Reelier

---

你的代理人每次執行都重新推導相同的工作流程 — 燃燒 token 並悄悄地偏離。Reelier 將一次成功的執行編譯成一個 SKILL.md 檔案，該檔案能以確定性方式重播（無需 LLM，0 個 token，每個步驟都斷言並寫入收據），然後比較各次執行，以捕捉其不再匹配的那一天。專為用於重複性生產工作流程的代理人設計 — 在這種情境下，「它運行了」並不能作為證明。

安裝 → 60 秒內取得你的第一張收據

npm i -g reelier && reelier init

reelier init 會先掃描你已完成的工作 — 橫跨 Claude Code、Codex、Windsurf 和 OpenClaw — 並提議將一個真實的過往工作階段轉換為可重播的技能。沒有這類歷史記錄？它會執行一個零設定的示範，並以一張真實的收據作結：

Your receipt:
  skill:        reelier-init-demo
  steps:        2 total, 2 passed, 0 unchecked, 0 failed
  replay time:  44ms  [measured]
  LLM tokens:   0     [measured]

  An agent doing a comparable task re-reasons every run (~2.8s, ~18k tokens on
  our benchmark). Your replay: 44ms, 0 tokens.

或者用 Docker 執行 — 無需安裝 Node

docker run --rm ghcr.io/seldonframe/reelier --help

# Replay a skill from the current directory:
docker run --rm -v "$PWD:/work" -w /work ghcr.io/seldonframe/reelier run my.skill.md

# Record from your agent history (mount it read-only):
docker run --rm -v "$HOME/.claude:/root/.claude:ro" -v "$PWD:/work" -w /work \
  ghcr.io/seldonframe/reelier scan

為何使用

• 你的代理人每次執行都重新學習工作 — 然後悄悄地偏離。 每次執行都重新推導工作流程，而每個微小的「合理」修正都會累積 — 長期營運者稱之為疤痕組織。一個已編譯的技能永遠不會重新學習，也無法偏離。
• 真正的問題是帳單。 「那花了多少錢？」 是每次長時間代理人執行後得到的第一個回覆。Reelier 以 0 個 token 重播，並附帶收據。
• 這不是脆弱的 RPA。 重播的是工具呼叫（具型別的 JSON 輸入/輸出），而非像素 — 而且每個步驟都帶有自己的斷言，因此一個損壞的步驟會大聲失敗，絕不會默默地通過。
• 升級了模型？ 重播是固定的 — 在新模型上重新記錄，並將 reelier diff 與你凍結的基線進行比較：在進入生產環境之前，就能得知每個步驟是相同還是已偏離。
• 「任何確定性的事物都應該只是程式碼。」 同意 — 你的代理人已經寫好了。Reelier 捕捉其真實、有效的執行過程，並放入一個經過測試的檔案中。無需手動編碼即可實現確定性。

運作方式 — 記錄 → 編譯 → 重播 → 比較差異 → 收據

reelier init                        # 60s: record → compile → replay → your receipt
reelier run  <name>.skill.md        # replay deterministically — 0 tokens (read-only by default)
reelier diff <name>                 # SAME or DRIFTED, per step — exit 1 on drift
reelier push <name>.skill.md        # sync receipts to your ledger (opt-in)

1. 記錄 — 三種方式：reelier mcp --wrap "<your mcp server>"（一個在你代理人工具前方的無損代理）、直接來自現有的工作階段（reelier scan / reelier from-session），或引導式的 reelier init。
2. 編譯 — reelier compile 將追蹤記錄確定性地轉換為一個 SKILL.md（0 次 LLM 呼叫）— 一份在每個步驟上都有斷言的配方，並且編譯器會將其坦誠的不足之處列印為開放性問題（包括它標記為「這應該是個變數嗎？」的具體日期、UUID 和時間戳），而非胡亂猜測。
3. 重播 — reelier run 在第 0 級執行：無 LLM、毫秒級、位元組完全相同。預設為唯讀 — 一個寫入步驟（idempotent-write）永遠不會再次觸發，除非你傳入 --allow-writes。
4. 比較差異 — reelier diff 比較一個技能的兩次執行，並報告每個步驟是相同還是已偏離，並以失敗的斷言作為原因。偏離時退出碼為 1，因此它可以為排程的重播把關。
5. 收據 — 每次執行都是一張收據（每個步驟的結果、計時、0 個 token）。reelier push 可選擇性地將它們同步到收據帳本，以獲得可分享的永久連結 + 可嵌入的已驗證重播徽章。

