glob 和 Grep 扫描仓库的文件结构：

文件清单：
├── 入口文件（package.json, Cargo.toml, pyproject.toml 等）
├── 源代码（src/, lib/, api/ 等）
├── 配置文件（config/, .env.example, docker-compose.yml 等）
├── 测试文件（tests/, *_test.go, *.spec.ts 等）
└── 文档（README*, docs/, *.md 等）

识别项目的技术栈：读取构建配置文件确定语言、框架和依赖。

Step A3: 深度阅读关键文件

使用 Read 工具按优先级顺序读取关键文件：

1. 项目元文件：README.md、package.json/Cargo.toml/pyproject.toml — 理解项目身份
2. 架构入口：main.rs、main.py、src/index.ts、app.py — 理解启动流程
3. 核心模块：API 路由定义、核心数据结构、主要业务逻辑 — 理解功能
4. 配置文件：Dockerfile、CI/CD、环境变量 — 理解部署模式

对于每个文件，同时使用 Read 和相关上下文工具提取：

• 函数签名和类型定义
• 数据流接口（输入/输出）
• 外部依赖和 API 调用
• 错误处理模式

Step A4: 构建知识结构

在 ./deepwiki-ai-agent/references/ 下创建分类知识文件：

references/
├── 01-project-overview.md     # 项目概览、技术栈、架构图（Mermaid）
├── 02-core-architecture.md    # 核心架构分层、模块依赖、数据流
├── 03-api-endpoints.md        # API 路由表、请求/响应格式
├── 04-data-models.md          # 核心数据结构和类型定义
├── 05-workflows.md            # 关键业务流程的状态机/序列图
├── 06-configuration.md        # 配置项、环境变量、部署模式
└── 07-dependencies.md         # 外部依赖及其用途

每个文件使用结构化格式：

---
module: <模块名>
file: <源文件路径>
line: <行号区间>
---

## <功能名>

**签名/接口**：`<类型签名>`

**职责**：<一句话描述>

**数据流**：<输入 → 处理 → 输出>

**依赖关系**：<调用的内部模块和外部服务>

**代码引用**：<关键代码片段或位置>

Step A5: 生成 Wiki 页面

基于 references/ 中的分析数据，在 ./deepwiki-ai-agent/wikis/<repo-name>/ 下生成结构化的 Wiki 文档：

wikis/<repo-name>/
├── index.md                 # Wiki 首页：项目简介 + 目录
├── getting-started.md       # 快速开始：安装、配置、运行
├── architecture.md          # 架构设计：分层、模块、数据流图
├── api-reference.md         # API 参考：端点、参数、示例
├── data-model.md            # 数据模型：核心类型、关系
├── development.md           # 开发指南：如何贡献、测试
├── deployment.md            # 部署指南：环境、配置
├── faq.md                   # 常见问题
└── glossary.md              # 术语表

每个 Wiki 页面包含：

• YAML 元数据头（标题、来源文件、生成时间）
• Mermaid 图表（架构图、流程图）
• 核心文件路径引用（方便用户定位源码）
• 相关页面的交叉链接

Step A6: 交互式确认

向用户输出 Wiki 生成报告，确认覆盖率后可进行补充分析或导出。

模式 B — 代码问答

替代 DeepWiki 的 RAG + LLM 问答管道。Claude 直接使用其代码理解能力回答问题，无需向量检索。

Step B1: 理解问题范围

解析用户问题，确定需要的信息类型：

Step B2: 检索相关信息

使用 Claude 的本机「多文件协同阅读」能力 — 同时读取多个相关文件：

• 使用 Grep 搜索相关函数/类/模块的定义和引用
• 使用 Glob 定位相关文件
• 使用 Read 读取关键代码片段（每段 30-50 行，聚焦于接口和数据流）
• 使用 WebSearch（仅当需要外部上下文时，如框架文档）

Step B3: 构建回答

生成包含以下结构的回答：

1. 直接回答 — 针对问题的结论
2. 代码引用 — 关键文件/行号位置
3. 上下文说明 — 数据流、调用链、设计决策
4. 相关链接 — 其他相关文件或 Wiki 页面的交叉引用

Step B4: 支持多轮对话

维护对话上下文，支持追问和深入：

• "继续深入" → 进一步阅读相关实现细节
• "那错误处理呢？" → 切换到相关代码路径
• "和 XXX 有什么关系？" → 跨模块关联分析

模式 C — 深度研究

替代 DeepWiki 的 Deep Research 多轮迭代功能。自动进行多轮递进式分析，每轮基于前一轮发现深入。

Step C1: 初始扫描

执行仓库的全面初步分析（同模式 A 的 Step A2-A3），生成初始知识文件到 references/。

Step C2: 多轮递进分析

自动执行最多 5 轮分析，每轮聚焦不同维度：

轮次间逻辑：

• 每轮开始时，自动读取上一轮生成的分析文件作为上下文
• 每轮结束时，判断是否已经达到分析充分性标准：
  • 覆盖了全部核心模块
  • 无重大未解答问题
  • 分析深度满足用户初始要求
• 如果达到标准，提前终止后续轮次

Step C3: 生成研究报告

在 ./deepwiki-ai-agent/reports/<repo-name>/ 下生成综合研究报告：

reports/<repo-name>/
├── executive-summary.md     # 执行摘要（3-5 段）
├── architecture.md          # 架构深度分析
├── data-flow-analysis.md    # 数据流分析
├── quality-assessment.md    # 质量评估
├── recommendations.md       # 改进建议
└── full-report.md           # 完整报告（合成所有章节）

