Super CodeGX anti-AIGC Skill

5道防线 × 10大维度 × 6层检测链 — 全维度手工级代码质量优化与AIGC特征消减系统。

五道防线防御架构

工作模式

收到用户发送的代码/文档后，直接启动全维度重构优化，无需额外确认对话。输出最终成品 + 关键重构点简要说明。

强制执行规则（AI助手必须遵守，禁止偷懒）

核心原则：先评估适用性，再决定用原工具还是定制化。禁止不评估就跳过，也禁止不评估就盲跑全部。

执行前评估（必须先做）

收到代码/文档后，AI助手必须先做以下评估，再决定执行策略：

Step 0: 代码分析

1. 识别项目语言组成（PHP? Python? JS? HTML/CSS? SQL?）
2. 识别输入格式（DOCX? 代码目录? 单文件?）
3. 评估哪些Skill工具适用：
   - 没有Python文件 → ast_deep_transformer的Python AST部分不适用
   - 没有独立SQL文件 → sql_transformer不适用
   - 没有前端代码 → frontend_transformer不适用
   - 非Git项目 → generate_git_history仍需运行（生成仿真历史）
4. 评估哪些工具需要定制化：
   - Skill工具的语言支持范围有限（PHP只有regex级变换）
   - 项目有特殊结构（如DOCX内嵌代码）需要定制提取/回写逻辑

决策规则

绝对禁止

1. 禁止不评估就跳过 — 不得因"看起来已经够好"而跳过整个Phase
2. 禁止不评估就盲跑全部 — 不适用的工具跑了一样没效果，浪费时间
3. 禁止跳过DeepSeek评审 — Phase 5是必须步骤，即使启发式分数低也要用--threshold 0强制分析
4. 禁止跳过全局审查 — AI助手必须自己做两轮审查+最终断言，不是提示用户检查
5. 禁止声称"完成"而未执行DeepSeek评审 — 没有DeepSeek API打分的结果不算完成

标准执行流程

达标阈值：AIGC平均分 < 30（可在codegx.yaml中配置pass_threshold）

Step 0: 评估（必须先做）
  └─ 0.1 识别输入格式：DOCX → 用 docx_extractor.py 提取；代码目录 → 直接用
  └─ 0.2 识别语言组成：PHP? Python? JS? HTML/CSS? SQL?
  └─ 0.3 识别框架：Spring Boot? Vue/React? Django/Flask? → 加载对应策略文件
  └─ 0.4 逐个评估16个工具的适用性，输出：适用清单 + 需定制化的部分
  └─ 0.5 配置时间范围：在codegx.yaml中统一设置 time_range.start 和 time_range.end
         （generate_git_history和fix_timestamps自动读取，避免参数不一致）

Step 1: 提取代码（DOCX输入必须执行）
  └─ python scripts/docx_extractor.py <文件.docx> <输出目录> --verbose
  └─ 如果docx_extractor不适用（DOCX结构特殊），参考其逻辑写定制化提取
  └─ 提取后验证：文件数、行数、编码是否正确

Step 2: 配置
  └─ python scripts/wizard.py --project-dir <目录>  # 首次使用，自动读取time_range
  └─ python scripts/config_loader.py show --project-dir <目录>  # 查看配置

Step 3: 备份（必须执行）
  └─ python scripts/rollback_manager.py backup <目录> --tag pre-optimize

Step 4: 预分析风险扫描
  └─ python scripts/analyze_risk.py <代码目录> --output risk_report.json --verbose
  └─ 根据风险报告确定优先处理的文件/模块
  └─ 输出高风险文件清单 risk_files.json，供后续增量优化使用

Step 5: 增量优化准备（可选，大项目推荐）
  └─ 如果risk_report识别出高风险文件占比 < 50%，只对高风险文件做变换：
     复制高风险文件到临时目录 → 在临时目录执行变换 → 变换后合并回原目录
  └─ 如果高风险文件占比 >= 50%，对全部文件做变换（不做增量）

Step 6: Phase 1 变换（逐工具执行）
  └─ 6.1  python scripts/ast_deep_transformer.py <目录> --level medium --output <输出>
         注意：PHP只有regex级变换，必须同时用cfg_transformer弥补
  └─ 6.2  python scripts/cfg_transformer.py <目录> --level medium --output <输出>
         PHP/JS项目必须执行，做guard clause/嵌套展平/循环重写
  └─ [验证点] python scripts/verify_output.py <目录> --verbose  # 6.1+6.2可能破坏语法
  └─ 6.3  python scripts/human_traces.py <目录> --level medium --output <输出>
         人工痕迹注入（200+模板，12类注入，业务上下文感知）
  └─ 6.4  python scripts/habit_profile.py <目录> --output <输出>
         开发者人格画像（习惯一致性+幂律分布+非均匀密度）
  └─ 6.5  python scripts/frontend_transformer.py <目录> --level medium --output <输出>
         有前端代码时执行：CSS变量随机化/响应式断点差异化/动画人工化
  └─ 6.6  python scripts/sql_transformer.py <目录> --level medium --output <输出>
         有独立SQL文件时执行：SELECT字段顺序随机化/WHERE条件打乱
  └─ 6.7  python scripts/style_jumper.py <目录> --level medium --output <输出>
         Token熵深度风格跳变（命名/注释/格式/表达式跳变）
  └─ 6.8  python scripts/algo_diversifier.py <目录> --level medium --output <输出>
         算法级差异化改写
         ⚠️ 变量重命名必须基于作用域做全文一致性替换，避免同一变量不同名字
  └─ [验证点] python scripts/verify_output.py <目录> --verbose  # 6.8可能破坏语法

