WolfMarkTools/WolfMarkDown

Was macht WolfMarkDown?

Ein Agenten-Publishing-Workflow, um chaotische KI-Ausgabe in professionelles Markdown zu verwandeln, das bereit zur Überprüfung und Aufbewahrung ist.

Agenten-Urteil für Struktur. Deterministische Werkzeuge für den Beweis.

KI-Agenten können nützliche Recherchen, Pläne und Dokumentationen erstellen, hinterlassen dabei aber oft flache Vergleiche, inkonsistente Überschriften, kopiertes Chat-Gerüst, defekte Codeblöcke und veränderte technische Identifikatoren.

WolfMarkDown gibt dem Agenten einen disziplinierten Publishing-Workflow:

• der Agent entscheidet über Bedeutung, Struktur, Bereinigung und Zusammenstellung;
• deterministische Werkzeuge formatieren und validieren das resultierende Markdown;
• geschützte Inhalte, Rollback und Veröffentlichungsgrenzen werden geprüft, bevor das Ergebnis behalten wird.

Das Ergebnis ist keine magische Markdown-Reparaturmaschine. Es ist ein Agenten-Workflow mit deterministischen Beweisen rund um das Artefakt.

Warum WolfMarkDown existiert

Prettier ist ein hervorragender Markdown-Drucker. Es kann nicht entscheiden, ob ein flacher Block eine Vergleichstabelle enthält, ob ein kurzer Satz eine Überschrift ist oder ob eine kopierte Agentennachricht zum Dokument gehört.

WolfMarkDown trifft diese Entscheidungen explizit und konservativ. Es repariert klare Struktur, bewahrt wirklich mehrdeutiges Material und berichtet, was wiederhergestellt wurde. Es überprüft weder die Quelle auf Fakten noch genehmigt es die Veröffentlichung.

Fähigkeit	Prettier allein	WolfMarkDown
Deterministische Markdown-Formatierung	Ja	Ja
Reparatur der semantischen Dokumentenstruktur	Nein	Ja
Entfernen von kopiertem KI-Konversationsgerüst	Nein	Ja
Wiederherstellung fehlerhafter Vergleichstabellen	Nein	Ja
Schutz von URLs, Code, Hashes, Versionen und Identifikatoren	Nein	Ja
Überprüfung der GFM-Parsing- und Codeblock-Balance	Nein	Ja
Ausführung von markdownlint vor der Veröffentlichung	Nein	Ja
Überprüfung der Idempotenz	Nein	Ja
Wiederherstellung des Originals nach fehlgeschlagener Bereinigung	Nein	Ja
Verweigerung der Veröffentlichung einer fehlgeschlagenen Zusammenstellung	Nein	Ja

WolfMarkDown schreibt bereits guten Text nicht um, nur um ihn anders klingen zu lassen. Das Ziel ist die minimal notwendige semantische Bereinigung mit deterministischen Beweisen, dass das Ergebnis sicher aufbewahrt werden kann.

Installation

npx skills add WolfMarkTools/WolfMarkDown --skill wolfmarkdown

Die skills-CLI installiert die kanonische wolfmarkdown/-Fähigkeit für den ausgewählten, mit Agent Skills kompatiblen Host. Ein Repository-Checkout kann auch ausgeführt werden:

npm ci --prefix wolfmarkdown
node wolfmarkdown/scripts/install.mjs

Für eine nicht-interaktive Claude Code-Installation:

npx skills add WolfMarkTools/WolfMarkDown \
  --skill wolfmarkdown \
  -g \
  -a claude-code \
  -y

Das Installationsprogramm repariert Laufzeitabhängigkeiten nur bei Bedarf, konfiguriert die gemeinsame .agents/skills/wolfmarkdown-Erkennung, konfiguriert den Claude Code-Kompatibilitätspfad, verwendet unter Windows bei Bedarf eine Directory Junction und weigert sich, nicht zusammenhängende Pfade zu überschreiben.

Schnellanwendung

Verwenden Sie WolfMarkDown für docs/architecture.md.

Exportieren Sie diese Recherche als Markdown mit WolfMarkDown.

Überprüfen Sie docs/architecture.md mit WolfMarkDown, ohne es zu ändern.

Wenn ein Host Slash-Befehle bereitstellt, kann derselbe Workflow wie folgt aufgerufen werden:

/wolfmarkdown docs/architecture.md
/wolfmarkdown verify docs/architecture.md

Die natürliche Sprachinvokation ist die portable Schnittstelle. Die Darstellung als Slash-Befehl ist hostspezifisch.

