cc CLI 自然语言驱动 — 管理手机其他 App + 数据

状态：v0.1 设计稿（2026-05-20）。
要解决的问题：用户说自然语言就能让 cc 去拉数据 / 控 app / 查信息 / 触发 hub ingest，而不必记 30+ 个子命令。技术 spine 是端侧小 LLM（1.5-3B）做 intent 解析 + 既有 cc 命令栈作为 action 执行层 + 隐私 gate 保护敏感操作。
关联文档：
父：Personal_Data_Hub_Android_Standalone_Cc.md（Plan A 主架构，本文档是其 NL 层细节）
同源思路：Personal_Data_Hub_Architecture.md §AnalysisEngine（已有 NL → query-parser → vault facts → LLM 模式，本文档把它从 Q&A 扩展到 Action）
已有 cc NL skill：.claude/skills/cc-cli/SKILL.md（per memory [[cc-cli-nl-skill]]，Claude Code 内已有的 cc 命令自然语言入口；本文档是在用户手机里的同思路实现）
范围：Android 优先（Plan A 落地路径）。桌面端同思路可复用 — 已有 cc-cli SKILL 通过 Claude Code 做 NL 解析，但桌面 v1 优先保留外部 LLM；手机端必须自包含。

1. 背景

1.1 既有 NL 入口 vs 缺口

入口	NL 解析	执行层	范围
Claude Code `cc-cli` SKILL	Claude（用户付费）	Bash 调 cc	通用 cc 命令；不在手机里
桌面 PDH AnalysisEngine `ask`	Ollama qwen2.5:7b	vault 查询（read-only）	只解析查询；不触发 ingest / action
Android in-app terminal（既有 Phase 2.5）	❌ 无	用户手打 cc	必须记命令
Cc NL Phone App Manager（本文档）	端侧 llama.rn 1.5-3B	cc android / cc hub / cc nl	完整覆盖 query + ingest + control

核心缺口：手机用户在通勤路上想说"看看上周和我妈通话多久"，目前路径是 (1) 进 cc terminal → (2) 想起 cc hub ask 命令 → (3) 输入 → (4) 等响应。NL 入口把 1-3 合一。

1.2 为什么不直接复用桌面 AnalysisEngine？

AnalysisEngine 是 Q&A only — 输入问题，输出答案 + citation。它不会触发任何写操作（ingest / register / unregister / app launch）。本文档要的是：

用户 NL → intent classifier → {query | ingest | control | action} → 路由
                                ↓
                    {query: AnalysisEngine.ask}
                    {ingest: cc hub ingest <adapter>}
                    {control: cc android app launch / cc android a11y click}
                    {action: cc android root exec / cc workflow run}

即"先决定意图，再调对应 cc 子命令"。AnalysisEngine 只是 query 这一分支的实现。

1.3 为什么必须端侧 LLM？

选项	评估
远程云 LLM 解析 NL	违背"数据回归个人"哲学 — 用户的 NL 已可能含敏感片段（"上周和我妈通话"暴露关系图）
规则正则解析	中文短语变体爆炸；"昨天微信" / "昨天的微信" / "前一天微信" / "yesterday wechat" 全要写
端侧 1.5B 小 LLM	解析能力足够（intent classification + slot filling）；离线可用；隐私无外泄
桌面 LLM 解析（手机 RPC）	与 Plan B 冲突 — 本设计文档为 Plan A 服务，必须本机自包含

