应启用本地静态分析钩子、回溯执行计划比对、绑定project-level subagent、注入frontend skill及ocr双模纠错：分别实现生成即校验、定位语义误判、收缩行为边界、套用框架模板、修复ocr隐性错误。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用 Qoder Agent 模式生成代码后发现运行异常、编译失败或逻辑偏差，则可能是由于上下文理解偏差、Skill 注册不全、Subagent 作用域越界或静态分析未触发所致。以下是针对该问题的多种审核与修正路径：
一、启用本地静态分析钩子自动捕获语法与规范错误
该方法通过在 Agent 执行链末端注入 PostToolUse Hook，强制对所有生成代码调用轻量级 Linter（如 ESLint、Checkstyle 或 Pylint），实现“生成即校验”，避免错误代码写入文件系统。
1、进入 QoderWork 设置面板，导航至 “Agents” → “Edit Current Agent”。
2、在 “Post-Execution Hooks” 区域点击 “+ Add Hook”，选择 “Run Static Analyzer”。
3、配置分析器参数：语言类型设为与目标文件扩展名严格匹配（如 .ts 对应 TypeScript）；规则集选择 “Qoder-Strict-Base”；输出级别设为 “error-only”。
4、保存后，所有后续 Agent 生成的代码块将在写入前被拦截并返回带行号的错误摘要，例如："Line 42: 'res' is not defined (no-undef)"。
二、回溯执行计划并人工比对原子修改步骤
Qoder Agent 在 Quest 模式下会将自然语言指令拆解为可验证的原子步骤，每步包含原始代码片段、目标上下文快照及变更 diff。人工比对可精准定位语义误判点，尤其适用于跨文件重构或泛型推导场景。
1、在已完成任务的右上角点击 “View Execution Trace”。
2、展开任一修改步骤，查看左侧 “Before” 与右侧 “After” 的高亮差异区域。
3、重点检查类型断言插入位置、import 语句自动补全路径、以及 this 绑定上下文是否被错误迁移。
4、对存疑步骤点击 “Reject & Edit”，手动修正代码后选择 “Apply This Step Only”。
三、绑定 Project-level Subagent 并禁用非白名单工具调用
该方法通过收缩 Agent 行为边界，杜绝其调用不兼容工具（如用 Java Agent 处理 Python 文件）或越权访问非当前模块目录，从源头阻断错误生成路径。
1、在 TUI 中执行 /agents 命令，切换至 project 标签页。
2、找到当前项目关联的 Subagent，点击 “Edit Permissions”。
3、在 “Allowed Tools” 列表中仅保留：file-read、file-write、npm-install、tsc-check、git-diff；其余全部移除。
4、在 “Restricted Paths” 中添加排除项：/legacy/**、/test/mocks/**、node_modules/**。
四、注入 Frontend Skill 并强制启用框架约束模板
当生成前端代码出现 hook 调用错位、组件生命周期不匹配或状态管理方式混用时，说明 Agent 缺乏对应框架的结构化知识。注入 Skill 可使其在生成阶段即套用预置模板，而非依赖通用代码模式。
1、进入 “Skills” → “Import Skill”，上传本地 skill.json 文件。
2、确认该 Skill 中包含 “React-18-Strict-Mode” 规则组，其中明确定义：useEffect 必须配 cleanup 函数、useState 初始化值不可为 undefined、JSX 根节点必须为 Fragment 或 div。
3、在 Agent 配置中勾选 “Enforce Skill Constraints During Generation”。
4、重新提交相同 Prompt，观察生成结果中是否已消除useEffect([]) 无返回函数、空数组依赖项缺失、以及 JSX 中直接嵌入 null等典型违规。
五、启用 OCR 后静态分析双模纠错通道
该方法专用于修复因 OCR 识别引入的隐性字符错误（如 l→1、O→0、;→，），结合 CRNN OCR 输出与 AST 解析器双向校验，在代码写入前完成符号级清洗。
1、在 Qoder CLI 中执行：qoder ocr --input ./snip.png --enable-static-fix。
2、系统自动调用 CRNN 提取文本后，立即启动语法树构建；若检测到 无法解析的 token（如 “Integ3r”、“Clas5”），则启动字符相似度比对模型。
3、比对候选集（如 “Integer” vs “Integ3r”、“Class” vs “Clas5”），选取 Levenshtein 距离最小且符合 AST 结构的修正项。
4、输出最终代码时，在控制台打印修正日志："Fixed 2 symbol errors: 'Integ3r'→'Integer', 'Clas5'→'Class'"。