Operationen

Operation	Was WolfMarkDown tut
Compose	Erstellt eine echte .md-Datei aus Quellmaterial, entfernt Chat-nur-Gerüst, formatiert sie, verifiziert sie und veröffentlicht nur nach BESTANDEN.
Clean	Repariert eine vorhandene Markdown-Datei mit den kleinstmöglichen semantischen Änderungen und stellt das Original wieder her, wenn die Verifizierung fehlschlägt.
Verify	Überprüft Markdown, ohne es zu ändern.
Doctor	Überprüft Laufzeitabhängigkeiten und Fähigkeitserkennung, ohne die Installation zu verändern.
Setup	Repariert Laufzeitabhängigkeiten nur bei Bedarf und konfiguriert die gemeinsame Fähigkeitserkennung.

Typische Bereinigungsziele umfassen die Überschriftenhierarchie, fehlerhafte Listen, defekte GFM-Tabellen, nicht geschlossene Codeblöcke, kopierte Agentenkommentare, konversationsabhängige Formulierungen und dekoratives Rauschen, das nicht in der Dokumentation überleben sollte.

Vorher und nachher

Ein chaotischer Agentenentwurf kann einen Vergleich in einen Block flachklopfen:

Empfehlung relay_v2 für den externen Wallet-Flow verwenden.
Vergleich Anbieter Modus Risiko Privy Externe Genehmigung Mittel CDP Integriertes Wallet Hoch.
Implementierungshinweise relay_v2 bestätigt getTransaction nach der Einreichung.

Nachdem der Agent die Struktur explizit gemacht hat, kann WolfMarkDown ein Dokument wie das folgende veröffentlichen:

# Entscheidung zum Wallet-Flow

## Empfehlung

Verwenden Sie `relay_v2` für den externen Wallet-Flow.

## Vergleich

| Anbieter | Modus | Risiko |
| --- | --- | --- |
| Privy | Externe Genehmigung | Mittel |
| CDP | Integriertes Wallet | Hoch |

## Implementierungshinweise

`relay_v2` bestätigt `getTransaction` nach der Einreichung.

Die Ausgabe stellt eine Tabelle und Überschriften wieder her, bewahrt die technischen Identifikatoren und fügt keine Informationen hinzu, die in der Quelle nicht vorhanden waren. Dies ist ein veranschaulichendes Strukturbeispiel; das semantische Urteil bleibt im Besitz des Agenten.

Beispiele

Die öffentlichen Beispiele zeigen, wie WolfMarkDown Struktur aus echtem agentengeprägtem Markdown wiederherstellt, ohne fehlende Bedeutung zu erfinden.

• Beispiel zur Mobil-App-Migration – eine vollständige Vorher-Nachher-Fixtur, die Chat-Wrapper-Bereinigung, tabulatorgetrennte Tabellen, Unicode-Aufzählungszeichen, geschützte Umgebungsvariablen und eine absichtlich mehrdeutige Datenbanknotiz abdeckt.
• Roheingabe – die KI-Ausgabe vor der Reparatur.
• Strukturierte Ausgabe – das resultierende Markdown mit Überschriften, GFM-Tabellen, Listen und einem env-Codeblock.

Die Beispiel-README dokumentiert das OpenCode-Harness, das Modell GLM-5.2 und den genauen Prompt, der für die Reproduktion verwendet wurde.

Integrationsstatus unterstützter Hosts

WolfMarkDown hat eine kanonische Implementierung. Die Tabelle unterscheidet zwischen im Repository getesteten Erkennungspfaden und der Host-Akzeptanz, die noch einen dedizierten Smoke-Test benötigt.

Host	Integrationsstatus	Erkennungspfad
Codex	Repository-Erkennungs- und Installationspfad getestet	Gemeinsames .agents/skills
Cursor	Repository-Erkennungs- und Installationspfad getestet	Gemeinsames .agents/skills
Claude Code	Kompatibilitätslink-Pfad getestet	.claude/skills
OpenCode	Host-Akzeptanz ausstehend	Gemeinsames .agents/skills, wenn vom Host aktiviert
Gemini CLI	Host-Akzeptanz ausstehend	Gemeinsames .agents/skills, wenn vom Host aktiviert
GitHub Copilot	Host-Akzeptanz ausstehend; Plugin-Übernahme ist historischer Beleg	Agent Skills oder Plugin-Unterstützung, aktiviert vom Host

Die Host-Akzeptanz wird nicht aus dem Vorhandensein einer Binärdatei oder eines Verzeichnisses abgeleitet. Das Host-Modell bestimmt die semantische Qualität; WolfMarkDown liefert den Workflow und die deterministischen Prüfungen.

