AIPodCli 0.1.0

AI-native Python development framework

AIPodCli

AI 原生 Python 开发框架 — 让 AI 接管组件生成、依赖注入和管道编排。

AIPodCli 是一个 AI 原生的 Python 开发框架。它把 AI 深度集成到开发流程的每个环节：你描述需求，AI 生成组件代码；你描述业务指令，AI 规划执行管道。框架底层基于 injector 实现 IoC/DI 容器，在运行时自动组装和运行你（和 AI）构建的系统。

和传统开发框架的区别：

	传统框架	AIPodCli
写组件	你写	AI 生成，你审核
配依赖	你手动注入	AI 自动分析，DI 容器装配
编排流程	你写胶水代码	AI 规划管道，框架执行
配置管理	你写配置代码	AI 建议配置项，自动追加到 TOML
项目入口	你选技术栈	AI 根据描述决定（Flask/CLI/MQ...）

核心理念

人类描述需求 → AI 生成代码 → DI 容器自动组装 → Pipeline 管道执行

• 生成与执行分离：build 只生成代码，开发者自行决定何时、如何运行
• IoC/DI 容器：基于 injector，组件间依赖通过构造函数自动注入
• AI 代码生成：大模型根据需求 + 已有组件池，自动生成符合规范的组件
• 管道语法：(S(A) | S(B) | S(C)).execute_all(ctx) 串联组件
• PipelineContext：组件间通过共享上下文流转数据
• ConfigStore：集中式 TOML 配置，组件通过 DI 注入读取
• AST 安全检查：拦截 eval/exec/dunder 链等代码注入模式

快速开始

1. 安装

cd ai-code-cli
pip install -e .

2. 初始化项目

python -m ai_pod_cli init "一个电商库存管理的 RESTful API"

AI 会根据描述自主判断技术栈（Flask/FastAPI/CLI/RabbitMQ...），生成对应的入口文件：

.
├── cli.py (或 app.py / consumer.py)  ← AI 生成的入口
├── modules/                          ← AI 生成的组件
│   ├── __init__.py
│   └── requirements.txt
├── pipelines/                        ← AI 生成的管道文件
├── config.toml                       ← 项目配置（组件通过 ConfigStore 读取）
├── routes.toml                       ← 路由映射（build 自动注册）
├── beans_config.json                 ← 组件注册账本
├── .env                              ← 大模型 API 配置
└── .gitignore

3. 配置大模型

编辑 .env：

OPENAI_API_KEY=sk-your-real-key-here
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=deepseek-chat

支持任何 OpenAI 兼容 API（DeepSeek / Moonshot / Ollama 等）。

4. 完整工作流

# ① 创建组件（AI 自动生成代码 + 注册配置）
python -m ai_pod_cli create --category entity --name SqliteStore \
    --desc "SQLite存储组件，从ConfigStore读取database.sqlite_path，提供query/execute/insert方法"

python -m ai_pod_cli create --category entry --name DataCollector \
    --desc "生成随机销售记录写入ctx.set('raw_sales', list)"

python -m ai_pod_cli create --category entry --name DataWriter \
    --desc "依赖SqliteStore，从ctx读取raw_sales建表并逐条insert"

# ② 生成管道（AI 规划链路 → 保存文件 → 注册路由，不执行）
python -m ai_pod_cli build "采集销售数据并写入SQLite" --name collect_sales

# ③ 开发者自行运行
python cli.py collect_sales           # CLI 入口
# 或 flask run                        # Web 入口
# 或 python consumer.py               # 消息队列入口

命令参考

init — 初始化项目

python -m ai_pod_cli init "项目描述"
python -m ai_pod_cli init              # 不传描述，只创建骨架
python -m ai_pod_cli init "..." --install-deps  # 同时安装依赖

参数	说明
desc	项目描述，AI 据此判断技术栈并生成入口文件
--install-deps	自动安装 Python 依赖

AI 会自主决定：

• 项目类型：Flask / FastAPI / CLI / RabbitMQ / Kafka / APScheduler / WebSocket 等
• 入口文件名：app.py / main.py / consumer.py / scheduler.py 等
• 额外依赖：自动追加到 modules/requirements.txt

create — AI 生成组件

python -m ai_pod_cli create --category entry --name StockChecker \
    --desc "查询指定商品库存，库存为0则发送短信通知管理员"

参数	必填	说明
--name	✅	组件名称（必须与类名一致）
--category	✅	entry（业务组件）或 entity（基础实体）
--desc	✅	需求描述

AI 自动完成：

1. 从组件池中挑选依赖（DI 注入）
2. 生成完整代码（含 @inject 构造函数 + execute 方法）
3. 定义数据契约（inputs / outputs）
4. 如需要新配置项，自动追加到 config.toml（通过 tomlkit）
5. AST 安全检查（拦截 eval/exec/dunder 链）
6. 写入 modules/ 并注册到 beans_config.json

add — 注册人工编写的组件

python -m ai_pod_cli add --name CacheClient \
    --class-path my_infra.cache.CacheClient \
    --desc "Redis 缓存客户端"

