《WaLiSSH - AI Shell 智能终端》第2-4节：ReAct 动态 Prompt 上下文增强

作者：小傅哥
博客：https://bugstack.cn (opens new window)
视频：https://t.zsxq.com/jKjt7 (opens new window)

沉淀、分享、成长，让自己和他人都能有所收获！😄

大家好，我是技术UP主小傅哥。

上一节我们把 ReAct 的执行过程沉淀成了 Case 层的五节点链路：RootNode → AiCallNode → ToolCallNode → LoopDecisionNode → UserFeedbackNode，整条链路已经“跑得起来、停得下来、扩得出去”。但如果你真的拿它去操作服务器，很快会发现一个隐蔽但致命的问题——AI 是“失忆”的，也是“盲人”。

啥意思？

你让它“帮我安装 docker”，它不知道当前服务器是 Ubuntu 还是 CentOS，只能瞎猜一条命令发下去；你上一轮刚在 /opt/app 目录下操作，这一轮它根本不知道自己在哪个目录；你刚说“不对，换个方式”，它下一轮就把你的纠偏忘了，继续按老思路干。更要命的是，如果模型哪天抽风给你生成一条 rm -rf /，后端也没有任何拦截，直接就往服务器上打了。

这些问题的根源，不在于模型不够聪明，而在于我们给模型的上下文太少了。上一节的 AiCallNode 只是把用户的原始消息原封不动地丢给模型，模型看到的永远是“一句孤立的话”，没有环境、没有历史、没有教训。

所以这一节，我们要给 ReAct 引擎装上“眼睛”和“记性”——做动态 Prompt 上下文增强。你可以在每轮对话前，自动把服务器环境信息（OS、用户、工作目录）、最近执行的命令、关键事件（用户纠偏、任务切换、工具报错）注入到用户消息里，让模型每次决策时都“心里有数”。同时，再给工具层加一道危险命令拦截，把 rm -rf / 这类自杀式命令挡在门外。

这一节做完，WaLiSSH 的 AI 将从“一个只会埋头执行的工具人”，变成“一个知道自己在哪、干过啥、被纠正过啥的运维助手”。

一、本章诉求

本章的目标，是在 walissh-server 工程里，为 ReAct Case 层增加一套动态 Prompt 构建体系，核心包括：

• 定义 Prompt 上下文值对象：通过 PromptContextVO 承载环境信息、最近命令、里程碑事件三类动态上下文。
• 实现动态 Prompt 构建器：DynamicPromptBuilder 负责把上下文组装成结构化的消息前缀（[系统环境]、[最近执行的命令]、[关键事件]）。
• 实现里程碑追踪器：MilestoneTracker 基于正则规则自动识别用户纠偏、任务完成、任务切换、工具报错等关键事件，并按会话维度缓存。
• 收口 Prompt 领域服务：通过 IPromptService 统一对外提供“环境采集 + 里程碑记录 + 消息富化”能力，Case 层只依赖接口，不碰内部组件。
• 改造 AiCallNode 注入逻辑：在每轮调用模型前，自动构建富化消息（原始消息 + 动态前缀），并在工具执行后记录命令与里程碑。
• 危险命令拦截：在 SshExecuteAdkTool 中通过正则识别 rm -rf /、dd if=、mkfs. 等高危命令，直接拒绝执行。
• 扩展 DynamicContext：增加 recentCommands 最近命令缓存，支撑跨轮次的命令记忆。

如果说上一节是“让 AI 跑得有章法”，这一节就是“让 AI 跑得有脑子、有分寸”。

二、流程设计

这一节的核心变化，发生在 AiCallNode 调用模型之前和工具执行之后。上一节的链路是“用户消息 → 直接丢给模型”，这一节变成了“用户消息 → 采集环境 + 查询里程碑 → 拼装动态前缀 → 富化消息 → 再丢给模型”。

完整链路如下：

1. AiCallNode 拿到用户消息后，先调用 promptService.detectAndRecordMilestone()，让 MilestoneTracker 判断这句话是不是一次纠偏/切换/完成信号。
2. 接着调用 promptService.buildEnrichedMessage()，由 PromptService 完成三件事：
   • 通过 ISshTerminalService 在终端里执行 uname -srm、whoami、pwd，采集环境信息；
   • 从 MilestoneTracker 取出该会话最近 10 条里程碑；
   • 从 DynamicContext 取出最近执行的命令列表。
3. DynamicPromptBuilder 把这三类数据拼装成消息前缀，拼在原始用户消息前面，形成富化消息。
4. 富化消息交给 ADK Runner 推理，模型这下就能“看到”自己在哪台机器、哪个目录、刚干过啥、用户纠过啥。
5. 工具执行完成后，AiCallNode 把执行的命令记录到 DynamicContext.recentCommands，并把工具结果交给 MilestoneTracker 检测是否出现报错里程碑。
6. 下一轮循环时，这些新产生的上下文又会被注入，形成“越聊越聪明”的正循环。