So funktioniert es

Benutzerabsicht
    ↓
Semantisches Urteil des Agenten
    ↓
Quellzuordnung und semantische Reparatur
    ↓
GFM-Parsing + Überschriften-/Tabellenprüfungen
    ↓
Codeblock-, Frontmatter- und Leerraumprüfungen
    ↓
Prettier-Formatierungsprüfung
    ↓
markdownlint
    ↓
Geschützte Token-Integrität (mit einer Quellaufnahme) + Idempotenz
    ↓
BESTANDEN → behalten oder veröffentlichen     FEHLGESCHLAGEN → wiederherstellen oder nicht veröffentlichen

Vor der Formatierung prüft der Agent auf flache semantische Struktur. Ein Dokument kann gültiges Markdown und dennoch eine fehlgeschlagene Transformation sein, wenn es Tabellen, Überschriften, Listen oder Beziehungen verloren hat.

Grenze der semantischen Reparatur

Der Agent rekonstruiert Überschriften, Listen, Tabellen, Absätze und verwandte Abschnitte nur, wenn die Quelle die Struktur klar macht. Ein tabulatorloser Lauf ist nicht automatisch eine Tabelle, ein kurzer Satz ist nicht automatisch eine Überschrift und eine isolierte Label: value-Phrase ist nicht automatisch ein Listenelement. Bei langen Dokumenten führt der Agent eine Quellzuordnung durch und gleicht die vollständige Gliederung, abteilungsübergreifende Beziehungen, Tabellengrenzen und geschützte Werte ab, bevor er veröffentlicht. Wenn die Quelle nicht vollständig überprüft werden kann, bewahrt er die Unsicherheit und meldet die Grenze, anstatt zu raten.

Verifizierung und Qualitätsgrenze

WolfMarkDown BESTANDEN bedeutet, dass das Artefakt die anwendbaren deterministischen Prüfungen bestanden hat:

• das Markdown-Artefakt hat Formatierungs-, Parsing-, Lint-, Codeblock- und Idempotenzprüfungen bestanden;
• der Agent hat quellbegründete Strukturentscheidungen getroffen und gemeldet;
• geschützter technischer Inhalt wurde nur dann bewahrt, wenn die Integrität anhand einer unberührten Quellaufnahme überprüft wurde, wie bei Clean und Compose oder mit --integrity-from;
• fehlgeschlagene Clean- und Compose-Operationen haben kein unverifiziertes veröffentlichtes Ergebnis hinterlassen.

Standalone Verify ohne eine Integritätsquelle meldet die Integritätsprüfung als übersprungen. Sein BESTANDEN beweist nicht, dass geschützte Token bewahrt wurden.

Geschützte Details

Wenn eine unberührte Quellaufnahme verfügbar ist, schützen Integritätsprüfungen technischen Inhalt, einschließlich:

• URLs, Inline-Code und Codeblöcke;
• öffentliche Schlüssel, Signaturen, Hashes, Versionen und Identifikatoren;
• Dateisystempfade und kontextbezogene Umgebungsvariablen;
• Daten, Prozentsätze und Währungswerte.

Dies sind Markdown-Qualitätsbelege, keine Inhaltsgenehmigung. BESTANDEN begründet weder sachliche Richtigkeit, Vollständigkeit, Aktualität, Richtlinienkonformität noch Autorisierung zur Veröffentlichung. Es überprüft keine Behauptungen auf Fakten.

Deterministische Prüfungen sind Belege für Artefakt-Eigenschaften. Sie sind kein semantisches Orakel und ersetzen nicht die Verantwortung des Agenten, jedes klare Quellsignal zu berücksichtigen.

v0.2.1 Release-Nachweise

• 82/82 Node-Tests bestanden.
• Ausführbare semantische Eigenschaftsprüfungen decken Überschriften, GFM-Tabellen, geschützte Token und die Bewahrung mehrdeutiger Tabellen ab.
• skills-ref validate ./wolfmarkdown bestanden.
• Installationsprogramm, Doctor, Rollback, Zielkollision, Integritäts- und Idempotenzprüfungen bleiben abgedeckt.

Historische externe Plugin-Übernahme

Das v0.1.1 Agent Plugins-Paket hat die automatisierte externe Plugin-Übernahme von GitHub Awesome Copilot bestanden. Dies ist ein historischer Verpackungsnachweis, kein Host-Akzeptanznachweis für v0.2.1.