轉換代理人技能

將一個指令技能 + 一次記錄的執行轉換為確定性重播 — 你的技能，減去模型：

reelier mcp --wrap "<your mcp server>"                 # record: agent runs the skill's task once
reelier compile trace.jsonl --from-skill ./my-skill/SKILL.md
# → my-skill.skill.md — name + description carried from your SKILL.md,
#   steps ONLY from the recorded run (never generated from instruction text)

從任何代理人匯入工作階段

你的代理人自己的工作階段日誌中已經有可重播的工作流程。reelier scan 能找到它們；reelier from-session 能將其中一個轉換為技能。格式是從檔案內容中嗅探出來的 — 對於支援的代理人無需標誌：

reelier scan                                          # discovers sessions from every known agent under your home dir
reelier from-session ~/.claude/projects/*/*.jsonl      # Claude Code
reelier from-session ~/.codex/sessions/**/rollout-*.jsonl   # Codex CLI
reelier from-session ~/.openclaw/agents/*/sessions/*.jsonl  # OpenClaw

代理人	工作階段位置	狀態
Claude Code	~/.claude/projects/<project>/<uuid>.jsonl	支援
Codex CLI	~/.codex/sessions/YYYY/MM/DD/rollout-*.jsonl	支援
OpenClaw	~/.openclaw/agents/<agentId>/sessions/<sessionId>.jsonl	支援
Cursor	.../User/globalStorage/state.vscdb (SQLite，未記錄)	已偵測，尚無法解析
Windsurf	.../User/globalStorage/state.vscdb (SQLite，未記錄)	已偵測，尚無法解析

只有可重播的呼叫（Reelier 自己的內建功能，或 mcp__<server>__<tool> 呼叫）才會被編譯成技能 — 原生的檔案/殼層/搜尋動作會被報告為已跳過，絕不會被偽造成一個步驟。傳入 --agent <claude-code|codex|openclaw> 可強制指定格式，而非自動偵測；reelier scan / reelier from-session --agent cursor（或 --agent windsurf）會誠實地報告磁碟上的內容，而不是猜測未記錄的二進位格式。

三種測試，一個技能

一個已記錄的技能讓你能對它提出三種不同的問題，而非一種：

• 確定性 — reelier run <skill.md> 根據你記錄的斷言進行重播。相同的步驟，相同的斷言，0 個 token。回答：它是否仍然執行它之前所做的？
• 復原 — reelier run <skill.md> --fail N[=status] 在步驟 N（預設狀態 500；可用 --fail N=429 覆寫，可重複）注入一個合成失敗，而不是分派該步驟的真實工具呼叫，然後執行真實失敗會觸發的相同升級階梯。網路外部實際上不會發生任何事 — 一個模擬的步驟永遠不會呼叫其工具，因此你可以在沒有 --allow-writes 且無副作用的情況下，對一個寫入步驟進行復原測試。回答：如果這壞了，技能會注意到並自我修復嗎？（模擬執行僅為本機測試 — reelier push 會拒絕發布模擬執行；請見下文。）
• 偏離 — reelier run <skill.md> --wrap "<your mcp server>" 根據你即時的、唯讀的依賴項進行重播，而不是根據記錄的追蹤。搭配下方的 reelier manifest，這正是你在真實重播之前，捕捉工具結構描述悄然改變的方法。

此分類法源自 Mads Hansen 對發布文章的審查。

工具結構描述偏離：reelier manifest

一個技能的步驟會以特定的參數形式呼叫特定的工具。如果一個被包裝的 MCP 伺服器的工具結構描述在你記錄之後發生了變化，重播應該大聲拒絕，而不是默默地填入錯誤的參數。reelier manifest 會為技能步驟實際使用的每個工具蓋上一個結構描述摘要戳記：

reelier manifest <skill.md> --wrap "<your mcp server>"   # stamp/refresh the manifest from live servers
reelier run <skill.md> --wrap "<your mcp server>"         # preflight checks the manifest BEFORE step 1 runs

如果一個已蓋戳記的工具其結構描述已偏離（或工具已不存在），reelier run 會在執行任何操作之前就安全地失敗 — MANIFEST DRIFT — refusing to replay。--ignore-manifest 是明確的緊急覆寫機制，用於當你知道偏離是沒問題的時候；它仍然會被記錄在執行中（manifestIgnored: true），因此它永遠不會是一個無聲的繞過。完全沒有清單的技能只會得到一個諮詢說明 — 每個在清單出現之前的技能都能保持不變地繼續運作。

每個步驟的寫入核准：reelier approve

--allow-writes/--yes 是全面性的標誌 — 它們表示「這次執行可以寫入」，而不是「這個確切的寫入已被審查」。reelier approve 將核准以雜湊方式綁定到一個特定步驟的工具 + 參數範本：

reelier approve <skill.md>          # walk each write/destructive step, y/N to approve
reelier approve <skill.md> --all    # approve every write step non-interactively

