Metadata-Version: 2.4
Name: autoforgeai
Version: 2.7.12
Summary: AutoForge AI-powered multi-agent development platform
Author: AlyciaBHZ
License-Expression: MIT
Project-URL: Homepage, https://github.com/AlyciaBHZ/autoforge
Project-URL: Repository, https://github.com/AlyciaBHZ/autoforge
Project-URL: Issues, https://github.com/AlyciaBHZ/autoforge/issues
Keywords: ai,agents,code-generation,multi-agent,llm,automation
Classifier: Development Status :: 4 - Beta
Classifier: Intended Audience :: Developers
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Classifier: Programming Language :: Python :: 3.12
Classifier: Programming Language :: Python :: 3.13
Classifier: Topic :: Software Development :: Code Generators
Requires-Python: >=3.10
Description-Content-Type: text/markdown
License-File: LICENSE
Requires-Dist: anthropic>=0.84.0
Requires-Dist: python-dotenv>=1.0.0
Requires-Dist: rich>=13.0
Requires-Dist: pyyaml>=6.0
Requires-Dist: InquirerPy>=0.3.4
Requires-Dist: tomli-w>=1.0
Requires-Dist: tomli>=2.0.2; python_version < "3.11"
Requires-Dist: aiosqlite>=0.20.0
Requires-Dist: httpx>=0.27
Provides-Extra: openai
Requires-Dist: openai>=1.0; extra == "openai"
Provides-Extra: google
Requires-Dist: google-genai>=1.0; extra == "google"
Requires-Dist: google-auth>=2.0; extra == "google"
Provides-Extra: search
Requires-Dist: duckduckgo-search<9.0,>=7.0; extra == "search"
Requires-Dist: html2text>=2024.2; extra == "search"
Provides-Extra: channels
Requires-Dist: fastapi>=0.115.0; extra == "channels"
Requires-Dist: uvicorn>=0.32.0; extra == "channels"
Requires-Dist: python-telegram-bot>=21.0; extra == "channels"
Provides-Extra: all
Requires-Dist: openai>=1.0; extra == "all"
Requires-Dist: google-genai>=1.0; extra == "all"
Requires-Dist: google-auth>=2.0; extra == "all"
Requires-Dist: duckduckgo-search<9.0,>=7.0; extra == "all"
Requires-Dist: html2text>=2024.2; extra == "all"
Requires-Dist: fastapi>=0.115.0; extra == "all"
Requires-Dist: uvicorn>=0.32.0; extra == "all"
Requires-Dist: python-telegram-bot>=21.0; extra == "all"
Dynamic: license-file

```
     _         _        _____
    / \  _   _| |_ ___ |  ___|__  _ __ __ _  ___
   / _ \| | | | __/ _ \| |_ / _ \| '__/ _` |/ _ \
  / ___ \ |_| | || (_) |  _| (_) | | | (_| |  __/
 /_/   \_\__,_|\__\___/|_|  \___/|_|  \__, |\___|
                                       |___/
```

**AI 多智能体框架 — 自主科研推理 · 形式化证明 · 全栈项目生成**

[![Python 3.10+](https://img.shields.io/badge/python-3.10%2B-blue.svg)](https://python.org)
[![License: MIT](https://img.shields.io/badge/license-MIT-green.svg)](LICENSE)
[![Tests](https://img.shields.io/badge/tests-217%20checks-brightgreen.svg)](tests/)
[![Engines](https://img.shields.io/badge/engines-47%20modules-orange.svg)](autoforge/engine/)

[English](docs/README_EN.md) | [开发者文档](CLAUDE.md)

---

## 目录

- [安装与配置](#安装与配置)
  - [安装](#安装)
  - [首次运行引导](#首次运行引导)
  - [支持的 LLM 提供商](#支持的-llm-提供商)
  - [系统要求](#系统要求)
- [三种工作模式](#三种工作模式)
- [学术与科研能力](#学术与科研能力)
  - [端到端文章推理](#端到端文章推理)
  - [形式化验证与定理证明](#形式化验证与定理证明)
  - [自主科研发现](#自主科研发现)
  - [论文全流程](#论文全流程)
  - [论文复现管线](#论文复现管线)
  - [核心技术来源](#核心技术来源)
  - [算法优先架构](#算法优先架构)
- [工程能力](#工程能力)
  - [5 阶段流水线](#5-阶段流水线)
  - [6 智能体协作](#6-智能体协作)
  - [智能引擎](#智能引擎)
- [CLI 命令参考](#cli-命令参考)
- [守护进程模式](#守护进程模式)

