内容
# AiWlangage — 迁移工具包 WinDev/WebDev
> 阅读 WLangage 项目，了解其业务逻辑，并迁移到您选择的栈 — 由 VS Code Copilot + MCP + RAG 协调。
---
## 安装
### ✅ 推荐 — 从最新版本
所有用户（开发人员或生产环境）的推荐流程：
**所有系统（Windows、macOS、Linux）**:
1. 访问发布页面：[github.com/Danalisao/AiWlangage-releases/releases/latest](https://github.com/Danalisao/AiWlangage-releases/releases/latest)
2. 下载可用的源代码 zip（`.zip`）或 tar 归档（`.tar.gz`）
3. 在本地解压
4. 运行安装脚本：
```bash
# macOS / Linux
cd /path/to/AiWlangage
bash install.sh
# Windows (PowerShell)
cd C:\path\to\AiWlangage
.\install.ps1
```
该脚本克隆组件，创建 Python 环境，配置 RAG 和 VS Code 代理。**无需额外的手动步骤。**
### 备用 — 本地克隆（您已经拥有仓库）
如果您已经在本地克隆了仓库：
```bash
cd ~/AiWlangage # 或 C:\AiWlangage 在 Windows 上
./install.sh # 或 .\install.ps1 在 Windows 上
```
### ⚡ 高级选项 — 快速单行命令（可能被某些防病毒软件拦截）
**macOS / Linux**：
```bash
curl -sSL https://raw.githubusercontent.com/Danalisao/AiWlangage-releases/main/install.sh | bash
```
**Windows (PowerShell)**：
```powershell
irm https://raw.githubusercontent.com/Danalisao/AiWlangage-releases/main/install.ps1 | iex
```
⚠️ **注意：** 某些防病毒软件（Windows Defender、Kaspersky、Avast、Norton...）可能会阻止此 PowerShell 模式，认为其是潜在的恶意软件载体。如果您遇到执行错误，请使用**推荐的流程**（发布版本 + 本地执行）。
### 手动安装
请参阅 [GETTING_STARTED.md](GETTING_STARTED.md) 以获取详细步骤。
然后：
```bash
code ~/AiWlangage # 然后在 Copilot Chat 中使用 @WLangage-Atlas
```
→ [完整快速入门](QUICKSTART.md)
---
## 您获得的内容
### 一个包含 4 个独立组件的工具包
| 组件 | 角色 | 命令 |
|-----------|------|---------|
| **`wlangage-rag/`** | RAG 引擎 — 14,000+ WLangage 文档，混合 BM25 + E5 搜索，FastAPI | `make start-rag` |
| **`wlangage-mcp-server/`** | 22 个 MCP 工具，用于 VS Code — 项目扫描，过程读取，引导迁移 | 自动（VS Code） |
| **`wlangage-agents/`** | 13 个 VS Code Copilot 代理 — Atlas 协调完整迁移 | `@WLangage-Atlas` |
| **`wlangage-dataset-kit/`** | 贡献收集器 — 匿名并导出您的 WLangage 过程 | `make dataset` |
### 5 步迁移工作流
```
1. 扫描 @WLangage-Atlas 分析 C:\MyProject\App.wdp
→ 映射过程 + HFSQL 表 + 依赖项
2. 理解 WLangage-Analyst 解释每个业务过程
→ 通用伪代码，HFSQL 映射
3. 规格 WLangage-Spec-Writer 生成规格文档
→ ERD Mermaid + 用户故事 Gherkin + API OpenAPI 3.1
4. 迁移 WLangage-Migration-Director 在目标栈上实现
→ React/Node、Django、Spring Boot 或 Vue/FastAPI
5. 等价性 WLangage-Test-Comparator 验证行为
→ WLangage 与目标栈的比较测试
```
---
## 目标栈
| 栈 | 技术 |
|-------|-------------|
| `react-node-postgres` | React 18 TypeScript + Node.js + PostgreSQL + Prisma |
| `django` | Django 5 + PostgreSQL + Django ORM |
| `spring` | Spring Boot 3 + Java 21 + Spring Data JPA |
| `vue-fastapi` | Vue 3 TypeScript + FastAPI + SQLAlchemy |