结论：端侧 LLM 必选。准确率不足靠"规则 fast-path"补足（§4.3）。

2. 目标 & 非目标

2.1 目标

#	项	验收
G1	`cc nl "<中文/英文 NL>"` 顶层命令，将 NL 解析为 cc 子命令并执行	`cc nl "拉昨天的通讯录"` → 解析为 `cc android contacts pull --since <ms>` → 执行 → 返回 SyncReport
G2	4 大 intent 类别识别准确率 ≥ 85%（query / ingest / control / action）	单测 50 条 fixture phrases / 实测命中率 ≥ 85%
G3	时间词 fast-path — "昨天" / "上周" / "今天" / "上个月" / "去年" 等高频时间表达走正则不走 LLM	单测覆盖 10+ 时间表达式
G4	实体（adapter 名 / app 名 / 联系人名）的 NER — LLM 输出 JSON slot，cc 端 fuzz-match 到注册 adapter 列表	"拉抖音" → adapter=`social-douyin`；"看京东订单" → adapter=`shopping-jd`
G5	高敏感 action 强制二次确认（destroy / unregister / app launch / root exec / a11y click）	NL "删 vault" → 解析为 destroy → 弹 confirm dialog "你确定吗？"
G6	用户语言纠错 / 二次澄清回路 — 若 intent 不明 / slot 缺失 LLM 输出 `clarify`，cc 端追问一句	"看 xx" → LLM clarify "你想看哪个 app 的数据？我支持: 微信/QQ/淘宝..."
G7	NL 历史 + 上下文记忆 — 最近 5 条 cc nl 输入存 session memory，支持代词指代（"再来一次" / "改成上周")	"拉昨天微信" → "改成上周" → 解析为 wechat + since=lastweek
G8	隐私 gate — 端侧 LLM 始终视为 local；若 LLM 调用走远程 API（用户切了），解析路径不变但 cc 提示 user "正在用远程模型解析你的指令"	UI: warning banner

2.2 非目标（defer 到 v0.2+）

多轮对话 — v0.1 单轮 query / clarify-一次。多轮真正像聊天的留给 [[managed-agents-phase-h]] 那一支。
语音输入 — Android 语音 → 文字 → cc nl 这步走 Android 系统 SpeechRecognizer，不在本文档。
跨设备 NL — 用户在桌面说 "查我手机里的抖音" → 走桌面 cc 远控 → Plan B 路径。本文档只覆盖手机本机。
大模型 14B+ — 1.5-3B 够用；14B 留给重型分析（不是 NL 解析）。
NL 触发自定义 cc 命令 — v0.1 只覆盖白名单 cc 命令（cc hub / cc android / cc llm / cc workflow run），不让 LLM 自由组合 shell 命令（命令注入风险）。