参数	必填	说明
--name	✅	组件名称
--class-path	✅	完整类路径
--desc	✅	功能描述
--category	❌	默认 entity

build — AI 生成管道

# 生成管道文件 + 注册路由（不执行）
python -m ai_pod_cli build "采集销售数据并写入SQLite" --name collect_sales

# 列出所有已生成的管道
python -m ai_pod_cli build --list

参数	说明
cmd	自然语言业务指令
--name	自定义管道文件名（默认从指令自动生成）
--list	列出所有已保存的管道

build 做了什么：

1. AI 分析指令，规划组件执行链
2. 生成 pipelines/<name>.py 管道文件
3. AST 安全检查
4. 自动注册到 routes.toml
5. 不执行 — 由开发者通过入口文件运行

架构

生成与执行分离

┌─────────────────────────────────┐
│         开发时（生成）            │
│                                 │
│  init "描述"  → 入口文件         │
│  create       → 组件代码         │
│  build "指令" → 管道文件 + 路由   │
└─────────────────────────────────┘
              ↓
┌─────────────────────────────────┐
│         运行时（执行）            │
│                                 │
│  python app.py                  │
│    → Flask/FastAPI/CLI/MQ      │
│    → PipelineRunner            │
│    → routes.toml 路由匹配       │
│    → 加载 pipeline.run(ctx)     │
│    → DI 容器组装 + 管道执行      │
└─────────────────────────────────┘

PipelineRunner — 统一执行器

框架内置的 PipelineRunner 负责加载和执行管道：

from ai_pod_cli.runner import PipelineRunner

runner = PipelineRunner()              # 读取 routes.toml
runner.route_names()                   # ['collect_sales', ...]
result = runner.run("collect_sales", {"sku_id": 1001})

AI 生成的入口文件（Flask/CLI/MQ 等）内部都调用 PipelineRunner。

管道语法

from ai_pod_cli.container import build_container, Pod

def run(ctx: PipelineContext):
    container = build_container(load_config())
    S = Pod(container)

    # 管道符串联：依次执行 A → B → C，自动记录轨迹
    (S(DataCollector) | S(DataCleaner) | S(DataWriter)).execute_all(ctx)

    # 条件分支
    if ctx.get("stock", 0) <= 0:
        (S(StockNotifier)).execute_all(ctx)

    return ctx.summary()

PipelineContext — 数据流转

class DataProcessor:
    def execute(self, ctx: PipelineContext) -> dict:
        # 读取入口参数
        count = ctx.params.get("order_count", 5)

        # 读取上游数据
        raw = ctx.get("raw_orders", [])

        # 业务处理...

        # 写入共享数据池，供下游使用
        ctx.set("processed_orders", result)
        return {"status": "success"}

ConfigStore — 集中配置

组件通过 DI 注入 ConfigStore 读取 config.toml：

# config.toml
[database]
sqlite_path = "data.db"    # build 时 AI 自动建议追加

[redis]
host = "localhost"
port = 6379

class SqliteStore:
    @inject
    def __init__(self, config_store: ConfigStore):
        db_path = config_store.get("database.sqlite_path", "data.db")
        self.conn = sqlite3.connect(db_path)

routes.toml — 路由映射

build 命令自动注册，也可手动编辑：

[collect_sales]
pipeline = "pipelines/collect_sales.py"
description = "采集销售数据并写入SQLite"

[stock_alert]
pipeline = "pipelines/stock_alert.py"
description = "库存不足时发送预警"

项目结构

ai-code-cli/
├── pyproject.toml
├── requirements.txt
├── .env / .env.example
├── config.toml              ← 项目配置（用户 + AI 共同维护）
├── routes.toml              ← 路由映射（build 自动注册）
├── beans_config.json        ← 组件账本
├── cli.py                   ← AI 生成的入口（CLI 示例）
├── modules/                 ← AI 生成的组件
│   ├── sqlitestore.py
│   ├── datacollector.py
│   └── datawriter.py
├── pipelines/               ← AI 生成的管道
│   └── collect_sales.py
└── ai_pod_cli/              ← 引擎核心
    ├── cli.py               # CLI 参数解析
    ├── client.py            # 大模型客户端（含重试）
    ├── config.py            # 配置管理
    ├── config_store.py      # ConfigStore 实体
    ├── container.py         # DI 容器 + Pod 管道包装
    ├── context.py           # PipelineContext
    ├── runner.py            # PipelineRunner 执行器
    ├── security.py          # AST 安全检查
    ├── entities.py          # 内置实体（DbClient, SmsSender）
    └── commands/
        ├── init.py          # init 命令
        ├── create.py        # create 命令
        ├── add.py           # add 命令
        └── build.py         # build 命令

安全

AI 生成的代码经过 AST 静态扫描，拦截以下模式：

类型	拦截内容
危险函数	eval(), exec(), compile(), __import__()
dunder 链	__subclasses__, __mro__, __globals__, __builtins__ 等

不限制 import——这是本地开发工具，开发者对自己的代码负责。

配置

文件	用途	谁维护
.env	大模型 API 配置	开发者
config.toml	项目配置（DB路径、端口等）	开发者 + AI 建议追加
routes.toml	管道路由映射	AI 自动注册 + 开发者手动编辑
beans_config.json	组件账本	AI 自动维护

依赖

包	用途
openai	大模型 API 客户端
injector	IoC/DI 容器框架
python-dotenv	.env 环境变量加载
tomlkit	TOML 读写（保留格式和注释）

License

MIT