Step 7: Phase 2 验证（9个工具，一次完整端到端验证）
  └─ 7.1  python scripts/dead_code_detector.py <目录> --output dead_code.json --verbose
         死代码检测（Python AST级+6语言正则级）
  └─ 7.2  python scripts/logic_consistency.py <目录> --verbose
         逻辑一致性检查（死代码/风格矛盾/空壳TODO）
  └─ 7.3  python scripts/consistency_checker.py <目录> --output consistency.json --verbose
         跨维度一致性（时间戳vs代码成熟度、注释vs命名风格）
  └─ 7.4  python scripts/verify_output.py <目录> --verbose
         正确性验证（语法+变量一致性+语义）
  └─ 7.5  python scripts/check_similarity.py <目录> --deep --output similarity.json --verbose
         相似度自检（n-gram/语义/深度结构）
  └─ 7.6  python scripts/opensource_fingerprint_db.py <目录> --deep --output fingerprint.json --verbose
         开源指纹数据库扫描（覆盖GitHub/教材/SaaS/国产框架）
  └─ 7.7  python scripts/token_entropy.py <目录> --verbose
         Token熵自检（全局熵>6.5/三元组唯一率>0.65/局部熵方差>0.1）
  └─ 7.8  python scripts/ai_code_profiles.py <目录> --output profiles.json --verbose
         AI vs 人类代码画像对比（统计特征基准分析）
  └─ 7.9  python scripts/embedding_checker.py <目录> --output embedding.json --verbose
         向量相似度自测（TF-IDF+SimHash+CodeBERT多维度）
  └─ 7.10 python scripts/consistency_checker.py <目录> --doc-vs-code --doc <说明书.docx> --output doc_code.json --verbose
         代码-文档一致性检查（如有软著说明书，必须执行）

Step 8: Phase 4 检测模拟（不含LLM打分，LLM打分由Phase 9负责）
  └─ python scripts/detection_simulator.py <目录> --output sim_report.json --verbose
         6层非LLM检测链模拟：
         Layer1 文本相似度 → Layer2 AST结构 → Layer3 统计特征
         → Layer5 元数据 → Layer6 人工复核 → Layer7 外部验证
         ⚠️ Layer4（LLM启发式）已跳过，由Phase 9的DeepSeek真实打分替代

Step 9: Phase 5 DeepSeek评审（必须执行，不能跳过）
  └─ python scripts/deepseek_review.py <目录> --api-key <key> --threshold 0 --output review.json --verbose
  └─ ⚠️ 必须用 --threshold 0，否则优化后的低风险文件会被预筛选跳过
  └─ 如果用户没有API Key，必须要求用户提供，不能默默跳过
  └─ 输出：每个文件的AIGC分数、校准分数、判定结果、修复指令

Step 10: Phase 6 迭代优化（平均AIGC > pass_threshold时执行，最多2轮）
  └─ 10.1 python scripts/rollback_manager.py backup <目录> --tag round-N  # ⚠️ 修改前备份
  └─ 10.2 AI助手根据DeepSeek修复指令 + embedding_adversarial对抗结果修改代码
  └─ 10.3 python scripts/verify_output.py <目录> --verbose  # 验证修改未引入错误
  └─ 10.4 重新执行 Step 9（DeepSeek评审）
  └─ 10.5 如果平均AIGC变高（退化），执行 rollback_manager.py rollback 回滚到本轮备份
  └─ 10.6 如果平均AIGC < pass_threshold，达标，进入Step 11
  └─ 10.7 如果2轮后仍 > pass_threshold，执行 Step 12 人机协作