3. Open Questions

OQ-1: NL 解析层和 cc command 层之间的协议

A. LLM 直接输出 cc 命令字符串（cc hub ingest wechat --since <ms>），cc 把它当 bash 执行。简单但有命令注入风险。

B. LLM 输出结构化 JSON {intent, adapter, action, params}，cc 内部映射到子命令调用。安全。

推荐：B。隔离 LLM 输出与 shell 执行。

OQ-2: 不识别的 NL 如何兜底

A. 直接报错 "我没听懂"。

B. 走 AnalysisEngine.ask 兜底（当作 Q&A） — 大多无法分类的 NL 其实是问题。

推荐：B。Q&A 是 80% NL 输入的真实意图。

OQ-3: 端侧 LLM 模型选择

A. qwen2.5:1.5b-instruct（Q4_K_M ~1GB）— 中文优秀。

B. phi-3.5-mini（~2GB）— 英文优秀，中文一般。

C. Llama-3.2-3B（~2GB）— 平衡。

推荐：A 默认（用户基数主要中文）+ C 可选。

OQ-4: NL 命令历史持久化

A. 不持久化（每次 fresh）。

B. session memory 内存（cc 进程生命周期）。

C. 持久化到 ~/.chainlesschain/nl-history.jsonl — 用户可 cc nl history 翻阅。

推荐：B+C 混合 — B 优先（性能），C 后台异步落盘。

4. NL 解析 Pipeline

4.1 整体流程

用户输入 NL
   ↓
┌──────────────────────────────────────────────────────┐
│ Stage 1: 规则 fast-path                              │
│   - 时间词正则提取 (昨天/上周/今天/...)             │
│   - 高频短语直接命中 (cc nl "health" → cc hub health)│
│   - 设备命令直查 (cc nl "list app" → cc android app │
│                                       list)         │
└──────────────────────────────────────────────────────┘
   ↓ (未命中)
┌──────────────────────────────────────────────────────┐
│ Stage 2: 端侧 LLM intent classification              │
│   System prompt: "你是 cc CLI 命令解析器。把用户的   │
│     自然语言解析成 JSON: {intent, adapter?, action?,│
│     since?, until?, target?, params}. 4 类 intent:  │
│     query/ingest/control/action. 输出仅 JSON。"     │
│   User: "拉昨天的微信记录"                          │
│   LLM 输出: {"intent":"ingest","adapter":"wechat",  │
│              "since":"yesterday"}                    │
└──────────────────────────────────────────────────────┘
   ↓
┌──────────────────────────────────────────────────────┐
│ Stage 3: slot 验证 + 实体规范化                      │
│   - "yesterday" → Date.now()-86400000                │
│   - "微信" → adapter="wechat" (fuzz match 注册列表) │
│   - 检查 adapter 在当前设备能力清单内（§5 PlanA）   │
└──────────────────────────────────────────────────────┘
   ↓
┌──────────────────────────────────────────────────────┐
│ Stage 4: 隐私 / 高敏 gate                            │
│   - intent=action + target=destroy → confirm dialog │
│   - adapter 在 P5 (root) 路径且无 root → 拒 + 提示  │
│   - LLM 非本地时整体 gate（继承 AnalysisEngine 规则）│
└──────────────────────────────────────────────────────┘
   ↓
┌──────────────────────────────────────────────────────┐
│ Stage 5: 路由到 cc 子命令                            │
│   {intent:'query'}   → cc hub ask "<原 NL>"          │
│   {intent:'ingest'}  → cc hub ingest <adapter>       │
│                         --since <ms>                 │
│   {intent:'control'} → cc android app launch <pkg>   │
│                       / cc android a11y click ...   │
│   {intent:'action'}  → cc android root exec / cc    │
│                       workflow run / cc hub destroy │
└──────────────────────────────────────────────────────┘
   ↓
┌──────────────────────────────────────────────────────┐
│ Stage 6: 执行 + 反馈                                 │
│   - 流式回显进度（复用既有 cc stream）              │
│   - 错误透传 + LLM 自然语言重述（"我尝试拉微信但你 │
│     的设备没 root，无法访问其它 app 数据"）         │
└──────────────────────────────────────────────────────┘

4.2 4 类 Intent + 路由表

Intent	触发短语示例	路由命令	高敏
query	"我昨天买了啥" / "上周和谁聊得多" / "最近一笔大额支出"	`cc hub ask "<原 NL>"`（走 AnalysisEngine）	否
ingest	"拉昨天的微信" / "同步最近的通讯录" / "把支付宝账单导进去"	`cc hub ingest <adapter> [--since <ms>]`	否（已注册 adapter 的话）
control	"打开微信" / "切到抖音" / "点这个按钮" / "返回桌面"	`cc android app launch <pkg>` / `cc android a11y click <node>`	否
action	"删 vault" / "停掉所有 adapter" / "退出登录淘宝" / "执行截图工作流"	`cc hub destroy --confirm` / `cc android root exec` / `cc workflow run <name>`	是（强 confirm）

4.3 规则 fast-path（Stage 1）

类型	模式	路由
时间词	`昨天	前天
健康检查	`health	健康
Adapter 列表	`所有 adapter	adapter 列表
帮助	`help	帮助
退出	`quit	exit

4.4 端侧 LLM Prompt 模板

[system]
你是 ChainlessChain cc CLI 命令解析器。把用户的中文/英文自然语言指令解析成 JSON。

输出格式（仅 JSON，无 markdown 包装）：
{
  "intent": "query" | "ingest" | "control" | "action" | "clarify",
  "adapter": "<adapter 名 or null>",
  "appPkg": "<Android package or null>",
  "since": "<ISO date or null>",
  "until": "<ISO date or null>",
  "params": {},
  "rationale": "<一句话解释你为什么这么分类>"
}

支持的 adapter（必须 fuzz-match 到这个列表，不能编造）：
  email-imap, alipay-bill, system-data,
  shopping-taobao, shopping-jd, shopping-meituan,
  travel-amap, travel-baidu-map, travel-ctrip, travel-12306,
  ai-chat-history-deepseek (...8 vendor...),
  social-bilibili, social-weibo, social-douyin, social-xiaohongshu,
  messaging-qq, messaging-telegram, messaging-whatsapp,
  wechat

支持的 Android package（必须从 cc android app list 拉到的列表，由 cc 端注入到 prompt）：
\{\{INSTALLED_PKG_LIST\}\}

