bug-hunter

name	bug-hunter
description	分布式多智能体缺陷检测总控技能。基于输入随机化、角色化并行评审、语义桶化、加权共识与裁决复核输出高信噪比代码评审报告。用于大规模 PR、复杂逻辑变更、安全敏感改动或单智能体评审召回率不足的场景。

Bug Hunter 总控

目标

构建一个可复用的多阶段代码评审流水线：

1. 随机化输入，缓解位置偏差。
2. 并行化子智能体评审，提升召回率。
3. 聚合与去重，压缩重复告警。
4. 通过加权投票和裁决复核，降低误报。
5. 记录分辨率反馈，动态优化后续轮次。

目录结构

• subskills/bug-hunter-stage1-input-randomization/SKILL.md
• subskills/bug-hunter-stage2-parallel-review/SKILL.md
• subskills/bug-hunter-stage3-evidence-fusion/SKILL.md
• subskills/bug-hunter-stage4-consensus-judge/SKILL.md
• scripts/shuffle_diff.py
• scripts/redact_sensitive.py
• scripts/semantic_bucket.py
• scripts/weighted_vote.py
• scripts/debate_picker.py
• scripts/render_report.py
• scripts/update_resolution_history.py
• scripts/run_pipeline.py
• scripts/validate_findings.py

说明：Stage 5 闭环学习和 Stage 6 运行隔离目前由 scripts/update_resolution_history.py、references/OPERATIONS.md 与外部编排约束承载，尚未拆分为独立 subskill 文件。

参考文档

• references/FORMAT.md：最终报告格式与排序规则。
• references/EXAMPLES.md：从 diff 到闭环学习的示例。
• references/CONTRACTS.md：所有中间产物数据契约。
• references/OPERATIONS.md：命令化运行手册。
• references/TROUBLESHOOTING.md：常见失败排查。
• references/METRICS.md：质量指标与阈值调优。
• references/finding_schema.json：Finding 对象 schema。
• references/persona_matrix.json：角色矩阵与默认权重。

执行顺序

1. Stage 1 输入处理：提取 diff，脱敏，按文件/块级生成 N 轮随机输入。
2. Stage 2 并行评审：⚠️ 必须使用 Agent 工具并行启动 8 个子智能体；每个子智能体从 shuffled_passes.json 随机抽取 1 个 pass，并按固定 persona 分工输出 findings，禁止手工编写 findings！
3. Stage 3 证据融合：将 JSON 发现项做语义去重与冲突标记。
4. Stage 4 共识裁决：按权重计算共识分，筛选过阈值问题并格式化输出。
5. Stage 5 闭环学习：记录建议被接受/拒绝情况，更新人格权重参考。
6. Stage 6 安全隔离：确保评审执行在只读工作树与脱敏上下文中完成。

开发工作流映射

把 6 个阶段映射到日常开发动作：

1. 本地改代码后，对 main...HEAD 生成 diff 并做 Stage1 脱敏随机化。
2. Stage2 外部并行评审产出 raw_findings.json。
3. 运行 run_pipeline.py 生成 report/verdict/debate。
4. 开发者先修复 Accepted，再处理 Disputed，最后复跑验证。
5. 提交 MR/PR 时开启 --ci-mode 或 --fail-on-severity critical 做阻塞门禁。
6. 合并后把采纳结果写入 decisions.json，更新权重进入下一轮。

标准输入输出

• 子智能体输出统一 JSON schema：

[
  {
    "file": "kernel/src/foo.rs",
    "line": 42,
    "type": "security|concurrency|performance|logic",
    "severity": "critical|major|minor",
    "description": "问题描述",
    "fix_code": "建议修复代码",
    "confidence": 0.0,
    "agent": "Security Sentinel"
  }
]

兼容说明：raw_findings.json 允许两种格式：

• 直接数组 [{...}]

• 包装对象 {"schema_version":"1.0","findings":[...]}

• 总控最终输出包含：

  • shuffled_passes.json（仅当提供 --diff-file 时生成）
  • raw_findings.validated.json
  • 通过阈值的问题表格（按严重度降序）
  • 共识强度与证据数
  • 边界争议项（需人工复核）

Stage 2 输入规则：

• 外部编排器必须消费 shuffled_passes.json
• 每个 agent 随机选取 1 个 passes[*].diff 作为输入
• 每个 agent 使用固定 persona，只关注该 persona 负责的问题类型
• 汇总结果统一写入 raw_findings.json

快速执行

当已有子智能体原始发现时，可直接运行：

python3 .agents/skills/bug-hunter/scripts/run_pipeline.py \
  --raw-findings artifacts/raw_findings.json \
  --strict-validation \
  --fail-on-severity critical \
  --out-dir artifacts

当需要从 diff 开始，可先生成随机化输入：

BASE_REF="$(git rev-parse --abbrev-ref --symbolic-full-name @{upstream} 2>/dev/null || git symbolic-ref --quiet --short refs/remotes/origin/HEAD 2>/dev/null || echo HEAD~1)"
git diff "$(git merge-base HEAD "$BASE_REF")"...HEAD > /tmp/current.diff
python3 .agents/skills/bug-hunter/scripts/run_pipeline.py \
  --diff-file /tmp/current.diff \
  --raw-findings artifacts/raw_findings.json \
  --weights artifacts/weight_suggestion.json \
  --ci-mode \
  --out-dir artifacts

说明：Stage 2 并行子智能体评审在当前环境中由外部编排器负责，run_pipeline.py 负责 Stage 1/3/4 的可复用自动化与产物落盘。

阈值建议

• 默认投票阈值：0.60
• 语义合并阈值：0.88
• 同类型最低合并相似度：0.35
• 辩论触发区间：[0.50, 0.60)

规则

• ⚠️ Stage 2 必须使用 Agent 工具并行启动 8 个子智能体，禁止手工编写 findings！
• 不允许跳过 Stage 3 和 Stage 4。
• 无 fix_code 的发现项默认降权。
• 不报告纯格式问题或命名偏好。
• 结论必须可回溯到 file:line。

优化方向（贴近开发）

1. 门禁策略分层：先只阻塞 critical，稳定后逐步提升到 major。
2. 报告可执行化：Developer TODO 区必须有位置、责任角色、修复代码。
3. 噪声治理：对高误报 persona 下调权重，按周观察 resolution/误报趋势。
4. 评审成本控制：小改动降低 --passes，大改动提升 --passes 与辩论比例。
5. 结果复用：把 weight_suggestion.json 纳入仓库 CI 缓存，减少冷启动抖动。