Step 11: Phase 8 收尾
  └─ 11.1 python scripts/doc_humanizer.py <说明文档.docx> --output <优化后.docx>
         文档去AI化：输入是软著申请的"软件说明书"或"操作手册"DOCX，不是代码
         如果没有说明文档DOCX，跳过此步
  └─ 11.2 python scripts/generate_git_history.py <项目目录> --commits 45
         生成仿真Git提交历史（自动读取codegx.yaml中的time_range配置）
  └─ 11.3 python scripts/fix_timestamps.py <项目目录>
         修复文件时间戳（自动读取codegx.yaml中的time_range配置）
  └─ 11.4 python scripts/audit_helper.py <目录> --output audit_metrics.json --verbose
         审查辅助：收集量化指标供全局审查参考
  └─ 11.5 python scripts/generate_report.py --original <原始> --optimized <优化后> --output report.md --analysis <JSON目录>
         综合报告生成
  └─ 11.6 python scripts/e2e_test.py <目录> --verbose
         端到端集成测试：验证完整流程的正确性

Step 12: Phase 7 人机协作（仅在迭代2轮后仍不达标时执行）
  └─ python scripts/human_collab.py <目录> --output collab_plan.md
  └─ 输出高风险模块识别 + 人工修改指令
  └─ AI助手告知用户需要手动修改的部分

Step 13: AI助手全局审查（必须执行，不是提示用户检查）
  └─ 两轮审查 + 最终断言（详见下方"全局审查"章节）

执行自检清单

AI助手在输出最终结果前，必须逐项确认：

• [ ] Step 0评估已完成，识别了语言、框架、适用工具
• [ ] DOCX输入已用 docx_extractor.py 提取（如适用）
• [ ] 备份已创建（rollback_manager.py backup）
• [ ] Phase 1变换：适用的transformer已全部调用（不是自己写的替代脚本）
• [ ] Phase 1中PHP项目同时用了 ast_deep_transformer + cfg_transformer
• [ ] Phase 1中只在关键工具（ast/cfg/algo）后验证，非关键工具后未冗余验证
• [ ] Phase 2验证：dead_code_detector + logic_consistency + verify_output + check_similarity + token_entropy 已执行
• [ ] Phase 2中如有说明书DOCX，已执行 consistency_checker --doc-vs-code
• [ ] Phase 4模拟：detection_simulator.py 已执行（不含Layer4 LLM打分）
• [ ] Phase 5 DeepSeek：deepseek_review.py --threshold 0 已执行（有API调用记录）
• [ ] 迭代修复前已备份（rollback_manager backup --tag round-N）
• [ ] 迭代退化时已回滚（rollback_manager rollback）
• [ ] 达标阈值：平均AIGC < pass_threshold（默认30）
• [ ] Phase 8收尾：generate_git_history + fix_timestamps 使用相同时间范围
• [ ] Phase 8收尾：generate_report + e2e_test 已执行
• [ ] AI助手执行了全局审查（两轮+最终断言）
• [ ] 所有输出文件已生成并告知用户

九大检测维度防御策略总览

维度一：大模型语义/指纹检测防御

检测方式：官方接入DeepSeek等国产大模型，对代码、说明文档、摘要全文做AIGC分类打分。

防御策略：

• 文档：消除过度书面化、模板化表述；打破完美段落逻辑，注入个人思考痕迹；去除AI典型句式和成语堆砌
• 代码注释：去除标准化docstring，改用碎片化、口语化、带个人习惯的注释风格
• 摘要：使用开发者日常表达，避免公文写作框架

→ 详见 references/llm-semantic.md

维度二：AST+CFG结构指纹分析防御

检测方式：生成完整AST，做结构相似度匹配；对比控制流图、函数调用图、分支嵌套模式。

防御策略：

• 打破AI过度规整、对称、标准化的代码结构
• 函数拆分粒度差异化（不均匀分布）
• 注入冗余变量、临时变量、「凑活写」痕迹
• 重构执行分支顺序、循环嵌套层级、调用链

→ 详见 references/ast-cfg.md

维度三：代码文本特征统计防御

检测方式：统计命名风格、注释特征、排版格式的分布特征。

防御策略：

• 命名：避免超长描述化驼峰命名，减少data/temp/result/info/manager泛化词比例
• 注释：控制注释率，消除模板docstring，加入错别字、口语化注释、TODO涂鸦
• 排版：故意制造缩进微不一致，空格空行随机化，行长方差拉大

→ 详见 references/text-stats.md

维度四：跨库相似度比对防御

检测方式：与历史软著库、GitHub/Gitee开源库、高校企业代码库比对；通过n-gram指纹、代码属性图(CPG)、语义嵌入(CodeBERT)进行深度比对。

防御策略：

• 结构指纹规避（check_similarity.py --deep）：Python文件使用真实AST结构哈希；其他语言使用关键字序列哈希（近似）
• 算法级差异化（algo_diversifier.py）：基于正则模式检测的模板替换（非AST级，检测规避效果有限）
• 唯一性评分：基于调用多样性、控制流密度等启发式规则（非统计学模型）
• 登录、工具类、CRUD等高频模块做差异化重写

