# 项目规范 (Skill)

## 编译与编码约束
- C 语言遵循 C99 标准；编译必须使用
  `gcc -Wall -Wextra -O2`。
- 严禁使用未初始化的指针；硬件交互
  必须处理超时与返回值。

## 交互原则
- 修改代码后，直接生成 `git diff` 摘要，
  不要重复贴出未修改的全量代码。
- 遇到错误时，优先检查
  `/var/log/syslog`，
  禁止随机猜测修改参数。

from mcp.server.fastmcp import FastMCP
import subprocess

# 1. 初始化极简 MCP 服务
mcp = FastMCP("SystemDriver")

# 2. 声明一个系统级驱动工具
@mcp.tool()
def execute_system_cmd(command: str) -> str:
    """在宿主机 Ubuntu 上安全执行
    系统 CLI 命令并返回控制台日志"""
    try:
        r = subprocess.run(
            command, shell=True,
            capture_output=True,
            text=True, timeout=10)
        return r.stdout if r.returncode == 0 \
               else r.stderr
    except Exception as e:
        return f"Driver Exec Error: {e}"

if __name__ == "__main__":
    mcp.run()

import sqlite3, sqlite_vec, struct

# 1. 连接 SQLite 并加载 vec 扩展
db = sqlite3.connect("memory.db")
db.enable_load_extension(True)
sqlite_vec.load(db)
db.enable_load_extension(False)

# 2. 建 384 维向量虚拟表
db.execute("""CREATE VIRTUAL TABLE
  IF NOT EXISTS vec_items
  USING vec0(embedding float[384])""")

# 3. 找语义空间距离最近的记录
def to_bytes(v):
    return struct.pack("%sf" % len(v), *v)

q = [0.1] * 384   # "好吃的水果"
rows = db.execute("""
  SELECT rowid, distance FROM vec_items
  WHERE embedding MATCH ?
  ORDER BY distance LIMIT 1""",
  [to_bytes(q)]).fetchall()

print("命中 ID 与语义距离:", rows)

model_list:
  # 简单任务：本地 CPU Ollama
  # 零 Token 费用，毫秒级响应
  - model_name: local-fast
    litellm_params:
      model: ollama/qwen2.5-coder:1.5b
      api_base: http://localhost:11434

  # 复杂任务：公网高阶 API
  # 按需调用，只给重活
  - model_name: cloud-smart
    litellm_params:
      model: anthropic/claude-3-5-sonnet
      api_key: os.environ/ANTHROPIC_API_KEY

# 启动：
#   litellm --config litellm_config.yaml
# Agent 侧只认一个 base_url，
# 换模型不用改一行业务代码。