---

## 安装与配置

### 安装

```bash
pip install autoforgeai       # 从 PyPI 安装
forgeai                      # 启动（首次运行自动进入配置引导）
```

<details>
<summary>可选依赖</summary>

```bash
pip install "autoforgeai[openai]"    # OpenAI 支持
pip install "autoforgeai[google]"    # Google Gemini 支持
pip install "autoforgeai[search]"    # Web 搜索能力
pip install "autoforgeai[channels]"  # Telegram / Webhook 频道
pip install "autoforgeai[all]"       # 全部安装
```

</details>

<details>
<summary>从源码安装</summary>

```bash
git clone https://github.com/AlyciaBHZ/autoforge.git
cd autoforge
pip install -e ".[all]"
```

</details>

### 首次运行引导

首次运行 `forgeai` 会自动进入交互式配置向导，全部步骤均可跳过（Ctrl+C），之后随时用 `forgeai setup` 重新配置：

```
步骤 1 │ 配置 LLM 提供商（可选）
       │   选择 Anthropic / OpenAI / Google（可多选）
       │   每个提供商支持多种认证方式（API Key、OAuth、Bedrock、Vertex AI 等）
       │   选择强模型（Director/Architect 使用）和快模型（Builder/Tester 使用）
       │
步骤 2 │ 预算上限（默认 $10）
       │
步骤 3 │ 并行 Builder 数量（默认 3，最多 8）
       │
步骤 4 │ Docker 沙盒（可选，用于隔离构建环境）
       │
步骤 5 │ GitHub 环境
       │   自动检测 git 和 gh CLI
       │   可选配置自动推送到 GitHub
```

配置保存在 `~/.autoforge/config.toml`，也可以通过环境变量覆盖。

### 支持的 LLM 提供商

| 提供商 | 环境变量 | 强模型 | 快模型 |
|--------|----------|--------|--------|
| **Anthropic** | `ANTHROPIC_API_KEY` | Claude Opus 4.6 | Claude Sonnet 4.5 |
| **OpenAI** | `OPENAI_API_KEY` | Codex 5.3、o3、GPT-4o | o4-mini、GPT-4o-mini |
| **Google** | `GOOGLE_API_KEY` | Gemini 2.5 Pro | Gemini 2.5 Flash、Gemini 2.0 Flash |

**支持的认证方式：**

| 认证方式 | 适用提供商 | 说明 |
|----------|-----------|------|
| API Key | 全部 | 最简单，推荐入门使用 |
| Codex OAuth | OpenAI | 浏览器登录，使用 ChatGPT 订阅额度 |
| Device Code | OpenAI | 无头/SSH 环境 |
| OAuth2 Client Credentials | Anthropic、OpenAI | 企业级 |
| Bearer Token + Custom URL | Anthropic、OpenAI | Azure、LiteLLM 等代理 |
| Amazon Bedrock | Anthropic | AWS Profile / Access Key / Instance Role |
| Google Vertex AI | Anthropic | GCP Project + ADC |
| ADC / Service Account | Google | Google Cloud 原生认证 |

支持跨厂商混搭模型：

```bash
export FORGE_MODEL_STRONG=o3              # 强模型用 OpenAI
export FORGE_MODEL_FAST=gemini-2.5-flash  # 快模型用 Google
```

### 系统要求

- **Python 3.10+** — [python.org](https://python.org)
- **至少一个 LLM API Key** — [Anthropic](https://console.anthropic.com/) / [OpenAI](https://platform.openai.com/api-keys) / [Google](https://aistudio.google.com/apikey)
- **Git**（推荐）— 用于 Worktree 隔离并行构建
- **Docker**（可选）— 用于沙盒执行
- **Lean 4**（可选）— 用于形式化定理证明

---

## 三种工作模式

配置完成后，`forgeai` 进入交互式会话，第一步选择工作模式：

```
? Select mode:
❯ Development — generate complete runnable projects
  Academic — scientific reasoning, theorem proving, theory evolution
  Verification — review & verify existing codebases
```

| 模式 | 用途 | 支持的操作 |
|------|------|-----------|
| **Development** | 全栈项目生成 | 生成新项目、导入并增强已有项目 |
| **Academic** | 科研推理与定理证明 | 生成研究项目、分析已有代码库 |
| **Verification** | 代码审查与验证 | 审查项目质量、安全性、架构 |