---
## 您需要
- **Python 3.10+** 和 **Git**
- **VS Code 1.90+**，并启用 **GitHub Copilot**
- 一个 LLM 后端 — **GitHub Copilot/Models 推荐**（如果您已启用 Copilot，则已包含），或 Ollama、Groq、Gemini、OpenAI、Anthropic
### 配置 — 两个 `.env` 文件
**1. 根目录 `.env`** — 用于脚本/笔记本：
```env
LLM_BACKEND=ollama
OLLAMA_URL=http://localhost:11434
OLLAMA_MODEL=qwen3-coder:480b-cloud
MIGRATION_TARGET_STACK=react-node-postgres
```
**2. `wlangage-rag/rag/.env`** — 用于 RAG 引擎（必需）：
在 `wlangage-rag/rag/.env` 中配置您的 API 密钥（Groq、Gemini、Ollama 等）。
→ [完整配置](.env.example) | [详细指南](QUICKSTART.md#3-configuration)
---
## 架构
```
WinDev 项目（.wdp / .wl）
│
▼
wl_scan_project (MCP) ← 读取过程、表、模块
│
▼
wl_explain_procedure (MCP) ← RAG 14k 文档 + LLM → 理解
wl_to_pseudocode (MCP)
│
▼
WLangage-Spec-Writer ← ERD + Gherkin + OpenAPI 3.1
│
▼
wl_migration_guidance (MCP) ← 目标代码 + Betula 映射（52 个模式）
│
┌──────┴────────┐
▼ ▼
前端（React/Vue） 后端 + 数据库（Node/Python/Java）
│
▼
WLangage-Test-Comparator ← 功能等价测试
```
**RAG 引擎：** ChromaDB + 14,227 文档 + 多语言 E5 嵌入 + 混合 BM25
**Recall@5 : 85%** | **响应时间：50–200 毫秒** | **LLM 质量：90%** (19/21 ✅ on qwen3-coder:480b)
---
## 命令
```bash
make help # 交互式帮助
make start # MCP 服务器 SSE + stdio
make start-rag # MCP 服务器 SSE 模式（HTTP）→ http://localhost:8000/sse
make start-mcp # MCP 服务器 stdio（用于 VS Code）
make test # 89 个 pytest 测试
make dataset # 从您的项目中收集数据
make update # git pull + 重新安装
make clean # 删除 Python 缓存
```
---
## 贡献数据
`wlangage-dataset-kit` 自动提取并匿名您的项目过程，以丰富 RAG：
```bash
python wlangage-dataset-kit/collect.py \
--project "C:\MyProject\App.wdp" \
--anonymize
# → contribution_YYYYMMDD_App.jsonl
```
收集的数据永远不会包括：密码、连接字符串、电子邮件、绝对路径。
→ [收集器指南](wlangage-dataset-kit/README.md)
---
## 微调（可选，v1 后）
提供了一个 Colab 笔记本，用于在您的 WLangage 数据上微调 Qwen2.5-Coder-7B：
```
notebooks/train_qwen_wlangage_understanding_colab.ipynb
```
该工具包在 100% 的情况下无需微调模型即可工作 — 使用 GitHub Copilot/Models、Ollama 或任何云 LLM。
→ [ML 指南](docs/ml-training.md)
---
## 项目结构
```
AiWlangage/
├── wlangage-rag/ ← RAG 引擎 Python（aiwlangage-rag v2.4.0）
├── wlangage-mcp-server/ ← MCP 服务器 v1.0.0
├── wlangage-agents/ ← 13 个 VS Code 代理（.agent.md）
├── wlangage-dataset-kit/ ← 贡献数据工具包
├── data/processed/ ← WLangage 数据集（14,000+ 文档）
├── examples/ ← WLangage 示例
├── docs/ ← 文档（adr、计划、STATUS.md）
├── notebooks/ ← 微调笔记本（高级）
├── scripts/ ← 构建数据集管道
├── QUICKSTART.md ← 快速入门
├── GETTING_STARTED.md ← 详细入门
## 许可证
MIT — 参见 [LICENSE](wlangage-dataset-kit/LICENSE)
---
*该项目旨在将数千个活跃的 WinDev/WebDev 项目迁移到现代栈中，同时保留所有业务逻辑。*