如果你无法确定 intent 或缺关键 slot，输出 {"intent":"clarify","rationale":"<追问内容>"}。

[user]
\{\{USER_NL\}\}

[assistant]
（JSON）

4.5 Stage 3 实体规范化细节

LLM 输出	规范化结果
`"wechat"` / `"微信"` / `"WeChat"`	adapter = `wechat`（用 Levenshtein ≤ 2 fuzz）
`"taobao"` / `"淘宝"` / `"淘宝订单"`	adapter = `shopping-taobao`
`"yesterday"` / `"昨天"`	since = `Date.now() - 86400000`
`"last week"` / `"上周"` / `"上一周"`	since = 周一 0:00
`"this month"` / `"本月"`	since = 月初
不在注册列表的 adapter	error: "我不认识这个数据源，cc 当前支持: ..."

4.6 Stage 4 高敏 action 矩阵

Action	风险	UI 行为
`cc hub destroy`	极高	弹 confirm dialog 显示 "你将永久删除 X 条事件 / Y 个联系人 / Z MB 数据" — 用户必须输 `yes`
`cc hub unregister <name>`	中	confirm "解绑 Email 账号 X？"
`cc android root exec`	极高	confirm 显示完整 shell 命令
`cc android a11y click`	中	confirm "点击屏幕节点 "`<text>`"？"
`cc android app launch`	低	直接执行 + log
`cc hub ingest`	低	直接执行 + progress
`cc hub ask`	低	直接执行

5. cc 实现层

5.1 新文件清单

文件	职责	LOC 估
`packages/cli/src/commands/nl.js`	顶层 `cc nl` 命令入口 + Stage 1-6 编排	300
`packages/cli/src/lib/nl/fast-path.js`	Stage 1 规则匹配	150
`packages/cli/src/lib/nl/llm-classifier.js`	Stage 2 LLM prompt 构造 + JSON parse	200
`packages/cli/src/lib/nl/normalizer.js`	Stage 3 实体规范化（adapter / time / pkg）	250
`packages/cli/src/lib/nl/gate.js`	Stage 4 隐私/高敏 gate	100
`packages/cli/src/lib/nl/router.js`	Stage 5 路由到 cc 子命令	200
`packages/cli/src/lib/nl/history.js`	历史持久化 + 代词指代解析	150
`packages/cli/src/lib/nl/__tests__/*.test.js`	6 个测试文件 / ≥ 60 tests	—

总新增：~1350 LOC + 6 test file。

5.2 数据流（cc nl 单次调用）

javascript

// packages/cli/src/commands/nl.js (伪代码)
async function ccNl(userNl) {
  // Stage 1
  const fast = tryFastPath(userNl);
  if (fast) return router.execute(fast);

  // Stage 2
  const llmJson = await llmClassifier.classify(userNl, {
    installedPkgs: await cachedInstalledPkgs(),
    registeredAdapters: await hub.listAdapters(),
    history: history.recent(5),
  });

  if (llmJson.intent === 'clarify') {
    print(llmJson.rationale);
    const followup = await readLine('>>> ');
    return ccNl(`${userNl}\n${followup}`); // recursive 一次
  }

  // Stage 3
  const normalized = normalizer.normalize(llmJson);

  // Stage 4
  const gateResult = gate.check(normalized);
  if (gateResult.requireConfirm) {
    const ok = await confirm(gateResult.message);
    if (!ok) return;
  }
  if (gateResult.blocked) {
    return print(gateResult.reason);
  }

  // Stage 5
  const cmd = router.toCommand(normalized);
  history.append({ userNl, cmd, ts: Date.now() });

