RAILWISE-CLI

睿威智测 AI 工程测绘多智能体 CLI 系统。

基于 opencode 深度定制，面向工程测量、结构监测、地铁监测等测绘业务场景，提供从外业数据采集到内业报告生成的全流程 AI 辅助。

越用越懂你 — RAILWISE-CLI 内置跨会话记忆系统，自动记住你的项目结构、编码习惯和工作偏好。用得越多，它就越了解你的项目，响应越精准，协作越默契——就像一个不断成长的工程搭档。

---

快速开始

安装

npm（推荐）

npm install -g railwise-ai

curl（Linux / macOS）

curl -fsSL https://raw.githubusercontent.com/railwise-cn/RAILWISE-CLI/main/install.sh | sh

Homebrew（macOS / Linux）

brew install railwise-cn/tap/railwise

源码安装（开发者）

需要 Bun >= 1.3.9：

git clone https://github.com/railwise-cn/RAILWISE-CLI.git
cd RAILWISE-CLI
bun install
cd packages/railwise && bun link && cd ../..

配置

# 复制配置模板
cp .railwise/railwise.json.example .railwise/railwise.json
# 编辑 .railwise/railwise.json，填入你的 API Key

启动

railwise

开发模式（源码安装）：

bun run dev

---

模型支持

RAILWISE-CLI 支持多种模型接入方式，包含多个国产免费模型，无需付费即可使用：

免费 / 低价模型（推荐新手）

厂商	模型	免费额度	注册地址
智谱 GLM	glm-4-flash-250414、glm-z1-flash	永久免费	open.bigmodel.cn
DeepSeek	deepseek-chat（V3.2）、deepseek-reasoner	注册送 500 万 tokens	platform.deepseek.com
MiniMax	MiniMax-M1、MiniMax-T1	注册送免费额度	platform.minimaxi.com
Kimi	kimi-k2.5、moonshot-v1-auto	注册送免费额度	platform.moonshot.cn

付费模型

厂商	模型	说明
Anthropic	Claude Opus / Sonnet	最强编码能力
OpenAI	GPT-4o / o3	通用能力强
Google	Gemini 2.5 Pro / Flash	超长上下文

配置方式

编辑 .railwise/railwise.json，在 provider 中填入对应厂商的 API Key 即可：

{
  // 使用 DeepSeek 作为默认模型（免费）
  "model": "deepseek/deepseek-chat",
  "provider": {
    "deepseek": {
      "options": {
        "baseURL": "https://api.deepseek.com/v1",
        "apiKey": "sk-your-deepseek-key"
      }
    }
  }
}

完整配置示例见 .railwise/railwise.json.example。

---

Windows 安装指南（零基础）

如果你从未接触过编程工具，请按以下步骤操作。全程约 10 分钟。

第一步：安装 Node.js

1. 打开浏览器，访问 https://nodejs.org/zh-cn
2. 点击页面上的 LTS（长期支持版） 下载按钮（绿色按钮）
3. 运行下载的安装包（node-vXX.X.X-x64.msi），一路点「下一步」即可
4. 重要：安装过程中如果出现「Add to PATH」选项，确保勾选 ✅

第二步：验证安装

1. 按 Win + R，输入 cmd，按回车打开命令提示符
2. 输入以下命令并回车：

node --version

如果显示类似 v22.x.x 的版本号，说明安装成功。如果提示「不是内部或外部命令」，请重启电脑后再试。

第三步：设置国内镜像（加速下载）

在命令提示符中输入：

npm config set registry https://registry.npmmirror.com

第四步：安装 RAILWISE-CLI

npm install -g railwise-ai

安装完成后，输入 railwise 验证：

railwise --version

第五步：获取 API Key（免费）

RAILWISE-CLI 需要 AI 模型的 API Key 才能工作。推荐使用免费的智谱 GLM：

1. 打开 open.bigmodel.cn，用手机号注册
2. 登录后进入「API keys」页面
3. 点击「创建 API key」，复制生成的密钥（以 .xxx 开头的一长串字符）

第六步：配置并启动

railwise

首次启动会进入设置向导，选择 zhipuai 作为 provider，粘贴你的 API Key 即可。

系统会自动使用免费的 glm-4-flash 模型。如需更强的模型，可按模型支持章节配置其他厂商。

常见问题

Q: 提示「railwise 不是内部或外部命令」？

npm 全局安装目录可能不在系统 PATH 中。运行以下命令查看 npm 全局路径：

npm config get prefix

将输出的路径添加到系统环境变量 PATH 中：右键「此电脑」→ 属性 → 高级系统设置 → 环境变量 → 在 Path 中新增该路径。

Q: 安装很慢或失败？

确认已设置国内镜像（第三步）。如果仍然很慢，可尝试：

npm install -g railwise-ai --registry=https://registry.npmmirror.com

Q: 如何更新到最新版？

npm update -g railwise-ai

---

系统架构

并行调度系统

RAILWISE-CLI 支持多 Agent 真正并行执行：

parallel_agent({
  tasks: [
    { id: "tech", description: "技术方案", prompt: "...", subagent_type: "solution_architect" },
    { id: "biz", description: "商务报价", prompt: "...", subagent_type: "commercial_specialist" },
    { id: "data", description: "数据分析", prompt: "...", subagent_type: "data_analyst" },
  ],
  maxConcurrency: 3
})

