闲社服务运行正常AI智能体自动化平台
u

通用代码转换器

技能标识:universal-code-converter

Design, review, or implement source-to-source code translation pipelines that convert or port code between programming languages. Use when building or evaluating a transpiler, code-porting or migration scaffold, tree-sitter-based parser pipeline, intermediate representation (IR), lowering rules, semantic-gap handling, or validation strategy for multi-language code conversion.

作者:admin | 来源记录:ClawHub
登记来源
ClawHub
版本
V 1.0.0
检测标记
后台标记通过
免费
免费获取
0
收藏
来源与检测标记为平台登记信息,并不代表已展示可复核的检测报告。使用前请核对版本、依赖和所需权限,建议先在隔离环境中运行。
概述
安装方式
版本历史

通用代码转换器

通用代码转换器

将转换器构建或优化为分阶段翻译流水线。优化语义保真度、诊断能力和增量交付,而非追求转换一切的宣称。

运行此工作流

  1. 1. 明确范围。
- 捕获源语言、目标语言、运行时约束、支持的构造和质量标准。 - 在设计流水线前,要求或提取至少3个代表性代码片段。 - 定义完成的含义:可编译输出、行为保持输出、迁移脚手架或部分辅助转换。
  1. 2. 验证解析器前端。
- 确认所需的Tree-sitter语法存在且可主动使用。 - 首次前端探测时优先使用官方预构建绑定或语法包。仅在官方产物缺失或任务需要语法修改时手动编译语法。 - 在硬编码访问器前检查实际节点类型和字段名。 - 从真实测试用例中捕获一个可复用的解析器探测产物:根节点类型、关键字段名和一个查询/捕获示例。将其保留在测试或测试用例中,避免后续工作重复手动探索。 - 如果Tree-sitter是计划的一部分,使用old_tree运行一次增量重解析检查,证明语法可用作编辑前端。将其视为能力检查,而非脆弱的微基准测试。 - 将Tree-sitter视为具有增量解析能力的具体语法树前端,而非完整的语义编译器。
  1. 3. 将流水线分离为显式阶段。
- 使用以下默认流程:

text
解析 -> 标准化 -> 语义增强 -> IR -> 降级 -> 生成 -> 验证

- 将标准化与语义分析分离。
- 将共享的IR逻辑与特定语言对的降级规则分离。
- 将代码格式化与翻译逻辑分离。

  1. 4. 围绕语义而非表面语法设计IR。
- 建模声明、作用域、绑定、字面量、调用、控制流、导入、类型和诊断。 - 使用诊断节点或状态标志显式表示有损或不支持的构造。 - 在简化下游降级时尽早移除语法糖。
  1. 5. 首先实现一个狭窄的垂直切片。
- 从一个源-目标语言对开始。 - 从模块、函数、参数、字面量、标识符、返回、调用和简单条件语句开始。 - 在添加更多语法前为每个切片添加测试。
  1. 6. 有意识地处理语义差距。
- 将每个特性分类为:直接映射、去糖化、运行时辅助、需要手动重写或不支持。 - 对行为变化或有损重写发出警告。 - 绝不静默丢弃异常、可变性规则、异步语义或类型期望。
  1. 7. 从结构化模型生成目标代码。
- 优先使用类型化的目标语言模型或生成器API,而非原始字符串替换。 - 在生成器层集中处理命名、转义和缩进。 - 仅当任务明确要求时保留注释或源码映射。
  1. 8. 在多个级别验证输出。
- 将前端假设验证与降级假设验证分离。 - 重新解析代表性源测试用例,断言解析器探测契约保持稳定。 - 重新解析生成的代码。 - 当工具可用时编译或类型检查生成的代码。 - 对行为保持转换运行基于测试用例的执行测试。 - 至少包含一个必须发出诊断的显式失败路径测试用例。 - 对IR和生成的输出进行快照,用于回归覆盖。
  1. 9. 交付有限的结果。
- 返回支持的特性矩阵、已知差距、假设、警告和后续步骤。 - 明确说明结果是脚手架、部分转换器还是生产就绪切片。

生成以下交付物

  • - 对于架构请求,返回:范围、流水线、IR大纲、特性映射分类、验证计划和风险列表。
  • 对于实现请求,首先编写最小的可工作切片,附带可执行测试,并记录解析器探测使用的确切前端依赖/版本。
  • 对于审查请求,优先关注语义漂移、不支持的构造、解析器形状假设和缺失的验证。

仅在需要时阅读额外参考资料

  • - 阅读references/architecture-blueprint.md了解模块布局、特性映射分类和IR设计提示。
  • 阅读references/validation-checklist.md了解测试策略、回归门禁和发布标准。

应用这些防护措施

  • - 除非存在支持的语言和特性矩阵,否则不要称转换器为通用。
  • 不要将CST形状等同于程序含义。
  • 不要将所有翻译规则放在一个转换器文件中。
  • 在正确性和诊断存在之前,不要承诺地道的目标代码。
  • 没有代表性测试用例和验证,不要添加新的语言对。

以此仓库结构开始

text
src/
frontends/
normalization/
semantic/
ir/
lowering/
emitters/
diagnostics/
tests/
fixtures/
golden/

标签

skill ai

通过对话安装

以下为平台配置的接入选项,并非逐项实测通过。能否安装取决于客户端支持、技能来源和运行环境:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 universal-code-converter-1776090492 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 universal-code-converter-1776090492 技能

通过命令行安装

skillhub install universal-code-converter-1776090492

下载

⬇ 下载 universal-code-converter v1.0.0(免费)

文件大小: 6.28 KB | 发布时间: 2026-4-15 14:47

v1.0.0 最新 2026-4-15 14:47
Initial public release of the Universal Code Converter skill. Adds a validated workflow for staged source-to-source code conversion with parser probes, semantic IR boundaries, lowering guidance, diagnostics, and regression-oriented validation.
返回顶部