Aicx

Kiedy używać

Pozyskaj historyczny kontekst z poprzednich sesji AI dla tego projektu. Szukamy dlaczego, nie ślepego zrzutu jak.

Checkpoint orientacji

W pracy specyficznej dla repo uruchom lub skonsumuj procedurę vc-init, zanim zamienisz pamięć AICX w rekomendację. Loctree:loctree to domyślny skill percepcji strukturalnej dla tego przebiegu; użyj go, aby wygenerować lub odświeżyć Mapę Aplikacji Wyprowadzoną z Kodu (Code-Derived Application Map), zanim zaufasz starszym intencjom.

Jeśli brakuje świeżych dowodów z vc-init, najpierw wykonaj przebieg init i traktuj rekomendacje specyficzne dla repo jako zablokowane, dopóki nie ma aktualnej prawdy repo.

AICX wyjaśnia, dlaczego wcześniejsi agenci tak postąpili. Loctree i bieżące bramki repo decydują, czy ta intencja jest nadal prawdziwa.

Doktryna pracy z repozytorium

W pracy z repozytorium zacznij od Loctree jako mapy: użyj loct context, loct occurrences, loct body i loct find --literal przed szerokim ręcznym przeszukiwaniem. Używaj AICX do kontekstu intencji i sesji. Używaj rg/grep jako fallbacku lub lokalnej lupy, nie jako zamiennika mapowania strukturalnego. Jeśli Loctree zawiedzie lub przeoczy jakąś powierzchnię, dopisz feedback do ~/.vibecrafted/loctree/loctree-fail.md.

Zestaw narzędzi:

1. aicx (cli) oraz aicx-mcp (stdio i streamable-http): a) referencja mcp: - mcp_aicx_aicx_rank Ranguje przechowywane chunki sesji AI wg jakości treści. Pokazuje gęstość sygnału, współczynnik szumu i etykiety jakości (HIGH/MEDIUM/LOW/NOISE) per chunk. Użyj --strict, aby odfiltrować szum. - mcp_aicx_aicx_search Fuzzy search po przechowywanych chunkach sesji AI. Zwraca wyniki z oceną jakości i dopasowanymi liniami. Wspiera normalizację polskich znaków diakrytycznych oraz opcjonalne filtrowanie po projekcie. - mcp_aicx_aicx_steer Pozyskuje przechowywane chunki po metadanych sterujących (pola frontmattera). Filtruje po run_id, prompt_id, agent, kind, project i/lub zakresie dat, używając metadanych sidecar — bez potrzeby grepowania systemu plików. Zwraca ścieżki chunków wraz z ich metadanymi sidecar do selektywnego ponownego wejścia. b) referencja cli: - pełną dokumentację można pozyskać, wywołując aicx --help. c) starsze metody - aicx_refs(hours=<retrieval_hours>, project="<project>", strict=true) — wylistuj przechowywane pliki kontekstu - aicx_rank(project=<project>, hours=168, strict=true, top=5) — priorytetyzuj najgęstsze chunki

   To starsze punkty wejścia. Preferuj aicx_search; daje tę samą funkcjonalność i więcej.

2. aicx intents (cli): Wyciąga z historii sesji intencje projektu, wyniki, taski i decyzje architektoniczne do ustrukturyzowanych formatów.

   • Przykładowa ekstrakcja: aicx intents -p <ProjectName> --emit json | tee intents.json
   • Podsumowanie przez jq: jq 'map(.kind) | group_by(.) | map({kind: .[0], count: length})' intents.json
   • Lista ostatnich intencji: jq -r '.[] | select(.kind == "intent") | "[\\(.date)] \(.agent): \(.summary[0:150])..." ' intents.json | sort -r | head -n 15

Co zrozumieć:

• Jaka była pierwotna intencja stojąca za architekturą?
• Jaką prowizorkę nałożono późną nocą, żeby „po prostu zadziałało"?

Dyscyplina:

AICX to silnik pozyskiwania intencji, nie ślepe działo RAG. Pozyskaj kontekst decyzji, a potem zweryfikuj ich aktualną prawdziwość w Zmyśle 2.

Struktura wyjścia:

[1-100/100 <score_range>] <org>/<repo> | <agent> | <date>
session(s): <session_id>
cwd: <cwd>
search result:
  > <result>
  > - <file_path>
  > [HH:MM:SS] assistant: <result>
  > [HH:MM:SS] user: <result>
source file(s):
$HOME/.aicx/store/<org>/<repo>/<date>/<type>/<agent>/<session_id>.md

Narzędzie extract — użyj, gdy nie możesz odczytać wyniku agenta bezpośrednio:

• Wyjście zbyt duże dla narzędzia Read (>10k tokenów)
• Plik z wynikami narzędzi to surowy JSONL, nieczytelny dla człowieka
• Subagent się wykrzaczył, ale zostawił częściowy log
• Potrzebny kontekst poprzedniej sesji przed rozpoczęciem pracy

1. Komenda

aicx extract --format {claude,codex,gemini,ollama} <INPUT_FILE> -o /tmp/aicx-extract-<basename>.md

--format claude parsuje JSONL z Claude Code, jak również strukturę json Gemini. Rozszerzenie pliku nie ma znaczenia — .jsonl, .txt, .output działają tak samo.

Ścieżka wyjściowa: Wyprowadź z nazwy pliku wejściowego. Użyj basename pliku wejściowego (bez rozszerzenia) jako nazwy wyjścia: /tmp/aicx-extract-<basename>.md. Nigdy nie pytaj użytkownika o ścieżkę wyjściową.

Gdzie znaleźć pliki wejściowe

$HOME/.claude/projects/<project>/<session-id>/tool-results/<hash>.txt     # Agent result (most common)
$HOME/.claude/projects/<project>/<session-id>/subagents/agent-<id>.jsonl  # Subagent session
/private/tmp/claude-501/.../tasks/<task-id>.output                    # Background task
$HOME/.claude/projects/<project>/<uuid>.jsonl                             # Full session

Przydatne flagi

Przykładowy flow odzyskiwania

# 1. Extract (output path derived automatically from input basename)
aicx extract --format claude \
  $HOME/.claude/projects/-Users-foo-myrepo/abc123/tool-results/xy9z.txt \
  -o /tmp/aicx-extract-xy9z.md

# 2. Read the result
Read /tmp/aicx-extract-xy9z.md

𝚅𝚒𝚋𝚎𝚌𝚛𝚊𝚏𝚝𝚎𝚍. with AI Agents by Vetcoders (c)2024-2026 LibraxisAI