• 每个 subtask 独立 Session + 权限隔离
• 失败隔离（单个失败不影响其他任务）
• 错误聚合 + Markdown 格式输出

自定义智能体（8 个领域专家）

每个智能体拥有独立的默认模型配置，零配置即可获得最优模型分配：

智能体	角色	默认模型	职责
chief_manager	项目总工	Kimi K2.5	任务分发、并行调度、质量闸门控制
solution_architect	方案设计师	Kimi K2.5	监测方案编制、技术路线规划
data_analyst	数据分析师	DeepSeek V3	平差计算、变形趋势分析、预警研判
qa_inspector	外业质检员	DeepSeek V3	原始数据完整性与闭合差审查
qa_reviewer	内业审核员	Kimi K2.5	报告质量终审（最高否决权）
technical_writer	技术文档员	Kimi K2.5	监测日报/周报/月报撰写
commercial_specialist	商务专员	Kimi K2.5	投标文件、计量支付
ppt_master	PPT 设计师	Gemini 2.5	AI 演示文稿生成（SVG→PPTX）

快速创建领域专家：rw agent create --template settlement 可生成沉降监测专家（另有 shield/excavation/tunnel/control 模板）

模型选择逻辑：需要精确计算的智能体使用 DeepSeek V3（数学推理最强），需要长上下文和中文写作的使用 Kimi K2.5（131K 上下文）。可在 .railwise/agent/*.md 的 frontmatter 中自定义覆盖。

专用工具（19 个）

基础测量计算

工具	功能
survey_calculator	水准/导线闭合差校核、最小二乘严密平差、预警等级判定
coord_transform	高斯-克吕格正反算、七参数布尔莎坐标系转换（CGCS2000/WGS84/西安80/北京54）
angle_convert	角度多格式互转（度分秒/十进制度/弧度/密位/百分度）
distance_calculator	全站仪测距综合归算（气象改正→斜距化平→投影改正）
pile_stakeout	极坐标放样计算、里程桩号偏距计算、批量放样点生成

基坑自动化监测

工具	功能
inclinometer	测斜仪深层水平位移剖面计算（A+/A-/B+/B- 读数→累计位移）、多期趋势分析
axial_force	支撑轴力计算（频率/应力/力值转换、温度补偿）、多道支撑对比分析
water_level	地下水位监测分析（降水效果评估、水头差计算、漏斗形态判断）、多井等值线数据

变形监测分析

工具	功能
deformation_rate	变形速率分析、线性回归趋势预测、多测点对比
cross_section	隧道收敛量计算、断面超欠挖分析、建筑限界检查

控制网与平差

工具	功能
control_network	平面控制网严密平差（间接平差法、误差椭圆）、网形设计与精度预估
cpiii_adjustment	CPIII 自由测站后方交会、轨道控制网整网平差（平面+高程联合平差）

盾构导向测量

工具	功能
shield_guidance	盾构机姿态解算（方位角/俯仰角/偏差）、偏差趋势分析、管片选型与拼装角计算

数据处理与输出

工具	功能
monitoring_csv	自动化监测 CSV 海量数据清洗与统计
format_parser	徕卡 GSI-8/GSI-16 及 DAT 格式文件解析
chart_generator	SVG 趋势折线图生成（多测点 + 报警线）
report_export	Markdown 转 DOCX 报告导出
standard_query	工程规范/标准条文智能查询

领域技能包（12 个）

技能包（Skill）是注入 AI 上下文的专业知识文档，教会智能体"遇到这种场景该怎么做"。与工具互补——技能教方法，工具做执行。

技能	用途
report-writing	监测报告编制规范：行文原则、日报/总结报告结构、术语对照
data-analysis	平差与变形分析：计算流程、趋势拟合、收敛判断、预警分级
bidding-knowledge	投标文件编制：评分办法、资质响应、报价策略
standard-reference	工程规范速查：GB 50911/GB 50026/JGJ 8 条文索引
monitoring-design	监测方案设计：测点布设、仪器选型、频率与报警值
bun-file-io	文件操作：Bun 运行时文件读写最佳实践
docx-generation	Word 导出：Markdown→DOCX 映射、报告模板、命名规范
excel-operations	Excel 导出：Sheet 结构、标准列格式、多期对比表
humanizer	报告润色：消除 AI 痕迹、注入工程判断、句式变化
frontend-design	前端 UI：监测平台界面规范、预警四色体系、看板布局
canvas-design	图表设计：趋势图配色、坐标轴规范、剖面图构造
ppt-master	PPT 生成：SVG 页面设计、PPTX 导出、多格式支持（16:9/4:3/小红书/朋友圈）

