squall (D Sado88)

斯考尔

MCP服务器，并行向多个AI模型发送提示。内置Rust 克劳德代码.

为什么有多种型号

没有一个模型能找到一切。不同的模型有不同的优势、不同的盲点和不同的故障模式。当你向五个模型发送相同的评论时，你会得到一个附加信号——一个捕获并发错误，另一个发现身份验证差距，第三个发现错误处理中的边缘情况。

重叠带来了信心。分歧提供了覆盖范围。一种模型持续发现资源泄漏，而另一种模型则捕捉到配置缺口，两者都无法单独发现。裁员不是浪费，这才是重点。

Squall跟踪每个模型的性能——延迟、成功率、失败模式——Claude使用这些指标为每次审查选择最佳的集成。一个不计时的模型会被基准测试。当身份验证文件更改时，会选择一个在安全敏感代码上发光的模型。选择会随着时间的推移而调整。

Squall被用来构建和验证自己——大约10k行Rust和大约13k行测试，在几天的时间里编写和审查，每一步都有持续的多模型反馈。

快速启动

先决条件

• 锈 工具链（稳定）
• 克劳德代码 已安装CLI(claude 命令可用）
• 至少一个API密钥（见下文）

安装

git clone https://github.com/DSado88/squall.git
cd squall
cp .env.example .env
# Fill in your API keys — see .env.example for signup links
./install.sh

安装脚本：

1. 检查一下 .env 存在并且至少有一个API密钥
2. 生成发布二进制文件并将其复制到 ~/.local/bin/squall
3. 将Squall注册为全局MCP服务器 ~/.claude.json （注入API密钥）
4. 将技能（斜线命令）安装到 ~/.claude/skills/

重新启动Claude代码（或运行 /mcp)拿起新服务器。

API密钥

填写你所拥有的，跳过你没有的。模型只有在设置了密钥时才会加载。

验证

询问克劳德代码： *“列出可用的风暴模型”*。如果Squall已连接，它将呼叫 listmodels 并显示可用的内容。

更新中

拉取新更改后：

./install.sh          # rebuild + reinstall
./install.sh --skills # skills only (skip build)
./install.sh --build  # build only (skip skills)

工具

Squall向Claude Code公开了七个工具。

审查

旗舰工具。并行向多个模型扇出提示。每个模型都可以通过以下方式获得不同的专业镜头 per_model_system_prompts --一个关注安全性，另一个关注正确性，还有一个关注架构。

当所有模型完成或离散截断触发时返回（默认180秒）。未及时完成的模型会返回部分结果。结果持续到 .squall/reviews/ 因此，它们在上下文压缩中幸存下来——如果克劳德的上下文窗口重置 results_file 这条路仍然有效。

关键参数：

• models --要查询哪些模型（如果省略，则默认为config）
• per_model_system_prompts --模型名称到专业镜头的映射
• deep: true --将超时时间提高到600秒，推理努力提高到很高，最大令牌数提高到16384
• diff --在提示中包含统一的差异文本
• file_paths + working_directory --作为上下文注入的源文件

成功率低于70%（超过5+条评论）的模型将被硬门自动排除在外。这可以防止已知的损坏模型浪费调度槽。

聊天

通过HTTP（与OpenAI兼容的API）查询单个模型。通过 file_paths 和 working_directory 将源文件作为上下文注入。适用于针对特定模型的一次性问题。

叮当声

将单个CLI模型（gemini、codex）作为子流程进行查询。该模型通过其本机CLI访问文件系统——它可以直接读取您的代码。当你需要一个可以看到整个项目的模型时，而不仅仅是你传递的文件，这很有用。

列表模型

列出所有可用的模型及其元数据：提供者、后端、速度层、精度层、优势和劣势。之前叫这个 review 看看有什么可用的。

记住

将学习保存到持久记忆中。三类：

• 模式 --在评论中反复出现的发现（例如，“中止后的JoinError会悄无声息地引发恐慌”）
• 战术 --有效的快速策略（例如，“Kimi需要一个安全镜头来发现真正的漏洞”）
• 推荐 --模型推荐（例如，“deepseek-v3.1是Rust评论中最快的”）