  // Stage 6
  await execute(cmd, { stream: true });
}

5.3 路由表实现（关键）

javascript

// router.toCommand({intent:'ingest', adapter:'wechat', since: 1716000000000})
// → returns: ['cc', 'hub', 'ingest', 'wechat', '--since', '1716000000000']

const ROUTES = {
  query: (n) => ['cc', 'hub', 'ask', n._originalNl],
  ingest: (n) => [
    'cc', 'hub', 'ingest', n.adapter,
    ...(n.since ? ['--since', String(n.since)] : []),
    ...(n.until ? ['--until', String(n.until)] : []),
  ],
  control: (n) => {
    if (n.appPkg && n.action === 'launch')
      return ['cc', 'android', 'app', 'launch', n.appPkg];
    if (n.action === 'a11y-click' && n.params?.nodeId)
      return ['cc', 'android', 'a11y', 'click', n.params.nodeId];
    throw new Error('Unsupported control action');
  },
  action: (n) => {
    // 高敏，gate 已 confirm 过
    if (n.action === 'destroy')
      return ['cc', 'hub', 'destroy', '--confirm'];
    if (n.action === 'root-exec' && n.params?.cmd)
      return ['cc', 'android', 'root', 'exec', n.params.cmd];
    if (n.action === 'workflow-run' && n.params?.name)
      return ['cc', 'workflow', 'run', n.params.name];
    throw new Error('Unsupported action');
  },
};

5.4 历史 + 代词指代

javascript

// history.recent(5) 返回最近 5 条
// 用户输入 "改成上周" → LLM 看到 history 后理解 "改成上周" 是修改上一次 ingest 的 since 参数
// LLM prompt 加 history block:
//
// 最近的 cc nl 上下文（最新在最后）：
//   1. "拉昨天的微信" → ingest wechat since=2026-05-19
//   2. （当前）"改成上周"
//
// LLM 输出应该: {intent:'ingest', adapter:'wechat', since:'2026-05-13'}

6. Sub-Phase 拆分

Sub-Phase	主题	关键产出	测试	工时
N1	`cc nl` 顶层命令骨架 + 规则 fast-path Stage 1	`cc nl "health"` 直接 `cc hub health`	unit ≥ 15	0.5d
N2	端侧 LLM classifier Stage 2	LLM JSON 输出 + parse 错误 fallback	unit ≥ 10 fixture phrases / mock LLM	1d
N3	Normalizer Stage 3 (adapter / time / pkg fuzz)	"微信" → "wechat" / "昨天" → ms	unit ≥ 20	1d
N4	Gate Stage 4 + 高敏 confirm	destroy 弹 confirm 拦截	unit ≥ 10	0.5d
N5	Router Stage 5 + 4 intent 路由	全 4 intent 路由到对应 cc 命令	unit ≥ 16 (4 intent × 4 happy/error)	1d
N6	历史 + 代词指代	"再来一次" / "改成上周"	unit ≥ 8	0.5d
N7	clarify 回路（v0.1 仅 1 跳）	缺 slot 时追问 + 二次输入	unit ≥ 5	0.5d
N8	真机 E2E 8 场景	见 §7	真机 Xiaomi 24115RA8EC	0.5d

总工时：~5d。本文档与 Plan A 串行（依赖 LlamaRn 已落 — Plan A Sub-Phase A3）。

7. 真机 E2E 8 场景

#	NL	期望 cc 命令	验收
N-E1	"我有几个联系人"	`cc hub ask "我有几个联系人"`	返回正确数字
N-E2	"拉昨天的通讯录"	`cc hub ingest system-data --since <ms>`	SyncReport ingested ≥ 0
N-E3	"上周和谁通话最多"	`cc hub ask "..."`	返回 top-N 列表
N-E4	"打开抖音"	`cc android app launch com.ss.android.ugc.aweme`	Activity 启动
N-E5	"删 vault"	confirm dialog → 用户 cancel → 不执行	vault 保留
N-E6	"拉微信"（非 root 设备）	gate 拒 + 提示 "需要 root"	友好错误
N-E7	"拉微信"（rooted 设备）	confirm root exec → 用户 yes → `cc android root exec` 链	SyncReport
N-E8	"改成上周"（紧接 N-E2 后）	继承 system-data + since=上周	SyncReport