每种模式下可进一步设置预算和并行度，然后用自然语言描述任务即开始。

---

## 学术与科研能力

AutoForge 内置完整的学术科研流水线，可作为 AI 驱动的自主科研助手使用——从输入一篇论文到输出一篇新论文，全部自动化。

### 端到端文章推理

> 输入任意一篇论文，自动完成：**解析 → 理论图谱构建 → 声明验证 → 形式-非形式交错推理 → Lean 4 形式化 → 自主发现 → Elo 假说排序 → 推理扩展 → 同行评审 → 输出新论文**

核心编排模块：[`article_reasoning.py`](autoforge/engine/article_reasoning.py) — 统一 8 阶段管线

### 形式化验证与定理证明

| 模块 | 功能 | 技术方法 |
|------|------|----------|
| [Lean 4 MCTS 证明搜索](autoforge/engine/provers/proof_search.py) | 策略空间蒙特卡洛树搜索 | HILBERT 递归分解 + COPRA + STP |
| [Lean Lake 集成](autoforge/engine/provers/lean_lake.py) | 真实 Lean 4 编译与 Mathlib 项目管理 | Lake 构建系统，32 组概念→import 映射 |
| [Pantograph REPL](autoforge/engine/provers/pantograph_repl.py) | 增量策略应用，无需全量编译 | TACAS 2025，机器-机器 Lean 4 交互，BFS/DFS 搜索 |
| [GRPO 可验证奖励训练](autoforge/engine/rl_proof_search.py) | 组相对策略优化 + 脚手架渐进 RL | DeepSeek-Prover-V2 (88.9% miniF2F) + Scaf-GRPO |
| [Kimina 交错推理](autoforge/engine/recursive_decomp_prover.py) | 非形式-形式交错单次生成证明 | Kimina-Prover (80.7% miniF2F) |
| [DPO 策略优化](autoforge/engine/proof_embedding.py) | 直接偏好优化，免奖励模型 | BFS-Prover-V2 state-tactic DPO |
| [多证明器交叉验证](autoforge/engine/provers/multi_prover.py) | Coq、Isabelle、TLA+、Z3/SMT、Dafny | 6 后端并行验证 |
| [密集嵌入检索](autoforge/engine/dense_retrieval.py) | 前提选择替代 Jaccard | ReProver/LeanDojo 风格 + FAISS |
| [证明嵌入迁移](autoforge/engine/proof_embedding.py) | 跨领域策略迁移学习 | 向量记忆库 + FAISS + 经验追踪 |
| [标准基准评测](autoforge/engine/benchmark_eval.py) | miniF2F / PutnamBench / LeanWorkbook / ProofNet | Pass@k 无偏估计 |

### 自主科研发现

| 模块 | 功能 | 技术方法 |
|------|------|----------|
| [自主定理发现](autoforge/engine/autonomous_discovery.py) | 从论文提取核心 → 生成猜想 → 过滤新颖性 → 评估深度 | DomainContext 模板 + Thompson 采样策略选择 |
| [Elo 假说锦标赛](autoforge/engine/autonomous_discovery.py) | 假说两两对决 → Elo 排序 → 筛选最优 | Google AI Co-Scientist (2025) 风格 |
| [自对弈猜想生成](autoforge/engine/self_play_conjecture.py) | 双智能体 Conjecturer/Prover 对弈 | STP (ICML 2025) + 贝叶斯难度校准 |
| [推理核心自增长](autoforge/engine/reasoning_extension.py) | 从最小公理核心出发，迭代生成深层结论 | Thompson 采样 + 出版级质量门控 |
| [跨领域科学推理](autoforge/engine/theoretical_reasoning.py) | TheoryGraph + 超图 n 元关系 + 12 种推理策略 | SciAgents HyperEdge + 10 种验证模式融合 |
| [结构化世界模型](autoforge/engine/world_model.py) | TheoryGraph 时序查询层 + 跨会话持久化 | Kosmos (2025) |
| [课程学习](autoforge/engine/curriculum_learning.py) | 复杂度排序 + 正迁移追踪 | LeanAgent (ICLR 2025) |