各语言各检测系统有效性估计：

→ 详见 references/similarity.md

维度五：元数据+提交时序+文档一致性审查

检测方式：检查代码生成时间、文档编辑时间、截图时间戳是否合理；文档与代码是否逻辑自洽。

防御策略：

• 构建合理的文件创建/修改时间序列
• 文档与代码的时间线逻辑自洽
• 保留版本迭代记录、修改痕迹
• 避免「一步到位」的完美提交特征

→ 详见 references/metadata.md

维度六：LLM生成概率（token似然度）检测防御

检测方式：把代码喂给多个主流LLM计算token生成概率，AI代码token分布平滑、熵低、局部重复模式强。

防御策略：

• 制造局部token分布的突发性和不规则性
• 引入非常规缩写、奇怪变量名、风格跳变
• 打破AI代码的低熵平滑分布特征

→ 详见 references/token-likelihood.md

维度七：多模型指纹归因防御

检测方式：不同大模型有独特「笔迹」——GPT注释多结构工整、Claude啰嗦防御性代码多、DeepSeek中文注释模板感强。

防御策略：

• 消除特定模型的写作指纹特征
• 混合多种编程风格，避免单一模型归因
• 注入人类开发者独有的个人化编码习惯

→ 详见 references/model-fingerprint.md

维度八：人工痕迹缺失检测防御

检测方式：训练模型识别人类专属痕迹，缺失则判AI。包括笔误、不规范缩写、风格不一致、临时调试代码、被注释旧逻辑、不完美边界处理、硬编码、个人化「坏味道」。

防御策略：

• 注入合理范围的笔误和不规范写法
• 保留临时调试代码（注释状态）和被注释的旧逻辑
• 制造风格不一致（同一项目内不同文件风格微差）
• 保留硬编码、小冗余、不完美边界处理

→ 详见 references/code-style.md

维度九：混合检测链防御

检测方式：文本相似度→AST结构→统计特征→LLM评分→元数据→人工复核，层层过滤。

防御策略：

• 全维度同步优化，确保每一环都不触发异常
• 交叉验证各维度的一致性
• 最终人工复核视角的全面审查

→ 详见 references/hybrid-chain.md

维度十：前端模板化+全栈完整性+代码极致规整防御

检测方式：人工复核+系统检测，识别AI批量生成特征——代码风格极致规整、全栈功能一气呵成、注释AI式完整、前端设计高度模板化、无迭代痕迹。

防御策略：

• 打破代码风格极致规整：异常处理/类型标注/docstring覆盖率差异化
• 打破全栈完整性：注入碎片化功能、不均匀的模块完成度、妥协式写法
• 打破注释AI式完整：控制@/@return标注覆盖率，注释密度不均匀
• 打破前端模板化：CSS变量不完整使用、非标准响应式断点、简化动画效果
• 注入迭代痕迹：保留历史遗留文件、版本迭代注释、未完成功能的TODO

→ 详见 references/frontend-fullstack.md

核心约束

1. 不改变核心业务逻辑、核心算法原理、程序运行效果和功能完整性
2. 严格遵循前2020年GitHub纯手写开源代码审美与写法逻辑
3. 分层渐进优化：先调流程结构 → 再改风格特征 → 最后补开发痕迹
4. 优化后代码须通过编译、运行、功能测试，满足软著提交格式要求
5. 所有维度同步优化，不留单一维度短板

输出格式

每项重构完成后输出：

• 重构后代码/文档（完整成品）
• 关键重构点说明（按10维度+5防线逐一列出优化措施）
• 五道防线自评（每道防线的通过/风险状态）
• 风险自评（哪些维度优化力度最强，哪些维度需用户自行补充人工痕迹）

关键规则：死代码 vs 注释代码

这是最容易出错的规则，必须严格遵守：

矛盾检测：如果同一文件中同时存在「死代码」和「注释旧代码」，风格矛盾会被检测系统识别。使用 logic_consistency.py 检查。

工具使用指南

预分析阶段

0. 交互式配置向导（首次使用）

python scripts/wizard.py --project-dir <项目目录>

通过问答引导完成项目配置，自动生成 codegx.yaml 配置文件。

0.1 预分析风险扫描

python scripts/analyze_risk.py <代码目录> --output risk_report.json --verbose

在优化前扫描项目，评估各维度AIGC风险等级，确定优先处理的文件/模块。

0.2 配置文件管理

# 生成默认配置
python scripts/config_loader.py generate --project-dir <项目目录>

# 查看当前配置
python scripts/config_loader.py show --project-dir <项目目录>

# 获取特定配置
python scripts/config_loader.py get --project-dir <项目目录> --key transform.level

所有工具自动读取 codegx.yaml 配置文件，无需每次手动传参。

0.3 创建备份（推荐）

python scripts/rollback_manager.py backup <项目目录> --tag pre-optimize

变换前自动备份原始文件到 .codegx_backup/。

变换阶段

1. AST结构变换（维度二）

# 支持 Python/PHP/JS/TS/Java/Go/C#
python scripts/ast_deep_transformer.py <代码目录> --level medium --output <输出目录> --dry-run
python scripts/ast_deep_transformer.py <代码目录> --level medium --output <输出目录>