重复模式会自动与证据计数合并。达到5次出现的模式将获得确认状态。作用域为分支或代码库，从git上下文中自动检测。

记忆

读取持久内存。返回模型性能统计数据、重复模式、经过验证的即时策略或具有最近加权置信度的模型推荐。在评论之前调用此功能，以告知型号选择和镜头分配。

冲洗

PR合并后清理分支范围的内存。将高证据模式转换为代码库范围，存档其余内容，并修剪超过30天的模型事件。

模型

三个调度后端： 超文本传输协议 （OpenAI兼容）， 命令行界面 （子流程，OAuth），以及 异步轮询 （深入研究，发起民意调查）。

所有型号均可通过TOML进行配置。添加自己的模型、交换提供者或覆盖默认值。

配置

Squall使用三层TOML配置系统。后面的图层会覆盖前面的图层：

1. 内置默认值 --13个型号，5个供应商，随二进制文件一起提供
2. 用户配置 (~/.config/squall/config.toml)--个人优先权
3. 项目配置 (.squall/config.toml)--项目特定设置

添加自定义模型

[providers.custom]
base_url = "https://my-api.example.com/v1/chat/completions"
api_key_env = "CUSTOM_API_KEY"

[models.my-model]
provider = "custom"
backend = "http"
description = "My custom model"
speed_tier = "fast"
strengths = ["domain expertise"]

查看默认值

当 models 省略了a review call，Squall分派到这些默认值：

[review]
default_models = ["gemini", "codex", "grok"]

在用户或项目配置中重写以更改默认集成。

记忆

Squall从每次审查中学习，并利用所学知识做出更好的决定。

三个文件 .squall/memory/:

• 型号.md --每种型号的性能统计数据（延迟、成功率、常见故障）。每次审核后自动更新。Claude在每次评论之前都会阅读这篇文章来挑选模型，Squall的硬门会使用它来自动排除成功率低于70%的模型。

• patterns.md --在证据统计的审查中反复出现的发现。多个模型在多个评论中发现的模式得到了确认。自动修剪最多50个条目。

• 战术.md --经过验证的系统提示和型号+镜头组合。Claude阅读此文是为了为每个模型分配正确的专业知识镜头——例如，“Kimi在Rust代码上以安全为重点的镜头表现最佳。”

学习循环

1. 评审前 --克劳德打电话来 memory 检查哪些型号性能良好，哪些镜头工作，以及哪些模式不断重复出现。这会推动型号选择和提示分配。
2. 审核后 --克劳德打电话来 memorize 记录什么有效：哪个模型发现了什么，哪个镜头有效，哪个模型遗漏了明显的东西。
3. PR合并后 --呼叫 flush 带有分支名称。毕业生高证据模式到代码库范围，其余部分存档。

结果：评论会随着时间的推移而变得更好。持续失败的模型被排除在外。产生良好效果的镜头分配可以重复使用。该系统无需手动调整即可适应。

全局内存

当与 global-memory Squall还维护了一个DuckDB数据库，位于 ~/.local/share/squall/global.duckdb。这跟踪所有项目的模型性能：

• 跨项目情报 --延迟百分位数、成功率和令牌成本汇总在您使用Squall的每个项目中。一个对Python审查快速但对Rust审查缓慢的模型将显示每个项目的不同统计数据。
• 自动记录 --每一个 chat, clink，以及 review 调用记录模型事件（延迟、令牌、成功/失败、项目上下文）。无需手动操作。
• 全球建议 — memory 与类别 recommend 返回由所有项目（而不仅仅是当前项目）通知的近因加权模型建议。
• 本地优先 --数据库位于您的计算机上。没有任何东西被发送到任何地方。