### 论文全流程

| 模块 | 功能 | 技术方法 |
|------|------|----------|
| [闭环实验管线](autoforge/engine/experiment_loop.py) | 假设 → 代码 → 运行 → 分析 → 消融实验 → 迭代 | AI Scientist v2 |
| [自动论文撰写](autoforge/engine/paper_writer.py) | LaTeX 生成 + BibTeX + 图表 + 模板 | NeurIPS/ICML/ICLR/ArXiv 模板 |
| [文献检索与分析](autoforge/engine/literature_search.py) | 引用图谱遍历 + SPECTER2 语义搜索 + 全文分析 + 研究空白检测 | Semantic Scholar API + arXiv |
| [VLM 图表分析](autoforge/engine/vlm_figure.py) | 图表提取 → 视觉分析 → 数据提取 → 复现 → 验证 | 视觉语言模型 |
| [符号计算后端](autoforge/engine/symbolic_compute.py) | SymPy/SageMath 集成，LaTeX↔SymPy 双向转换 | 代数恒等式验证 + 极限/级数检查 |
| [同行评审模拟](autoforge/engine/peer_review.py) | 多审稿人 + 作者反驳 + 元审稿 + 迭代修改 | 6 种审稿角色 |

### 论文复现管线

AutoForge 支持从高层研究目标出发，自动推断相关论文并构建复现方案：

```bash
forgeai paper infer "improve sample efficiency in offline RL"   # 推断相关 ICLR 论文
forgeai paper benchmark                                         # 评估推断质量
forgeai paper reproduce "goal" --with-pdf --run-generate        # 端到端复现
```

管线流程：研究目标 → OpenReview 论文检索 → TF-IDF 排序匹配 → 信号提取 → 复现方案生成 → 可选自动执行

### 核心技术来源

| 技术 | 来源 | 关键创新 |
|------|------|----------|
| **GRPO 可验证奖励** | DeepSeek-Prover-V2 (2025, 88.9% miniF2F) | 组相对优势取代 PPO critic |
| **交错推理模式** | Kimina-Prover (2025, 80.7% miniF2F) | 非形式+形式交错单次生成 |
| **Pantograph REPL** | TACAS 2025 | 增量策略应用，10x+ 编译加速 |
| **DPO 策略偏好** | BFS-Prover-V2 (72.95% miniF2F) | 直接偏好优化免奖励模型 |
| **Elo 假说排序** | Google AI Co-Scientist (2025) | 两两对决动态排序 |
| **超图知识表示** | SciAgents + Hypergraph KG (2025) | n 元关系取代二元关系 |
| **达尔文自改写** | Darwin Gödel Machine (2025) | 演化自重写智能体宪法 |
| **脚手架渐进 RL** | Scaf-GRPO (2025, 44.3%↑ AIME) | 分层提示 + 渐进撤除 |
| **PUCT-MCTS** | AlphaProof (DeepMind, 2024) | AlphaZero 适配策略空间 |
| **递归分解** | HILBERT (NeurIPS 2025) | informal reasoner + prover + verifier + retriever |
| **自对弈猜想** | STP (ICML 2025, 28.5% LeanWorkbook) | 贝叶斯难度校准 50% 甜区 |
| **密集前提检索** | ReProver / LeanDojo (NeurIPS 2023) | FAISS 索引替代 Jaccard |
| **课程学习** | LeanAgent (ICLR 2025) | 复杂度排序 + 正迁移终身学习 |
| **闭环实验** | AI Scientist v2 (2025) | 假设→代码→执行→分析→消融→迭代 |
| **过程奖励模型** | CodePRM (2024) | 步级质量评估 |
| **语言强化学习** | Reflexion (NeurIPS 2023) | 语言化记忆 + 失败模式避免 |

### 算法优先架构

AutoForge 的学术引擎遵循 **"算法优先，LLM 兜底"** 的设计原则——每个声称的技术能力都有真实的算法实现，LLM 仅在算法失败或依赖缺失时作为后备。