业务命令（SOP 工作流）

命令	用途
/daily-report	监测日报生成
/data-check	外业数据质检
/bid-prepare	投标文件编制
/safety-check	安全巡检记录
/payment-reminder	计量支付催款

PPT Master（演示文稿生成）

RAILWISE-CLI 内置 AI 演示文稿生成系统，支持 SVG 页面设计 + 多格式导出：

支持格式：

格式	用途
PPT 16:9	商务演示（1280×720）
PPT 4:3	传统屏幕（1024×768）
小红书	社交媒体（1242×1660）
朋友圈	社交媒体（1080×1080）
Story	短视频平台（1080×1920）
公众号头图	公众号素材（900×383）

执行纪律：

1. 串行执行（相邻非阻塞步骤可连续执行）
2. 逐页生成（禁止批量生成）
3. 每页独立写入（前端可实时预览）

快速开始：

你是一名 PPT Master 用户，帮我制作《XXX》的演示文稿

---

飞书集成

RAILWISE-CLI 支持一键接入飞书/Lark 平台，通过飞书官方 MCP（@larksuiteoapi/lark-mcp）实现 AI 智能体与飞书办公生态的深度联动：

• 云文档读取 — 直接读取飞书云文档内容，作为专业知识补充
• 知识库检索 — 搜索和读取知识库（包括有权限的企业公开知识库）
• 多维表格 — 自动创建和管理飞书多维表格，写入监测数据、生成统计表
• 即时消息 — 向群聊或个人发送消息通知（如预警通报）
• 日历 & 任务 — 创建日程和任务，与项目管理流程联动

快速接入

railwise feishu

按引导输入飞书应用凭证（App ID + App Secret），选择需要的功能模块即可。配置自动写入 railwise.json，无需手动编辑。

飞书应用创建：访问 open.feishu.cn → 控制台 → 创建应用 → 获取 App ID 和 App Secret → 为应用添加所需 API 权限

---

项目结构

RAILWISE-CLI/
├── .railwise/                  # 自定义配置（智能体、工具、命令）
│   ├── agent/                  # 智能体 prompt 定义
│   ├── tool/                   # TypeScript 自定义工具
│   ├── command/                # SOP 命令模板
│   └── railwise.json           # 运行时配置（API 密钥，需自行创建）
├── packages/
│   ├── railwise/               # CLI 核心引擎
│   ├── nb-railwise/            # 插件 SDK（工具开发 API）
│   ├── app/                    # TUI 前端
│   ├── desktop/                # 桌面端（开发中）
│   └── ...
└── package.json                # Bun monorepo

插件开发

自定义工具使用 nb-railwise SDK 开发，放置于 .railwise/tool/ 目录即可自动加载：

/// <reference path="../env.d.ts" />
import { tool } from "nb-railwise/tool"

export default tool({
  description: "工具描述",
  args: {
    input: tool.schema.string().describe("参数说明"),
  },
  async execute(args) {
    // 实现逻辑
    return JSON.stringify({ result: "..." })
  },
})

---

跨会话记忆系统

RAILWISE-CLI 内置跨会话记忆系统——用得越多越顺手。系统自动从每次会话中提取关键知识（项目发现、技术决策、工作模式、踩坑经验），持久化到本地数据库。每次开启新会话时，这些记忆会自动注入上下文，让 AI 从第一句话就理解你的项目背景，无需反复解释。

随着使用积累，高频被验证的记忆会自动提升优先级，低价值的逐渐淡出——就像一个真正在成长的工程助手，越来越懂你的项目、你的习惯、你的偏好。

工作原理

1. 自动提取 — 当会话触发压缩（compaction）时，系统自动解析摘要中的 ## Discoveries、## Goal、## Instructions、## Accomplished 等章节，提取有价值的记忆条目
2. 去重 & 增强 — 使用 Jaccard 相似度算法检测重复记忆（阈值 0.7），重复条目自动提升置信度而非重复存储
3. 智能注入 — 新会话启动时，按置信度排序取 Top-N 条记忆，以 <project-memory> 标签注入系统提示词
4. 生命周期管理 — 支持记忆过期、置信度衰减、访问计数跟踪

配置

在 .railwise/railwise.json 中添加 memory 字段：

{
  "memory": {
    "enabled": true,          // 启用/禁用记忆系统（默认: true）
    "autoCapture": true,      // 自动从压缩摘要提取（默认: true）
    "maxMemories": 10         // 注入系统提示词的最大记忆数（默认: 10，范围: 1-50）
  }
}

记忆类别

类别	说明	来源
discovery	关于项目结构、文件位置的发现	## Discoveries
decision	项目目标与关键决策	## Goal
pattern	编码风格与工作流模式	## Instructions
fact	已完成的工作成果	## Accomplished
preference	用户偏好	未来扩展
error	踩坑与解决方案	未来扩展

---

致谢

本项目基于 opencode（MIT 协议）构建，感谢 SST 团队的开源贡献。

许可

MIT