• Python（真实AST变换）: 使用 ast.NodeTransformer + ast.unparse() 进行真正的语法树级变换：
• if-else分支交换（取反条件，交换body/orelse）
• 嵌套if合并（if A: if B: → if A and B:）
• for循环改写（enumerate→range(len)）
• 列表推导式→显式for循环（改变CFG拓扑）
• with语句→try/finally（添加异常控制流边）
• 链式调用拆分（引入中间变量）
• return拆分为临时变量
• 卫语句提取（深层嵌套→提前return扁平化）
• while True+break→while条件
• 异常处理改写（裸except→except Exception）
• 多样化变量名生成（领域感知名称池，非tmp/tmp_tmp）
• 人性化格式化（随机空行、混合风格）
• PHP/JS/Java/Go/C#（regex级变换）: 使用正则表达式进行句法级替换（非AST，检测规避效果有限）
• PHP: foreach→for、复合条件拆分、三元→if-else等18种
• JS/TS: 箭头函数→function、for-of→for-index、模板字符串→拼接
• Java: for-each→for-index、复合条件拆分、字符串拼接→StringBuilder
• Go: range→for-index、if err变换、Sprintf→拼接
• C#: foreach→for、LINQ→循环、字符串插值→Format

PHP变换器优化要点：

• 变换概率从0.3提升至0.4（medium级别基础概率0.75）
• 支持复杂foreach模式（带??默认值）
• 变量重命名使用有意义的业务变量名（非随机字符串）
• 复合条件拆分改用行级处理，避免偏移量计算错误

2. 人工痕迹注入（维度八）+ 注释风格多样化（维度三/十）

python scripts/human_traces.py <代码目录> --level medium --output <输出目录> --dry-run
python scripts/human_traces.py <代码目录> --level medium --output <输出目录>

• Python: 使用AST精确定位注入点（非正则）
• 其他语言: 增强正则定位
• 注入200+种模板，每个模板仅使用一次，零重复率
• 支持12类注入：调试代码、硬编码标记、开发历史、TODO、旧逻辑、个人习惯、工作区标记、业务相关TODO、注释掉的旧代码、版本历史、冗余变量、编码习惯差异
• 业务上下文感知：从代码中提取变量名/函数名/业务关键词，生成与业务逻辑强相关的痕迹
• 注释风格多样化：打破注释均匀性，混合使用行内/块注释，不同区域不同密度
• 注入密度目标：2.0%-2.8%（medium级别），每80行代码约5-7条注入
• 反模式检测：注入后自检，避免连续注入和规律性分布

⚠️ 注释内容红线（绝对禁止）：

人工痕迹的目的是展示"开发者个人习惯"，不是展示"代码来源"或"团队协作"。以下类型的注释绝对不能出现：

原则：

1. 人工痕迹应该体现"开发者在开发过程中的思考和调试"，而不是"代码从哪里来的"
2. 软著申请以个人开发者身份提交，所有注释必须符合个人独立开发的场景
3. 即使代码确实参考了外部来源或有团队协作，注释也不能体现这一点

3. 前端代码变换（维度十）

python scripts/frontend_transformer.py <代码目录> --level medium --output <输出目录> --dry-run

• CSS变量系统随机化（不完整使用、重命名、直接值替换）
• 响应式断点差异化（非标准值）
• 动画参数人工化（非线性缓动、持续时间微扰）
• HTML属性顺序打乱、类名风格去标准化
• Vue/React组件结构差异化

4. SQL/ORM变换

python scripts/sql_transformer.py <代码目录> --level medium --output <输出目录> --dry-run

• SELECT字段顺序随机化
• WHERE条件顺序打乱
• JOIN写法差异化
• ORM查询模式变换（filter→get、filter_by→filter）
• 添加SQL人工注释

验证阶段

5. 逻辑一致性检查（维度三）

python scripts/logic_consistency.py <代码目录> --verbose
python scripts/logic_consistency.py <代码目录> --fix

6. 正确性验证（必做！）

# 语法检查 + 变量一致性 + 语义验证
python scripts/verify_output.py <代码目录> --verbose

# 含实际测试运行
python scripts/verify_output.py <代码目录> --run-tests --verbose

# 严格模式
python scripts/verify_output.py <代码目录> --strict

7. 相似度自检（维度四）

# 基础模式匹配检测
python scripts/check_similarity.py <优化后代码目录> --output similarity_report.json --verbose

# 语义级相似度检测
python scripts/check_similarity.py <优化后代码目录> --semantic --semantic-threshold 0.7

# 深度模式（推荐）：2000+模式库 + 结构指纹 + 唯一性评分
python scripts/check_similarity.py <优化后代码目录> --deep --output deep_similarity_report.json --verbose