Architekturdetails

WolfMarkDown/
├── plugin.json
├── .agents/
│   └── skills/
│       └── wolfmarkdown → ../../wolfmarkdown
├── skills/
│   └── wolfmarkdown → ../wolfmarkdown
└── wolfmarkdown/
    ├── SKILL.md
    ├── config/
    ├── lib/
    ├── references/
    ├── scripts/
    └── tests/

Vom Agenten getroffene Entscheidungen

Der Agent ist verantwortlich für die Absichtslenkung, Quellzuordnung, semantische Klassifizierung, Konversationsbereinigung, Wiederherstellung von Überschriften/Listen/Tabellen, Behandlung von Mehrdeutigkeiten und Zusammenstellung.

Deterministischer Beweis

Die Skripte sind verantwortlich für Formatierung, Markdown-Lint, GFM-Parsing, Codeblock-Balance, Frontmatter-Prüfungen, geschützte Token-Integrität, Idempotenz, Installation, Doctor-Prüfungen, Rollback und eigenschaftsbasierte semantische Auswertung. Sie schreiben keine Quellbedeutung um.

Prettier ist der alleinige endgültige Drucker.

Die Maschinenfähigkeits-ID und das Dateisystemverzeichnis sind absichtlich kleingeschrieben wolfmarkdown; der Produktname ist WolfMarkDown.

Semantische Auswertungen

Das Auswertungskorpus verwendet synthetische Dokumente und strukturelle Eigenschaften anstelle von brüchigen vollständigen Dokument-Momentaufnahmen. Führen Sie einen Fall gegen einen agentenproduzierten Kandidaten nach dem normalen Verifizierer aus:

node wolfmarkdown/scripts/evaluate-semantic.mjs \
  --case ambiguous-structure-preservation \
  source.md candidate.md

Der Auswerter prüft erwartete Überschriften- und Tabellenanzahlen, die Bewahrung geschützter Token und Sicherheitseigenschaften wie die Weigerung, einen mehrdeutigen, überschriftenlosen Lauf in eine Tabelle zu verwandeln. Er leitet den Kandidaten nicht ab oder repariert ihn.

Entwicklerbefehle

npm ci --prefix wolfmarkdown
npm test
npx --yes skills-ref validate ./wolfmarkdown

Nützliche direkte Befehle:

node wolfmarkdown/scripts/doctor.mjs
node wolfmarkdown/scripts/format-markdown.mjs path/to/file.md
node wolfmarkdown/scripts/verify-markdown.mjs path/to/file.md
node wolfmarkdown/scripts/evaluate-semantic.mjs --help

Semantische Fälle befinden sich in wolfmarkdown/tests/evals/. Hostübergreifende Akzeptanzeingaben befinden sich in wolfmarkdown/tests/acceptance/.

Aktuelle Grenzen

• /wolfmarkdown setup funktioniert nur, nachdem die Fähigkeit vom Host auffindbar ist.
• --mode wird nicht unterstützt.
• Anbieterspezifische Fähigkeitsforks werden nicht erstellt.
• Windows erfordert die Berechtigung, die entsprechende Erkennungs-Junction zu erstellen.
• Die semantische Bereinigung bleibt bewusst vom Agenten beurteilt.
• Der Verifizierer beweist Markdown-Artefakt-Eigenschaften; er zertifiziert weder willkürliche Prosa noch die Veröffentlichungsbereitschaft.
• Die Reparatur langer Dokumente hängt davon ab, dass der Agent sein Dokumenten-Ledger behält und abgleicht; eine unvollständige Quellenüberprüfung muss gemeldet werden, anstatt geraten zu werden.

Repository-Metadaten

Empfohlene GitHub-Repository-Themen:

ai-agents agent-skills markdown documentation claude-code codex cursor github-copilot

Themen sollten in den GitHub-Repository-Einstellungen konfiguriert werden. Sie sind Auffindbarkeits-Metadaten, kein Kompatibilitätsnachweis.

Mitwirken

Sie haben einen Markdown-Grenzfall gefunden, den WolfMarkDown besser handhaben sollte? Eröffnen Sie ein Issue.

Pull Requests sind besonders nützlich für reproduzierbare Markdown-Fehlschläge, Integritäts-Grenzfälle, plattformübergreifende Installationsprobleme, zusätzliche Host-Akzeptanznachweise und fokussierte Verbesserungen, die die Single-Implementierungs-Architektur bewahren.

Lizenz

WolfMarkDown ist unter der MIT-Lizenz verfügbar.