当前位置：首页 > news >正文

开源工具 AIDA：给 AI 辅助开发加一个数据采集层，让 AI 从错误中自动学习（Glama 3A 认证）

news 2026/5/11 21:30:34

开源工具 AIDA：给 AI 辅助开发加一个数据采集层，让 AI 从错误中自动学习（Glama 3A 认证）

一、痛点：AI 写代码很快，但总在同一个地方犯错

现在用 AI 写代码已经很普遍了 —— Claude Code、Cursor、Copilot，效率确实高。但用过的人都知道一个问题：

AI 没有项目级记忆。你今天告诉它"我们项目的 Table 组件外面要包一层 min-height 容器"，明天它又忘了。你纠正了三次 API 调用方式，第四次它还是用错。

根本原因是：每次对话都是独立的，AI 不知道上次在你的项目里犯了什么错。

AIDA就是为了解决这个问题而生的 —— 它在 AI 开发过程中自动采集结构化数据，把 AI 的偏差模式沉淀成项目规则，让 AI 越用越准。

项目已通过 Glama.ai 平台的安全、许可和质量三重 A 级认证，MIT 开源。

二、30 秒接入

在项目根目录的.mcp.json加一行：

{"mcpServers":{"aida":{"command":"npx","args":["-y","ai-dev-analytics","mcp"]}}}

支持 Claude Code、Cursor、VS Code Copilot、Windsurf。加完配置后不需要任何其他操作，你照常用 AI 写代码就行。

npm 下载慢可以先全局安装：npm install -g ai-dev-analytics，然后 command 改成"aida"。

三、架构与原理

你的 AI 工具 (Claude Code / Cursor) ↓ MCP 协议 (stdio) AIDA MCP Server (10 个工具) ↓ 自动采集 .aidevos/run.json (结构化数据) ↓ 数据看板 (localhost:2375) 规则库 (.aidevos/rules/) ↓ AI 下次读取规则 → 输出质量提升

关键设计：

MCP 协议通信：AIDA 不是让 AI 执行 shell 命令，而是通过 MCP（Model Context Protocol）提供原生工具，AI 直接函数调用，响应更快、更可靠
零运行时依赖：整个项目不依赖任何第三方包，纯 Node.js + TypeScript
100% 本地：所有数据存在项目目录的.aidevos/下，普通 JSON 文件，没有任何外部 HTTP 请求

10 个 MCP 工具

工具名	功能	触发时机
`aida_task_start`	记录任务开始	AI 开始编码时
`aida_task_done`	记录任务完成	AI 完成编码时
`aida_log_bug`	记录 Bug	发现缺陷时
`aida_bug_fix`	记录 Bug 修复	修复完成时
`aida_log_review`	记录代码自检	自检完成时
`aida_log_deviation`	记录偏差	AI 输出不符合预期时
`aida_log_files`	记录文件变更	自动扫描 git diff
`aida_highlight`	记录亮点	有值得记录的优化时
`aida_status`	查看当前状态	随时
`aida_log_rule`	沉淀项目规则	用户确认后

所有工具都是 AI 自动调用的，开发者不需要手动操作。

四、核心机制：偏差 → 规则 → 反哺

这是 AIDA 的核心价值，用一个真实项目的数据说明：

第 1 轮开发：47 个任务，产生 23 个偏差。

先看根因分布 —— AI 为什么出错？

是 AI 幻觉（使用了不存在的 API / 组件），还是规则缺失（项目有规范但 AI 不知道）。

再看类别分布 —— AI 在哪出错？

从中提取了 6 条项目规则，写入.aidevos/rules/。

第 2 轮开发：同类偏差 →零复现。AI 读了规则，相同模式的错误被消除。

看偏差与规则趋势 —— 绿色线是规则数量，随着规则积累，偏差持续下降：

这就是数据驱动的复利效应。

规则沉淀流程

1. AI 编码 → 产出不符合预期 2. 记录偏差 → aida_log_deviation（自动分析根因） 3. 根因为 rule-missing → AI 建议沉淀规则 4. 开发者确认 → aida_log_rule 写入规则库 5. 规则库通过 fingerprint 自动去重 6. 下次 AI 读取规则 → 同类错误不再复现

沉淀的规则举例：

“el-dialog 内 Table 必须有 min-height 容器”
“API 请求必须走 src/api/ 统一封装层”
“日期组件必须传 format=‘YYYY-MM-DD’”

这些都是项目级技术规范，不涉及业务逻辑，适合沉淀为持久规则。

五、数据看板

npx ai-dev-analytics dashboard

打开http://localhost:2375，看到所有采集的数据：

在线 Demo（真实脱敏数据）：https://lwtlong.github.io/ai-dev-analytics/

看板包含：

模块	内容
偏差根因分布	饼图：幻觉 / 规则缺失 / 上下文不足 / 理解偏差
偏差类别分布	饼图：布局 / 组件 / API / 样式
偏差 & 规则趋势	折线图：偏差和规则的变化趋势
Bug 严重度分布	各等级 Bug 统计
自检通过率	折线图：代码审查质量趋势
任务完成进度	各阶段任务状态
文件修改热点	哪些文件被反复修改
规则溯源表	每条规则关联到产生它的偏差
完整时间线	所有事件按时间排列

技术栈：React 19 + ECharts + Tailwind CSS 4，支持中英文切换，SSE 实时推送。

六、三种使用模式

AIDA 设计上是可以按需组合的，不是非得全套使用：

模式一：纯数据采集（最轻量）

只加 MCP 配置，正常 coding。AIDA 静默采集，想看数据时开看板。零学习成本，适合个人开发者先试试水。

模式二：数据采集 + 规则沉淀

在模式一基础上，当 AI 犯错时主动记录偏差，确认后沉淀规则。逐步建立项目专属的 AI 知识库。

模式三：完整 SOP 流程

aida init# 选择 Full workflowaida start# 创建开发运行

获得 14 个 AI Skills，编排为标准开发流程：

PRD 接入 → 需求分析 → 任务拆分 → 代码生成 → 自检审查 → Bug 修复 → 偏差记录 → 规则沉淀

适合团队标准化 AI 开发流程，每个环节有对应的 Skill 执行，中断后可从断点恢复。

七、绩效汇报：数据比感觉有说服力

所有数据都是结构化 JSON，可以直接拿来做汇报：

汇报场景	AIDA 能提供的数据
H1/H2 绩效	完成 XX 个任务、修复 XX 个 Bug、首次自检通过率 XX%、沉淀 XX 条规则、产出 XXXX 行代码
Sprint 回顾	本轮偏差集中在哪个类别、新增了几条规则、质量指标变化
团队报告	各开发者任务量/偏差率/规则贡献对比
项目交接	完整开发历史 + 规则库，新人接手直接受益

aida report# 生成汇总数据

以前写绩效靠回忆，现在一条命令导出全部数据。

八、数据模型

.aidevos/ ├── runs/ │ └── {分支名}/ │ ├── requirement.json # 分支聚合统计 │ └── {开发者}/ │ └── run.json # 核心数据文件 ├── rules/ │ ├── rules.json # 规则注册表 (source of truth) │ ├── component.md # 按分类自动生成的视图 │ └── api.md ├── index.json # 项目级索引 └── aida-guide.md # AI 行为引导

run.json包含：tasks、bugs、deviations、reviews、files、timeline、rules、highlights、metrics、cost 等完整维度。