# 开源指纹数据库独立扫描（覆盖GitHub/教材/SaaS/国产框架）
python scripts/opensource_fingerprint_db.py <优化后代码目录> --deep --output fingerprint_report.json --verbose

# 算法级差异化改写（深层逻辑改写，非语法替换）
python scripts/algo_diversifier.py <优化后代码目录> --level medium --output <差异化输出目录> --dry-run
python scripts/algo_diversifier.py <优化后代码目录> --level aggressive --output <差异化输出目录>

8. Token熵自检（维度六）

python scripts/token_entropy.py <优化后代码目录> --lang python --verbose

安全阈值参考：

风险等级判定：>=3个风险指标为HIGH，>=1个为MEDIUM，0个为LOW

8.1 嵌入对抗变换（CodeBERT维度突破）

# 预览模式（不实际修改）
python scripts/embedding_adversarial.py <代码目录> --target-similarity 0.6 --max-iterations 10 --output <输出目录> --dry-run --verbose

# 实际执行
python scripts/embedding_adversarial.py <代码目录> --target-similarity 0.6 --max-iterations 10 --level aggressive --output <输出目录> --seed 42

# 单文件处理
python scripts/embedding_adversarial.py main.py --target-similarity 0.5 --max-iterations 15 --verbose

# 生成JSON报告
python scripts/embedding_adversarial.py <代码目录> --output <输出目录> --output-report adversarial_report.json

工作原理：

1. 启用CodeBERT梯度，计算 [CLS] 嵌入对输入token的梯度
2. 梯度范数 = token重要性（CodeBERT最敏感的位置）
3. 在高重要性位置应用语义保持替换（标识符重命名/表达式等价/控制流等价）
4. 迭代优化直到余弦相似度低于阈值

9. 差异查看

python scripts/diff_viewer.py --original <原始目录> --transformed <变换后目录> --output diff_report.md

元数据阶段

10. Git历史生成（维度五）

python scripts/generate_git_history.py <项目目录> --commits 45 --style auto --dry-run
python scripts/generate_git_history.py <项目目录> --commits 45 --start 2019-06-01 --end 2020-05-30

11. 时间戳修复（维度五）

python scripts/fix_timestamps.py <项目目录> --start 2019-03-01 --end 2020-06-30 --dry-run

审查与报告阶段

12. 审查辅助

python scripts/audit_helper.py <代码目录> --output audit_metrics.json --verbose

输出量化指标供AI助手全局审查参考：死代码统计、注释密度、命名风格分布、函数粒度、错误处理覆盖率、TODO质量、人工痕迹密度、代码复杂度。

13. 综合报告生成

python scripts/generate_report.py --original <原始目录> --optimized <优化后目录> --output report.md --analysis <分析JSON目录>

14. 回滚（如需）

# 查看备份
python scripts/rollback_manager.py list <项目目录>

# 回滚到指定备份
python scripts/rollback_manager.py rollback <项目目录> --tag pre-optimize

# 清理旧备份
python scripts/rollback_manager.py clean <项目目录> --keep 3

工具执行顺序（分阶段，支持重试闭环）

注意：以下Phase与"标准执行流程"的Step一一对应。如果使用pipeline_runner.py一键执行（Phase 0-7），它会自动编排。Phase 8收尾需手动执行。

达标阈值：AIGC平均分 < pass_threshold（默认30，可在codegx.yaml中配置）

Phase 0: 预处理

docx_extractor.py（DOCX提取）→ wizard.py（配置，含time_range）→ rollback_manager.py backup（备份）
→ analyze_risk.py（风险扫描，输出高风险文件清单）
加载框架策略文件（如有）：references/frameworks/spring-boot.md / vue-react.md / django-flask.md

Phase 1: 变换（8个工具，关键工具后验证）

ast_deep_transformer → cfg_transformer（PHP/JS必须）→ [验证点] verify_output
→ human_traces → habit_profile → frontend_transformer（有前端时）
→ sql_transformer（有SQL时）→ style_jumper
→ algo_diversifier → [验证点] verify_output
⚠️ 只在关键工具（ast/cfg/algo）后验证，非关键工具后不验证
⚠️ algo_diversifier 的变量重命名必须基于作用域做全文一致性替换

Phase 2: 验证（9+1个工具）

dead_code_detector → logic_consistency → consistency_checker → verify_output
→ check_similarity --deep → opensource_fingerprint_db → token_entropy
→ ai_code_profiles → embedding_checker
→ consistency_checker --doc-vs-code（如有说明书DOCX）

~~Phase 3: 对抗优化~~ → 已合并到Phase 6

embedding_adversarial 的对抗结果作为Phase 6迭代修复的参考输入
不再单独执行，避免对抗训练和变换脱节

Phase 4: 检测模拟（不含LLM打分）

detection_simulator（6层，跳过Layer4 LLM启发式）
Layer1 文本相似度 → Layer2 AST结构 → Layer3 统计特征
→ Layer5 元数据 → Layer6 人工复核 → Layer7 外部验证
⚠️ Layer4已跳过，LLM打分统一由Phase 5的DeepSeek负责