**核心方法：用确定性计算替代 LLM prompt**

| 能力 | 算法实现 | 使用的库 | LLM 角色 |
|------|----------|----------|----------|
| 数值验证 | SymPy `lambdify` + `mpmath` 高精度计算 | `sympy` | 仅兜底 |
| 量纲分析 | `pint` 单位系统 + 量纲一致性检查 | `pint` | 仅兜底 |
| 对称性验证 | `PermutationGroup` 群论不变量 | `sympy` | 仅兜底 |
| 渐近分析 | `limit()` + `series()` 渐近展开 | `sympy` | 仅兜底 |
| 逻辑一致性 | `satisfiable()` 命题逻辑可满足性 | `sympy` | 仅兜底 |
| 统计检验 | Welch's t-test、KS 检验、Cohen's κ | `scipy.stats` | 仅兜底 |
| 策略/价值网络 | PyTorch MLP + 梯度下降训练 | `torch` | 冷启动时使用 |
| 代码质量评估 | AST 分析 + 沙箱执行 + 圈复杂度 | `ast`, `subprocess` | 仅深度分析 |
| 故障定位 | Tarantula/Ochiai 频谱分析 | `ast`, 统计计算 | 仅兜底 |
| 规则发现 | Apriori 关联规则挖掘 + Beta-Binomial 置信度 | `collections` | 仅兜底 |
| 文本梯度 | 有限差分梯度估计 + 动量累积 | 数值计算 | 仅兜底 |
| 策略检索 | BM25 + TF-IDF + FAISS 近邻搜索 | `faiss`, `sklearn` | 仅兜底 |
| 猜想生成 | SymPy 模式匹配 + 极限分析 + 数列规律检测 | `sympy` | 仅兜底 |
| 特征值分解 | `Matrix.diagonalize()` + 核/像空间 | `sympy` | 仅兜底 |

**12 个增长算子，12 种不同的数学算法：**

每个 GrowthOperator 拥有独立的 SymPy 实现，而非统一 dispatch 到同一个 LLM prompt：

| 算子 | 算法 | 示例 |
|------|------|------|
| `LIFT` | 常量→参数泛化 | `x²+1` → `a₀x²+a₁` |
| `FOLD` | 不动点求解 `f(x)=x` | `x²-x` → `{0, 1}` |
| `SPECIALIZE` | 符号替换实例化 | `f(x,y)` → `f(1,y)` |
| `DUALIZE` | 对偶变换（转置/逆/否定） | `A` → `A⁻¹, Aᵀ, -A` |
| `COMPOSE` | 函数复合 + 链式法则 | `f∘g` + `(f∘g)'` |
| `QUANTIZE` | 连续→离散 Riemann 近似 | `∫f(x)dx` → `Σf(xᵢ)Δx` |
| `COHOMOLOGICAL_EXTEND` | 核空间/像空间/秩 | `ker(A), im(A), rank` |
| `ERGODIC_LIMIT` | 极限 + 渐近展开 | `lim_{n→∞} 1/n = 0` |
| `FUNCTORIAL_TRANSFER` | 交换图验证 `h∘f = g∘h` | 图是否交换 |
| `MOTIVIC_LIFT` | 沿态射的拉回 | `f*(g) = f(g(x))` |
| `SPECTRAL_DECOMPOSE` | 特征值分解/对角化 | `A = PDP⁻¹` |
| `TENSOR_PRODUCT` | Kronecker 积 | `A⊗B` |

**每个模块内置 `algorithm_ratio` 监控：**

```python
engine = GrowthOperatorEngine()
engine.apply(GrowthOperator.SPECTRAL_DECOMPOSE, {"rows": [[2,1],[1,3]]})
print(engine.algorithm_ratio)  # 1.0 = 100% 算法路径，0.0 = 全部走 LLM
```

所有外部依赖均为可选（`torch`, `sympy`, `scipy`, `faiss`, `pint`），缺失时自动降级到 LLM 路径，不影响系统运行。

---

## 工程能力

AutoForge 同时也是一个全栈代码生成引擎——6 个 AI 智能体协作，将自然语言描述转化为完整可运行的代码项目。

### 5 阶段流水线

```
  "做一个带登录的 Todo App"
           │
           ▼
  ┌────────────────────────────────────────────────┐
  │  SPEC       Director 分析需求、拆解模块         │
  ├────────────────────────────────────────────────┤
  │  BUILD      Architect 设计架构                  │
  │             Builder 并行写代码，Reviewer 审查    │
  ├────────────────────────────────────────────────┤
  │  VERIFY     Tester 安装依赖、构建、运行测试      │
  │             失败自动生成修复任务                 │
  ├────────────────────────────────────────────────┤
  │  REFACTOR   Gardener 优化代码质量               │
  ├────────────────────────────────────────────────┤
  │  DELIVER    生成 README、整理结构、成本报告      │
  └────────────────────────────────────────────────┘
           │
           ▼
     workspace/my-todo-app/
```

另有两条专用管线：
- **Review 管线：** SCAN → REVIEW → REFACTOR → REPORT
- **Import 管线：** SCAN → REVIEW → ENHANCE → VERIFY → REFACTOR → DELIVER