一個已核准的步驟，若其工具/參數仍然與其蓋章的雜湊值匹配，則無需任何標誌即可執行。如果該步驟的工具或參數自核准後已更改，重播會安全地失敗 — Approval mismatch — 且沒有任何標誌可以覆寫它；你需要重新審查並重新核准。一個沒有 approve: 欄位的寫入步驟，會保持今天確切的 --allow-writes/--yes 行為，不做改變。

斷言其值，而非僅斷言其形狀

一個技能的斷言正是使重播成為證明的關鍵。其語法會檢查狀態、結構和值：

- assert: status == 200
- assert: json.results is array
- assert: json.count >= 1              # numeric range
- assert: json.plan is string          # type
- assert: json.id matches /^usr_/      # value pattern
- assert: body contains "ok"

在你的編碼代理人 (MCP) 中使用它

reelier serve 將 Reelier 自己的命令作為 MCP 工具公開，因此 Claude Code / Cursor / Windsurf / Codex 可以在工作階段中呼叫它：

{ "mcpServers": { "reelier": { "command": "npx", "args": ["-y", "reelier", "serve"] } } }

代理人會獲得 reelier_scan、reelier_from_session、reelier_replay、reelier_diff 和 reelier_push — 並附帶描述，確切告訴它何時該使用每個工具（以及何時不該）。它會記錄一次確定性任務，然後重播，而不是重新推理。

工具

• reelier_scan — 掃描代理人工作階段歷史記錄（Claude Code、Codex、Windsurf、OpenClaw），尋找可重播的工具呼叫工作流程
• reelier_from_session — 將一個已記錄的工作階段編譯成一個可重播的 SKILL.md，並在每個步驟上附帶斷言
• reelier_replay — 以 0 個 LLM token 確定性地重播一個技能（預設為唯讀；寫入由 --allow-writes 把關）
• reelier_diff — 比較兩次執行：每個步驟是相同還是已偏離，並以失敗的斷言作為原因；偏離時退出 1
• reelier_push — 將執行收據同步到帳本以獲得可分享的永久連結（選擇性加入）

可量測的證明

來自一次真實、即時的對等基準測試（代理人 vs. Reelier，相同任務，相同資料）— 完整表格 + 方法論在 examples/benchmark：

• 1,000 / 1,000 次重播位元組完全相同（N=1000 尾部變異數測試）
• 每次重播 0 個 token — 從執行記錄中驗證，而非假設
• 便宜約 50 倍（每次重播 $0.000000，相較於代理人組平均每次執行 $0.019068）
• 快約 59 倍（平均延遲 48 毫秒 vs. 2,842 毫秒）
• 一次真實的偏離自我修復成本約為 $0.001，一次，之後每次重播都免費

延遲因網路而異 — 第 0 級重播會重新執行技能的工具呼叫，因此實際時間取決於你的連線。不變的是：0 個 LLM token、每次執行相同的步驟，以及收據。經獨立證實 — arXiv 2605.14237 發現相同的記錄與重播模式可減少 93.3–99.98% 的 token。

適用於任何模型 (BYOK)

第 0 級重播（預設）永遠不會呼叫模型 — 根據設計即為 0 個 token。升級（--max-level 1|2）是選擇性加入的，並透過一個狹窄的 BYOK 介面（--llm-base-url + --llm-model）進行溝通：一個原生的 Anthropic Messages 適配器，以及一個適用於所有其他服務的 OpenAI 相容適配器（OpenRouter、Ollama、Gemini 的 OpenAI 端點、Groq、vLLM、LM Studio、Kimi 等）。將其指向一個更強大的模型，每個技能的下一次自我修復都會免費變得更聰明。

擁有它 — MIT、BYOK、本地優先

在任何地方使用它，將其嵌入任何東西 — 沒有 copyleft 限制，無需法律審查。你的技能、追蹤記錄和執行記錄都是你的資料 — 離開只需複製一個資料夾。格式在 SPEC.md 中指定，這是一份規範性的 RFC 風格參考資料，因此任何人都可以在不閱讀原始碼的情況下產生或使用它們。

貢獻

歡迎提出議題和 PR — 格式請參見 SPEC.md（規格優先於程式碼；修正程式碼，而非規格）。npm test 執行完整的測試套件；在提交 PR 前執行 npm run build && npx tsc --noEmit。

git clone https://github.com/seldonframe/reelier && cd reelier
npm install && npm test

星號歷史

授權條款

MIT — 可自由複刻、嵌入、稽核和永久自行託管。（版本 ≤0.16.0 是根據 AGPL-3.0 發布，並維持不變。）