Phase 5: DeepSeek 评审（唯一 API 入口，必须执行）

deepseek_review.py --api-key <key> --threshold 0 <代码目录>
  ├─ ⚠️ 必须用 --threshold 0，否则优化后的低风险文件会被预筛选跳过
  ├─ 预筛选: 启发式评分 < 阈值 → 跳过（零 token）
  ├─ 文件哈希缓存: 未修改文件 → 直接返回缓存（零 token）
  ├─ 批量合并: 小文件 3 个合 1 次 API 调用
  ├─ 固定 system prompt → DeepSeek prefix cache 命中
  └─ 输出评审报告 + AI助手自动修复指令

Phase 6: 迭代优化（平均AIGC > pass_threshold时执行，最多2轮）

rollback_manager backup --tag round-N（⚠️ 修改前备份，不是修改后）
→ AI助手根据DeepSeek修复指令 + embedding_adversarial对抗结果修改代码
→ verify_output 验证 → 重新运行 Phase 5
→ 如果平均AIGC变高（退化）→ rollback_manager rollback 回滚到本轮备份
→ 如果平均AIGC < pass_threshold → 达标，进入Phase 8
→ 如果2轮后仍 > pass_threshold → 进入Phase 7 人机协作

Phase 7: 人机协作（仅在Phase 6两轮后仍不达标时执行）

human_collab.py → 输出高风险模块识别 + 人工修改指令 → [用户修改] → 检测模拟器(再次)

Phase 8: 收尾

doc_humanizer.py（软著说明书DOCX去AI化，无则跳过）
→ generate_git_history.py（仿真Git历史，自动读取codegx.yaml的time_range）
→ fix_timestamps.py（文件时间戳，自动读取codegx.yaml的time_range）
→ audit_helper.py（审查指标）
→ generate_report.py（综合报告）
→ e2e_test.py（端到端集成测试）

关键：

• Phase 1只在关键工具（ast/cfg/algo）后验证，避免9次冗余验证
• Phase 4跳过Layer4（LLM启发式），LLM打分统一由Phase 5 DeepSeek负责
• Phase 6的迭代修复参考embedding_adversarial的对抗结果（合并了原Phase 3）
• Phase 6的备份在修改前执行，退化时可回滚
• Phase 8的generate_git_history和fix_timestamps自动读取codegx.yaml的统一time_range配置
• deepseek_review.py 必须用 --threshold 0
• 达标阈值：平均AIGC < pass_threshold（默认30）
• 多模型嵌入对抗支持自动降级（GPU不可用时降级到单模型+TF-IDF）

快速端到端测试：

# Phase 0: 提取+备份+风险扫描
python scripts/docx_extractor.py <文件.docx> <输出目录> --verbose
python scripts/rollback_manager.py backup <输出目录> --tag pre-optimize
python scripts/analyze_risk.py <输出目录> --output risk_report.json --verbose

# Phase 1-4: 变换+验证+检测模拟（pipeline_runner自动编排）
python scripts/pipeline_runner.py <输出目录> --output report.json --verbose

# Phase 5: DeepSeek 评审（必须单独执行或用 --deepseek-api-key 参数）
python scripts/deepseek_review.py <输出目录> --api-key <key> --threshold 0 --output review.json --verbose

# Phase 6: 迭代修复（如需）— AI助手根据DeepSeek+对抗结果修改代码，最多2轮

# Phase 8: 收尾（自动读取codegx.yaml的time_range）
python scripts/generate_git_history.py <输出目录> --commits 45
python scripts/fix_timestamps.py <输出目录>
python scripts/generate_report.py --original <原始> --optimized <输出目录> --output report.md
python scripts/e2e_test.py <输出目录> --verbose

各工具独立用法：

# 检测模拟器
python scripts/detection_simulator.py <代码目录> --output sim_report.json --verbose
python scripts/detection_simulator.py <代码目录> --external-only  # 只运行外部验证

# 对抗训练
python scripts/adversarial_trainer.py <代码目录> --target-score 35 --max-iterations 5
python scripts/adversarial_trainer.py --calibrate feedback.json  # 校准分类器
python scripts/adversarial_trainer.py --validate  # 验证分类器准确率

# 多模型嵌入对抗
python scripts/embedding_adversarial.py <代码目录> --models codebert,codet5,graphcodebert
python scripts/embedding_adversarial.py <代码目录> --cpu-only  # CPU降级模式

