shenlian19831109/progmune-runtime

Progmune Runtime（免序）

程序免疫学：为 AI 生成代码构建可信赖的免疫系统

---

💡 核心价值：为什么你的 AI 代码需要“免疫”与“生成”？

在 AI 辅助编程的时代，大语言模型（LLM）带来了前所未有的效率，但也伴随着“认知缺陷”：

• 幻觉：LLM 可能会凭空捏造不存在的函数、类或变量，导致运行时错误。
• 类型漂移：参数数量或类型与实际函数签名不匹配，引发类型错误。
• 协议违规：生成违反业务逻辑顺序的代码，例如在用户未认证前就签发令牌。

Progmune Runtime 旨在解决这些核心痛点，为 AI 生成代码提供一个强大的“免疫系统”，同时赋能可信赖的“生成”能力。

它将 LLM 从一个“不受约束的代码生成器”降级为**“受约束的启发式提议者”，将代码的最终决定权交还给程序真相（Intermediate Representation, IR）。这意味着，Progmune 不仅能消除代码幻觉**，保障协议安全，还能通过学习历史错误**“越用越聪明”**，显著提升 AI 生成代码的可靠性和安全性。

核心理念：以免疫保障生成，以生成驱动免疫。

• 免疫：通过多层验证机制，确保 AI 生成的每一步都符合程序真相和业务逻辑。
• 生成：在免疫系统的约束下，高效、智能地将模糊意图转化为可执行的、高质量的代码。

对开发者的直接价值：

• 🚫 终结代码幻觉：生成的代码 100% 保证只调用项目中真实存在的函数和变量。
• 🛡️ 协议级安全：自动拦截非法的业务逻辑跳转，确保代码行为符合预期。
• 🧠 越用越聪明：系统从失败中学习，自动形成“抗体”，修复类似问题，减少 LLM token 消耗。
• 🚀 提升开发效率：减少调试和重构 AI 生成代码的时间，让开发者更专注于业务逻辑。

---

🎯 v3 里程碑：LLM+Graph 联合架构首次在 519 函数规模上击败纯关键词匹配

经过 25+ 次对照实验，跨 14 / 56 / 132 / 186 / 519 五种函数规模，LLM+Graph 联合架构首次在 519 函数上取得 92% 精度（纯关键词 89%，纯 Graph 76%）。

| 方法 | 逻辑 | 519 函数精度 | |------|------|-------------| | 关键词匹配 | intent.split() → fn.includes(kw) | 89% | | 纯 Capability Graph | 关键词种子 → Beam Search | 76% | | LLM + Graph ✅ | LLM 语义选种子 → Graph 数据流路由 | 92% |

架构验证：LLM 跨语义鸿沟选种子 + Graph 做数据流路由连成链 = 正确分工。

---

🏗️ 核心架构：生成与免疫的协同

Progmune Runtime 的设计灵感来源于生物免疫系统，构建了多层防御机制，确保 AI 生成代码的语义有效性。其核心架构清晰地展示了“生成”与“免疫”两大核心能力的协同工作：

graph TD
    UserIntent[用户意图] --> A(LLM Proposer)
    A --> B(Semantic Topology & Strategy Planner)
    B --> C(Action Runtime)
    C --> D{Constr