禁用：使用构建 --no-default-features.基于文件的内存(.squall/memory/)独立工作，随时可用。

技能

用壁球船 Claude代码技能 --提示模板，教Claude如何编排工具。您可以使用自然语言或斜线命令触发它们：

自动深度审查

Claude会根据更改的内容自动选择正确的审核强度：

对于STANDARD和DEEP，Claude在外部模型调度的同时创建了一个后台代理。外部模型只看到提示中的内容——代理可以完全访问您的代码库。它读取更改的文件，跟踪调用者，检查测试覆盖率，运行 git blame，并使用greps查找相关模式。这是静态文本分析无法提供的视角：跨文件交互、测试间隙和git历史上下文。

对于SWARM，Claude通过代理团队培养了3个独立的代理——每个代理都有不同的视角（安全性、正确性、架构）。每个代理都会进行自己的本地调查，并通过3个模型发送自己的Squall评论。团队负责人使用交叉引用矩阵对所有代理进行综合。如果代理团队不可用，SWARM会优雅地降级为DEEP。

克劳德读 memory 在每次审查之前，检查模型成功率、经过验证的战术和重复出现的模式，然后为这个特定的差异选择最佳的组合。你总是可以覆盖：“深度审查”强制deep，“快速审查”强制quick，“群体审查”强制swarm。

技能是markdown文件 .claude/skills/。他们教克劳德如何使用这些工具——他们不会改变服务器。

SWARM审查和研究集群需要Claude Code的实验代理团队具备以下特征：

{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

否则，SWARM自动降级为DEEP。研究群体根本不起作用。

运作原理

Claude Code (orchestrator)
    |
    +-- review -----> fan out to N models in parallel
    |                   |-- HTTP models get file content injected as context
    |                   |-- CLI models get filesystem access via subprocess
    |                   +-- straggler cutoff returns partial results for slow models
    |
    +-- memory/memorize/flush --> .squall/memory/ (per-project learning)
    |                        \-> ~/.local/share/squall/global.duckdb (cross-project stats)
    |
    +-- chat/clink --> single model query
    |
    +-- listmodels --> model discovery with metadata

克劳德是个聪明人。壁球是运输+记忆。Claude决定询问什么，查询哪些模型，以及如何综合结果。Squall处理经过身份验证的分派、文件上下文注入、并行扇出和持久学习——包括每个项目（markdown文件）和跨项目（DuckDB）。

安全

• 路径沙盒 --拒绝绝对路径， .. 遍历和符号链接转义
• 无外壳 --CLI调度使用带有离散参数的直接exec，没有shell插值
• 进程组终止 --超时会通过以下方式杀死整个进程树 kill(-pgid)不仅仅是领导者
• 五层超时 --每个模型（可配置）、离散器截止、MCP截止日期、HTTP客户端超时、进程组终止
• 封顶阅读 --HTTP响应：2MB。CLI输出：上限。文件上下文：通过元数据预先检查
• 并发限制 --信号量：8个HTTP、4个CLI、4个异步轮询。防止并行扇出时资源耗尽
• 无级联错误 --MCP结果从未设置 is_error: true，防止Claude Code兄弟工具故障
• 错误清理 --面向用户的消息永远不会泄露内部URL或凭据
• 输入净化 --所有用户输入（内容、标签、元数据、范围）都针对内存文件中的换行注入进行了清理

贡献

设置

cargo build
cargo test
cargo clippy --all-targets -- -D warnings

所有测试必须通过。零剪贴警告。回形针 all 林惇被拒绝了。

预承诺

在推送之前，请在本地运行完整的检查套件：

./scripts/pre-commit.sh

这运行： rustfmt --check、clippy（默认+无默认功能）、测试（默认+没有默认功能）。在CI中，每次推送和PR都会运行相同的检查。

添加模型

为内置默认值 --添加a [models.name] 进入 BUILTIN_DEFAULTS 在 src/config.rsHTTP模型需要一个提供程序 base_url 和 api_key_env.CLI模型需要一个解析器 src/dispatch/cli.rs.

个人使用 --添加到 ~/.config/squall/config.toml相同的TOML格式，无需更改代码。

拉取请求

• 每个PR一个功能
• 新行为测试
• ./scripts/pre-commit.sh 提交前清洁