# 人机协作
python scripts/human_collab.py <代码目录> --output collab_plan.md

# 动态阈值
python scripts/threshold_manager.py <代码目录> --standard national_2025 --risk-profile

# LLM多模型分类
python scripts/llm_classifier_test.py <代码目录> --multi --provider qwen

# DeepSeek 评审（token 极致优化：缓存/预筛选/批量合并）
python scripts/deepseek_review.py <代码目录> --api-key <key> --output review.json --verbose
python scripts/deepseek_review.py <代码目录> --api-key <key> --apply  # 自动修复

# 死代码检测
python scripts/dead_code_detector.py <代码目录> --output dead_code.json --verbose
python scripts/dead_code_detector.py <代码目录> --fix  # 自动删除未使用代码

# 跨维度一致性检查
python scripts/consistency_checker.py <代码目录> --output consistency.json --verbose

增量处理与并行处理

增量处理（--since）

# 只处理最近5个commit变更的文件
python scripts/ast_deep_transformer.py <代码目录> --since HEAD~5

并行处理（--parallel）

# 使用4个进程并行处理
python scripts/ast_deep_transformer.py <代码目录> --parallel 4

框架特定策略

针对中国软著常见框架的专项反检测策略：

AI助手全局审查（工具跑完后必须执行）

所有工具跑完后，AI助手必须自己做一次全局审查。不是"提示用户检查"，而是AI助手自己负责到底。

核心原则：AI助手模拟检测系统的方式去自测，不是主观判断"看起来合理"，而是用检测系统会用的方法去验证。

第一轮：模拟检测系统验证

这一轮的每一项都对应检测系统的一个具体检测动作。AI助手必须逐项执行，每项给出明确的PASS/FAIL判定和量化依据。

防线①：代码风格指纹验证

防线②：海量库比对验证

防线③：逻辑一致性验证

防线④：元数据识别验证

防线⑤：环境真实性验证

第二轮：交叉矛盾扫描

维度间一致性比单维度通过更重要。检测系统的混合检测链会交叉验证，任何矛盾都会被标记。

扫描清单

扫描方法

AI助手按以下顺序扫描：

1. 随机抽取3个文件，逐文件检查上述10类矛盾
2. 检查项目级一致性（Git风格、命名风格、注释风格是否全局统一）
3. 检查时间线逻辑（文件创建时间→代码功能→Git提交→文档修改的时间线是否自洽）

最终断言

两轮审查完成后，AI助手必须给出最终断言。这是强制性的，不能跳过。

断言格式

## 全局审查结果

### 第一轮：模拟检测系统验证

| 检测项 | 结果 | 依据 |
|-------|------|------|
| 困惑度 | PASS/WARN/FAIL | 具体说明 |
| AST指纹 | PASS/WARN/FAIL | 具体说明 |
| CFG拓扑 | PASS/WARN/FAIL | 具体说明 |
| 高频模块 | PASS/WARN/FAIL | 具体说明 |
| 通用工具类 | PASS/WARN/FAIL | 具体说明 |
| 注释模式 | PASS/WARN/FAIL | 具体说明 |
| 死代码 | PASS/WARN/FAIL | 具体说明 |
| TODO质量 | PASS/WARN/FAIL | 具体说明 |
| 风格矛盾 | PASS/WARN/FAIL | 具体说明 |
| AI隐式标识 | PASS/WARN/FAIL | 具体说明 |
| 时间戳一致性 | PASS/WARN/FAIL | 具体说明 |
| Git历史真实性 | PASS/WARN/FAIL | 具体说明 |
| 迭代痕迹 | PASS/WARN/FAIL | 具体说明 |

### 第二轮：交叉矛盾扫描

| 矛盾类型 | 结果 | 说明 |
|---------|------|------|
| 代码vs注释风格 | PASS/WARN/FAIL | 具体说明 |
| 文档vs代码 | PASS/WARN/FAIL | 具体说明 |
| 时间戳vs成熟度 | PASS/WARN/FAIL | 具体说明 |
| 痕迹密度 | PASS/WARN/FAIL | 具体说明 |
| 死代码vs注释代码 | PASS/WARN/FAIL | 具体说明 |
| Git风格vs注释风格 | PASS/WARN/FAIL | 具体说明 |

### 最终判定

- FAIL项数：X
- WARN项数：X
- 整体判定：PASS / 需要补充 / 不通过

### 已自动修复的问题
（列出AI助手在审查过程中自动修复的问题）

### 需要用户自行补充的内容
（列出AI助手无法自动修复、需要用户手动补充的内容，如：录屏、编译日志、IDE配置等）

断言规则

• 任何一项FAIL → AI助手必须在输出前自动修复，修复后重新验证该项
• WARN项数 > 3 → AI助手必须优化到WARN ≤ 2
• 所有项PASS或WARN ≤ 2 → 可以输出最终结果
• 无法自动修复的项（如环境真实性中的"录屏""编译日志"）→ 明确告知用户需要做什么，给出具体操作步骤

详细策略参考

工具清单

审查报告模板

全局审查完成后，使用 templates/audit_report.md 模板输出标准化审查报告。