8. Forward-looking Traps

LLM 输出非 JSON / markdown 包装的 JSON — 1.5B 模型有概率包 ``````json ... ````或加废话。Mitigation: parse 失败时 regex 抠最近的` 块；3 次失败兜底走 AnalysisEngine.ask（当 Q&A）。
adapter 名 fuzz-match 假阳性 — "小红"匹配到 social-xiaohongshu。Mitigation: 用 token-overlap 而非 substring；阈值 ≥ 0.6；ambiguous 时走 clarify。
时间词歧义 — "上周末" / "周六" / "上个工作日" — 模糊定义。Mitigation: 仅支持枚举集（昨天/前天/今天/明天/上周/本周/上月/本月/上一年/本年），其它走 LLM + clarify。
代词指代多层嵌套 — "再来一次但改成上周再加抖音" — 多 slot 改写 LLM 失败率高。Mitigation: v0.1 单 slot 改写支持；多 slot 走 clarify "你说的是: ingest wechat since=last-week + ingest douyin since=last-week 吗？"
命令注入 — LLM 输出 raw shell 字符串 — LLM 输出 cc hub ask "; rm -rf $HOME"。Mitigation: 严格 JSON 路由（§5.3），LLM 输出不直接进 shell；所有参数 spawn execFile 不 shell。
history 跨敏感会话泄漏 — 用户在公共场合 cc nl history 暴露之前问过的"我妈生日"。Mitigation: history 命令默认问 LLM "是否含敏感词"，含则提示用户独立窗口查看 + 可选 PIN gate。
端侧 LLM 中文 token 化慢 — 1.5B 模型中文 tok/s 比英文低 30%。Mitigation: 接受；如真机测出 > 10s 单 query 体验差，切 3B 模型。
NL 命令 ambiguous 时 clarify 嵌套循环 — clarify 后用户答的更模糊。Mitigation: 最多 2 跳 clarify；第三跳直接 cc --help + 短语集。
history 持久化文件污染 cc CI — nl-history.jsonl 进 .chainlesschain/，cc CI 默认会 cleanup 此目录可能跨测污染。Mitigation: 路径用 separate .chainlesschain/nl/history.jsonl；CI test 用 tmpdir。
远程 API key 用户偷换为云 LLM 解析 — 用户设 cc llm provider anthropic 后跑 cc nl 时解析也走 anthropic，敏感 NL 出墙。Mitigation: cc nl 默认强制端侧 LLM（不读 cc llm provider）；想用云 LLM 解析 NL 走 cc nl --llm anthropic 显式 opt-in + warning。
NER 必须知道当前注册 adapter 列表 — LLM prompt 含注入；列表过长 → context window 撑爆。Mitigation: ≤ 30 个 pkg 全注入；> 30 时只注入用户最近用过的 + 仍可 "list app" 走 fast-path 拿全列表。
用户期望 NL 直接修改 cc config — "把模型换成 3B" → 这是 cc config 改而非 cc hub/android。Mitigation: v0.1 加第 5 类 intent config，路由到 cc config set <key> <value>，但限制白名单 key（llm.provider / llm.model / etc）。

9. 端侧 LLM 模型分发

9.1 模型清单（v0.1）

模型	量化	大小	tok/s (Snapdragon 8 Gen 3)	用途
qwen2.5-1.5b-instruct	Q4_K_M	~1.1GB	~25	默认 NL 解析
qwen2.5-3b-instruct	Q4_K_M	~2.1GB	~12	高级 NL 解析（v0.2）

9.2 分发路径

APK 不内置（避免体积膨胀，per Plan A trap 12）
首次 cc nl / cc llm pull qwen2.5-1.5b 触发下载
CDN: https://models.chainlesschain.com/<model>.gguf + SHA-256 校验
离线设备：用户在桌面下载 → SAF 拖入 /sdcard/Download/qwen2.5-1.5b.gguf → cc llm import <path>

10. 与既有 cc-cli SKILL 的关系

桌面 Claude Code 已有 cc-cli SKILL（per memory [[cc-cli-nl-skill]]）— 用户在 Claude Code 里说"列我所有 skill"，Claude 通过 cc --help 动态发现命令并调用。本文档与之互补不重叠：

维度	cc-cli SKILL（Claude Code 桌面）	Cc NL Phone App Manager（手机）
LLM 来源	Claude（用户已付费）	端侧 llama.rn
触发场景	用户在 Claude Code 对话窗口里说话	用户在 Android cc terminal 或 NL UI 里说话
命令发现	`cc --help` 动态	端侧 prompt 注入 adapter / pkg 列表
隐私	看 Claude 服务条款	端侧 100% 本机
上下文记忆	Claude session（对话）	cc nl history.jsonl

