Pi-Loop-Dev · Multi-Agent Self-Enhancing Dev Runtime
基于控制论的自治式 AI 软件工程收敛运行时
PLD（Pi-Loop-Dev）是一个把"多智能体协同"升级为"自增强闭环"的研发运行时：从一份 DESIGN.md 出发，通过 Builder → Tester → Analyzer 控制论闭环持续迭代，让任意 OpenAI 兼容模型（无需 Claude / GPT 配额）稳定收敛到"测试全通过 + 规格对齐"的工程产物。它把 LLM 当不可控的执行器，用反馈回路套上可靠的控制系统——这是贤码智能在 AI 工程化方向上沉淀的核心方法论。
PLD 不追求让 LLM 更聪明，而是用工程化的控制回路让 LLM 的输出可验证、可收敛、可溯源、可回滚。
不需要顶级模型，也不需要配额。任意 OpenAI 兼容接口即可运行；真正决定结果的是围绕执行器的约束系统与反馈回路。
目标（DESIGN.md）→ 控制器 → 执行器（Builder / LLM）→ 被控对象（代码）→ 传感器（Tester + Analyzer）反馈回控制器，持续驱动收敛。
反馈可靠、执行器可约束、系统稳定、可观测、可控制——振荡检测 + 熔断 + 退化回滚 + 双收敛判定 + Failure Fingerprint。
自动扫描重复工作模式，沉淀为可批量、可并行执行的 Loop，让研发经验持续复利，而非一次性消耗。
AI 写代码从"看起来对"到"真正可用"之间横亘着七道鸿沟，PLD 逐一给出工程化解法。
LLM 生成"看起来对"但藏隐藏 bug，且自评几乎总是说"没问题"。PLD 只信任测试通过率（地面真值）+ 规格对齐双验证。
AI 工具要么无限循环、修了 A 坏 B，要么假收敛。PLD 用 6 模式状态机 + 熔断 + 双重判定给出收敛的工程保证。
AI 生成物进入代码库后成"暗物质"，无从追查。PLD 的 Provenance 协议 + 事件流让每个产物都可审计、可验证。
每个端点 / 数据模型都在重复造轮子。PLD 的 Loops 模块自动发现重复模式并批量并行执行。
工具绑定单一模型，换模型常需重写集成层。PLD 每 Agent 独立配模型、双后端一行切换、Advisor 交叉验证。
语法错误要等到 pytest 启动才发现，每次往返浪费 10-30s。PLD 的 TTSR + LSP 在生成时 / 生成后立即拦截。
硬编码返回值、mock 掉逻辑、改测试让它们通过——测试 100% 但代码不能用。PLD 用四层防线系统化对抗。
一套把"AI 写代码"从概率游戏变成工程系统的控制论运行时
6 模式 RepairMode 状态机（INITIAL / TEST_FIX / SPEC_COMPLETION / OSCILLATION_BREAK / REGRESSION_RECOVERY / FINAL_VERIFICATION），按 test_pass_rate 自动切换；Hysteresis 防抖 + Circuit Breaker 熔断。
自动拒绝 bare except / return expected / @pytest.mark.skip / 生产代码中的 mock / 测试文件删除——从源头挡住"走捷径"的 patch。
TTSR 在 token 流生成时实时拦截 + LSP Sensor 预测试诊断（1-2s）+ 增量测试（每 3 轮全量校准），反馈从 10-30s 压缩到 <2s。
集成 Proofpress 溯源协议，为每个产物生成不可篡改 capsule（模型 / 迭代轮次 / pass_rate / 收敛状态）；20 种事件类型持久化到 EventStore。
opencode（默认轻量）/ omp（Rust 运行时，支持 LSP/TTSR/Advisor/DAP）一行切换；每 Agent 独立配置模型，Advisor 第二模型旁观提供交叉验证。
pld scan 发现重复模式 → spec 生成规格 → loop-run 批量执行 → run-dag 并行调度，把重复工程任务变成可复用、可并行的自动化资产。
不是一次生成，而是 Builder → Tester → Analyzer 的自治式迭代循环，直到双重收敛。
把"AI 写代码"的能力，沉淀为可度量、可复用的运行时资产。
难点不在于单点算法，而在于把"多智能体协同"稳定、可复用地工程化为自增强闭环。
把 LLM 当执行器而非决策者，用负反馈回路驱动其稳定收敛——任意 OpenAI 兼容接口即可运行，不绑定顶级模型与配额。
测试通过率 + 规格对齐双重判定，配合 FINAL_VERIFICATION 防假收敛，让"完成"从主观宣称变为工程保证。
Formal Guards 形式化拒绝 + TTSR 生成时拦截 + Advisor 第二模型旁观 + Analyzer 规格复核，交叉验证大幅降低漏检率。
自动挖掘历史中的重复模式并沉淀为可批量执行的 Loop，让研发经验持续复利，而非随项目结束而流失。
把技术能力转化为可量化、可复用的业务价值。
该产品的介绍内容已基于内部资料整理上线，以下为后续可继续深化的方向：
浏览贤码智能在其他领域的 AI 产品与解决方案