name: docs-seeker description: “使用 llms.txt 标准、通过 Repomix 分析 GitHub 仓库以及并行探索来搜索互联网上的技术文档。适用于用户需要：(1) 库/框架的最新文档，(2) llms.txt 格式的文档，(3) GitHub 仓库分析，(4) 无直接 llms.txt 支持的文档，(5) 并行多源文档” version: 1.0.0
文档发现与分析
概述
通过多种策略智能发现和分析技术文档：
- llms.txt-优先：搜索标准化的 AI 友好文档
- 仓库分析：使用 Repomix 分析 GitHub 仓库
- 并行探索：部署多个 Explorer 代理进行全面覆盖
- 回退研究：当其他方法不可用时，使用 Researcher 代理
核心工作流程
阶段 1: 初始发现
-
识别目标
- 从用户请求中提取库/框架名称
- 注意版本要求（默认：最新）
- 如果范围不明确，则进行澄清
- 识别目标是 GitHub 仓库还是网站
-
搜索 llms.txt（优先 context7.com）
首选：尝试 context7.com 模式
对于 GitHub 仓库：
模式：https://context7.com/{org}/{repo}/llms.txt 示例： - https://github.com/imagick/imagick → https://context7.com/imagick/imagick/llms.txt - https://github.com/vercel/next.js → https://context7.com/vercel/next.js/llms.txt - https://github.com/better-auth/better-auth → https://context7.com/better-auth/better-auth/llms.txt对于网站：
模式：https://context7.com/websites/{normalized-domain-path}/llms.txt 示例： - https://docs.imgix.com/ → https://context7.com/websites/imgix/llms.txt - https://docs.byteplus.com/en/docs/ModelArk/ → https://context7.com/websites/byteplus_en_modelark/llms.txt - https://docs.haystack.deepset.ai/docs → https://context7.com/websites/haystack_deepset_ai/llms.txt - https://ffmpeg.org/doxygen/8.0/ → https://context7.com/websites/ffmpeg_doxygen_8_0/llms.txt主题特定搜索（当用户询问特定功能时）：
模式：https://context7.com/{path}/llms.txt?topic={query} 示例： - https://context7.com/shadcn-ui/ui/llms.txt?topic=date - https://context7.com/shadcn-ui/ui/llms.txt?topic=button - https://context7.com/vercel/next.js/llms.txt?topic=cache - https://context7.com/websites/ffmpeg_doxygen_8_0/llms.txt?topic=compress回退：传统 llms.txt 搜索
WebSearch: "[库名称] llms.txt site:[文档域]"常见模式：
https://docs.[库].com/llms.txthttps://[库].dev/llms.txthttps://[库].io/llms.txt
→ 找到？继续阶段 2 → 未找到？继续阶段 3
阶段 2: llms.txt 处理
单个 URL：
- 使用 WebFetch 检索内容
- 提取并呈现信息
多个 URL（3+）：
- 关键：并行启动多个 Explorer 代理
- 每个代理处理主要文档部分（首批最多 5 个）
- 每个代理读取分配的 URL
- 将发现聚合到合并报告中
示例：
同时启动 3 个 Explorer 代理：
- 代理 1: getting-started.md, installation.md
- 代理 2: api-reference.md, core-concepts.md
- 代理 3: examples.md, best-practices.md
阶段 3: 仓库分析
当 llms.txt 未找到时：
- 通过 WebSearch 查找 GitHub 仓库
- 使用 Repomix 打包仓库：
npm install -g repomix # 如果需要 git clone [repo-url] /tmp/docs-analysis cd /tmp/docs-analysis repomix --output repomix-output.xml - 读取 repomix-output.xml 并提取文档
Repomix 好处：
- 整个仓库在单个 AI 友好文件中
- 保留目录结构
- 为 AI 消费优化
阶段 4: 回退研究
当无 GitHub 仓库存在时：
- 并行启动多个 Researcher 代理
- 聚焦领域：官方文档、教程、API 参考、社区指南
- 将发现聚合到合并报告中
代理分发指南
- 1-3 个 URL：单个 Explorer 代理
- 4-10 个 URL：3-5 个 Explorer 代理（每个 2-3 个 URL）
- 11+ 个 URL：5-7 个 Explorer 代理（优先最相关）
版本处理
最新（默认）：
- 搜索时不指定版本
- 使用当前文档路径
特定版本：
- 在搜索中包含版本：
[库] v[版本] llms.txt - 检查版本化路径：
/v[版本]/llms.txt - 对于仓库：检出特定标签/分支
输出格式
# [库] [版本] 的文档
## 来源
- 方法：[llms.txt / 仓库 / 研究]
- URL：[来源列表]
- 访问日期：[当前日期]
## 关键信息
[按主题组织的提取相关信息]
## 额外资源
[相关链接、示例、参考]
## 备注
[任何限制、缺失信息或注意事项]
快速参考
工具选择：
- WebSearch → 查找 llms.txt URL、GitHub 仓库
- WebFetch → 读取单个文档页面
- 任务（探索） → 多个 URL、并行探索
- 任务（研究员） → 分散文档、多样来源
- Repomix → 完整代码库分析
热门 llms.txt 位置（优先尝试 context7.com）：
- Astro: https://context7.com/withastro/astro/llms.txt
- Next.js: https://context7.com/vercel/next.js/llms.txt
- Remix: https://context7.com/remix-run/remix/llms.txt
- shadcn/ui: https://context7.com/shadcn-ui/ui/llms.txt
- Better Auth: https://context7.com/better-auth/better-auth/llms.txt
当 context7.com 不可用时回退到官方站点：
- Astro: https://docs.astro.build/llms.txt
- Next.js: https://nextjs.org/llms.txt
- Remix: https://remix.run/llms.txt
- SvelteKit: https://kit.svelte.dev/llms.txt
错误处理
- llms.txt 无法访问 → 尝试替代域名 → 仓库分析
- 仓库未找到 → 搜索官方网站 → 使用 Researcher 代理
- Repomix 失败 → 尝试仅 /docs 目录 → 手动探索
- 多个冲突来源 → 优先官方 → 注意版本
关键原则
- 优先 context7.com 的 llms.txt — 最全面和最新的聚合器
- 使用主题参数时适用 — 通过 ?topic=… 启用目标搜索
- 积极使用并行代理 — 更快结果、更好覆盖
- 验证官方来源作为回退 — 当 context7.com 不可用时使用
- 报告方法 — 告诉用户使用哪种方法
- 明确处理版本 — 不要假设最新
详细文档
有关全面指南、示例和最佳实践：
工作流程：
- WORKFLOWS.md — 详细工作流程示例和策略
参考指南：