### 6 智能体协作

| 智能体 | 角色 | 模型层级 |
|--------|------|----------|
| **Director** | 需求分析与范围界定 | Strong（强模型） |
| **Architect** | 系统设计与任务依赖图 | Strong（强模型） |
| **Builder** | 代码生成（可并行，最多 8 个） | Fast（快模型） |
| **Reviewer** | 代码审查与评分 | Fast（快模型） |
| **Tester** | 构建、测试、自动修复循环 | Fast（快模型） |
| **Gardener** | 重构与安全修复 | Fast（快模型） |

### 智能引擎

47 个内置引擎在构建全流程中自动协作：

- **MCTS 搜索树** — UCB1 选择 + PUCT 探索，真实的蒙特卡洛树搜索算法，支持 RethinkMCTS 兄弟节点修正
- **自然语言梯度反馈 (EvoMAC)** — 有限差分梯度估计 + 动量累积，拓扑优化基于梯度流剪枝
- **过程奖励模型 (CodePRM)** — AST 语法检查 + 导入解析 + 类型标注覆盖率 + 圈复杂度 + 沙箱测试通过率，复合评分替代 LLM 判断
- **自适应算力分配** — 关键词启发式 + 自校准偏差修正（指数滑动平均），95% 算法路径
- **语言强化学习 (Reflexion)** — TF-IDF 加权词重叠检索 + IDF 逆文档频率 + 指数时间衰减，真实的情景记忆评分
- **块级故障定位 (LDB)** — AST 基本块分解 + 变量活性分析 + Tarantula/Ochiai 频谱可疑度排名
- **函数级任务分解** — 依赖图拓扑排序 + 模块化分解
- **阶段预执行** — 流水线各阶段重叠并行，加速构建
- **达尔文自改写 (SICA)** — Welch's t-test A/B 测试 + 宪法冲突检测（NLP 向量余弦相似度），仅统计显著改进才接受
- **安全扫描 (RedCode)** — 18+ 正则模式匹配覆盖 CWE 分类，95% 算法路径
- **跨项目 RAG** — BM25+TF-IDF 混合跨项目代码检索
- **知识图谱自增长 (CapabilityDAG)** — 内容寻址去重 + BM25 检索 + DFS 传递闭包 + 合并冲突解决
- **跨项目演化 (Evolution)** — 真实遗传算法：softmax 适应度选择 + Jaccard 新颖性拒绝 + JSON 持久化
- **动态宪法学习** — Apriori 关联规则挖掘 + Beta-Binomial 贝叶斯置信度更新 + 命题逻辑冲突检测
- **条件辩论 (AgentDebate)** — Elo 评分系统 + TF-IDF 论证质量评估 + 形式逻辑一致性校验

<details>
<summary>成本估算</summary>

| 复杂度 | 示例 | 预估成本 |
|--------|------|:--------:|
| 简单 | Todo App、落地页 | $2–3 |
| 中等 | 博客系统、预约平台 | $4–6 |
| 复杂 | 电商 MVP、多角色平台 | $7–10 |

默认预算上限 $10，可通过 `--budget` 覆盖。

</details>

---

## CLI 命令参考

```bash
# 交互式（推荐）
forgeai                                        # 引导式会话

# 项目生成
forgeai generate "用 Flask + Vue 做书店管理系统"
forgeai generate "SaaS 落地页" --budget 3.00

# 代码审查
forgeai review ./my-project

# 导入增强
forgeai import ./my-project --enhance "加上暗色模式"

# 运行管理
forgeai status                                 # 查看所有项目
forgeai resume                                 # 恢复中断的任务
forgeai setup                                  # 重新配置

# 论文复现
forgeai paper infer "research goal"            # 推断相关论文
forgeai paper benchmark                        # 评估推断质量
forgeai paper reproduce "goal" --run-generate  # 端到端复现
```

全局可选参数：`--budget`、`--agents`、`--model`、`--mode`、`--mobile`、`--tdd`、`--verbose`

---

## 守护进程模式

AutoForge 可作为 24/7 后台服务运行，通过 CLI、Telegram 或 Webhook 接收构建请求：

```bash
forgeai daemon start                           # 启动守护进程
forgeai daemon status                          # 查看状态
forgeai daemon stop                            # 停止

forgeai queue "支持 Markdown 的博客系统"        # 排队构建
forgeai projects                               # 查看所有项目
forgeai deploy <project_id>                    # 显示部署指南
```

支持 systemd (Linux) 和 launchd (macOS) 系统服务安装，详见 `services/` 目录。

---

## 许可证

MIT