长期可考虑 Claude Code 用 cc-cli SKILL 调远控手机的 cc nl（Plan B 路径），即"桌面 NL → cc remote → 手机 cc nl"。v1 范围外。

11. 决策结论

问题："用 cc CLI 自然语言管理手机其他 app 和数据"

答：技术上可行。Pipeline = 端侧小 LLM (intent classifier) + 既有 cc 命令栈作为执行层 + 4 类 intent 路由 + 隐私 gate。

核心条件：

⏳ Plan A LlamaRn 落地（依赖 Personal_Data_Hub_Android_Standalone_Cc.md Sub-Phase A3）
⏳ 新增 cc nl 顶层命令 + 6 lib/nl/* 模块 (~5d)
✅ 既有 cc 命令栈、AnalysisEngine、AdapterRegistry 零改动复用

总工程：~5d 在 Plan A LlamaRn 落地之后串行。

强约束：

端侧 LLM 模型 1.5-3B 范围；APK 不内置，走 CDN on-demand
高敏 action 强制 confirm（不让 LLM 自动 destroy / root exec / a11y click）
命令注入防护严格 JSON 路由（不让 LLM 输出 raw shell）

下一步：(1) 用户 align 是否做；(2) 若做，等 Plan A Sub-Phase A3 (LlamaRn) 落地后启 N1。

cc CLI 自然语言驱动 — 管理手机其他 App + 数据 ​

1. 背景 ​

1.1 既有 NL 入口 vs 缺口 ​

1.2 为什么不直接复用桌面 AnalysisEngine？ ​

1.3 为什么必须端侧 LLM？ ​

2. 目标 & 非目标 ​

2.1 目标 ​

2.2 非目标（defer 到 v0.2+） ​

3. Open Questions ​

OQ-1: NL 解析层和 cc command 层之间的协议 ​

OQ-2: 不识别的 NL 如何兜底 ​

OQ-3: 端侧 LLM 模型选择 ​

OQ-4: NL 命令历史持久化 ​

4. NL 解析 Pipeline ​

4.1 整体流程 ​

4.2 4 类 Intent + 路由表 ​

4.3 规则 fast-path（Stage 1） ​

4.4 端侧 LLM Prompt 模板 ​

4.5 Stage 3 实体规范化细节 ​

4.6 Stage 4 高敏 action 矩阵 ​

5. cc 实现层 ​

5.1 新文件清单 ​

5.2 数据流（cc nl 单次调用） ​

5.3 路由表实现（关键） ​

5.4 历史 + 代词指代 ​

6. Sub-Phase 拆分 ​

7. 真机 E2E 8 场景 ​

8. Forward-looking Traps ​

9. 端侧 LLM 模型分发 ​

9.1 模型清单（v0.1） ​

9.2 分发路径 ​

10. 与既有 cc-cli SKILL 的关系 ​

11. 决策结论 ​

cc CLI 自然语言驱动 — 管理手机其他 App + 数据

1. 背景

1.1 既有 NL 入口 vs 缺口

1.2 为什么不直接复用桌面 AnalysisEngine？

1.3 为什么必须端侧 LLM？

2. 目标 & 非目标

2.1 目标

2.2 非目标（defer 到 v0.2+）

3. Open Questions

OQ-1: NL 解析层和 cc command 层之间的协议

OQ-2: 不识别的 NL 如何兜底

OQ-3: 端侧 LLM 模型选择

OQ-4: NL 命令历史持久化

4. NL 解析 Pipeline

4.1 整体流程

4.2 4 类 Intent + 路由表

4.3 规则 fast-path（Stage 1）

4.4 端侧 LLM Prompt 模板

4.5 Stage 3 实体规范化细节

4.6 Stage 4 高敏 action 矩阵

5. cc 实现层

5.1 新文件清单

5.2 数据流（cc nl 单次调用）

5.3 路由表实现（关键）

5.4 历史 + 代词指代

6. Sub-Phase 拆分

7. 真机 E2E 8 场景

8. Forward-looking Traps

9. 端侧 LLM 模型分发

9.1 模型清单（v0.1）

9.2 分发路径

10. 与既有 cc-cli SKILL 的关系

11. 决策结论