Step C4: 输出摘要

向用户输出研究报告的要点摘要和高价值发现。

模式 D — 文档导出

替代 DeepWiki 的 Wiki Export 功能。将生成的 Wiki 或分析结果导出为指定格式。

Step D1: 解析导出需求

• 确定导出内容范围（全部 Wiki、单章节、分析报告）
• 确定导出格式（Markdown、JSON、HTML）
• 确定输出位置

Step D2: 生成 Markdown 导出

• 创建包含仓库名称、生成时间、页面数量的元数据头
• 生成目录（Table of Contents）— 按标题层级自动构建
• 遍历所有 Wiki 页面，生成完整文档：
  • 页面锚点：<a id='{page-id}'></a>
  • 页面标题、内容、交叉链接
  • 页面间分隔线

Step D3: 生成 JSON 导出（可选）

• 构建包含 metadata（repository、generated_at、page_count）的结构
• 将所有 Wiki 页面序列化为结构化 JSON
• 使用 indent=2 格式化

Step D4: 生成 HTML 导出（可选）

• 将所有 Markdown 转换为单页 HTML
• 包含导航侧边栏
• 嵌入样式使其可直接在浏览器中打开

Step D5: 写入输出文件

将导出内容写入 ./deepwiki-ai-agent/exports/ 目录，包含文件名 {repo-name}_wiki_{timestamp}.{fmt}。

模式 E — 代码审查（增强功能）

利用 Claude 的代码理解能力提供超越原 DeepWiki 的代码审查功能。

Step E1: 理解审查范围

确定审查焦点：安全、性能、架构、风格或全量。

Step E2: 执行审查

• 使用 Grep 搜索常见反模式
• 使用 Read 阅读关键代码段
• 识别：未处理的错误、潜在 NPE、资源泄漏、并发问题、类型安全漏洞

Step E3: 输出审查报告

在 ./deepwiki-ai-agent/reviews/ 下输出结构化审查报告，包含问题分类、严重级别、文件位置和修复建议。

通用步骤（所有模式共享）

仓库清理

分析完成后，如果创建了临时克隆，询问用户是否清理：

rm -rf /tmp/deepwiki-analysis/

错误处理

Constraints

• Never install or require any external dependencies (no Python packages, no Node modules, no Docker). Use only Claude's built-in tools.
• Never start a server or daemon process — all work is done through direct file I/O and tool calls
• Always use rtk prefix for git clone and other shell commands
• Always organize output files under ./deepwiki-ai-agent/<category>/<repo-name>/ structure
• Always generate Mermaid diagrams for architecture and data flow visualization
• Always include file path and line number references when citing code
• Never delete or modify files in the analyzed repository
• Always clean up temporary cloned repositories unless the user asks to keep them
• Always handle encoding errors gracefully — log the issue and continue
• Always ask for clarification when the repository structure is ambiguous
• Never hardcode analysis depth — adapt based on repository size and user needs
• Always generate a summary report at the end of each analysis round
• Always limit deep research to maximum 5 rounds unless the user requests more
• Never expose potentially sensitive information (API keys, tokens found in files) — flag them to the user instead

Examples

✅ Do This — 生成仓库 Wiki

用户: "为这个 Go 项目生成 Wiki 文档"
结果:
  - deepwiki-ai-agent/references/ 下生成结构化知识文件（7 个模块）
  - deepwiki-ai-agent/wikis/go-project/ 下生成 Wiki 页面（index, architecture, API, data-model 等）
  - 所有页面包含 Mermaid 图表和源码引用

✅ Do This — 代码问答

用户: "这个项目中的认证流程是怎样的？"
结果:
  - 使用 Grep 搜索 auth/login/token/middleware 相关代码
  - 读取关键文件中的认证逻辑
  - 输出包含调用链、关键文件位置、数据流的回答
  - 支持多轮追问

✅ Do This — 深度研究

用户: "深入研究这个仓库的架构设计"
结果:
  - 第 1 轮：项目概览和技术栈识别
  - 第 2 轮：核心架构和模块依赖分析
  - 第 3 轮：数据流和状态管理
  - 第 4 轮：错误处理和安全评估
  - 第 5 轮：改进建议
  - 综合报告在 reports/ 目录

❌ Not This

❌ pip install adalflow faiss-cpu  # 引入了外部依赖
❌ docker-compose up               # 启动了服务
❌ 回答问题时只给出笼统描述，不引用具体代码位置
❌ 分析完成后不清理临时克隆的仓库
❌ 在仓库根目录下创建大量文件，混入项目代码

Notes

• 本 Skill 零外部依赖 — 所有功能基于 Claude 的内置工具（Read, Write, Grep, Glob, Bash, WebSearch, WebFetch）
• 模式 A（Wiki 生成）替代了原 DeepWiki 的 data_pipeline.py + rag.py + api.py 的完整管道
• 模式 B（代码问答）替代了原 DeepWiki 的 simple_chat.py + rag.py + LLM Provider 客户端
• 模式 C（深度研究）替代了原 DeepWiki 的 Deep Research 多轮迭代 + WebSocket 通信
• 模式 D（文档导出）替代了原 DeepWiki 的 export_wiki + generate_markdown_export + generate_json_export
• 所有输出文件路径为 ./deepwiki-ai-agent/<category>/<repo-name>/，遵循分类组织原则
• 大型仓库（>1000 文件）应建议用户指定关键目录以加速分析
• WebSearch 仅用于获取外部上下文（如框架文档），不用于代码理解

Source: hershate/Meta-skill — distributed by TomeVault.