Masterarbeit/.claude/skills/run-experiment/references/opencode-adapter.md

# OpenCode-Adapter

Ein Wrapper, zwei Provider. `opencode-adapter.py` startet OpenCode headless und normalisiert den
Lauf nach `RawResult.json`. Welcher Provider gilt, entscheidet `--provider`:

| `--provider` | Modell-IDs | Betrieb | Vorlage |
|---|---|---|---|
| `tensorx` (Standard) | `z-ai/*`, `qwen/qwen3.8-flash-next`, `moonshotai/*` | Remote-Gateway `https://api.tensorx.ai/v1` | `opencode-tensorx.json` |
| `lmstudio` | `google/gemma-4-e4b`, `qwen/qwen3.8-27b` | lokaler LM-Studio-Server `http://localhost:1234/v1` | `opencode-lmstudio.json` |

`qwen/qwen3.8-flash-next` (TensorX) und `qwen/qwen3.8-27b` (lokal) teilen sich das Präfix `qwen/`.
Das Präfix allein bestimmt den Adapter deshalb **nicht** – maßgeblich ist die vollständige
Modell-ID gemäß dieser Tabelle.

Der Abschnitt **LM Studio** unten beschreibt alles, was nur für den lokalen Betrieb gilt.
Alle übrigen Abschnitte gelten für beide Provider.

## Voraussetzungen und Authentifizierung

1. OpenCode installieren und die Version protokollieren:

   ```powershell
   npm install -g opencode-ai
   opencode --version
   ```

2. Nur für `--provider tensorx`: TensorX einmal im OpenCode-Credential-Store anmelden
   (`--provider lmstudio` braucht keine Anmeldung – der lokale Server prüft keinen Key):

   ```powershell
   opencode auth login
   opencode auth list
   ```

   Die statische Datei `opencode-tensorx.json` enthält Provider, Basis-URL, Modelle und
   Effort-Varianten, aber keinen API-Key. Der Adapter liest weder Cline-Dateien noch einen
   Cline-Credential-Store. OpenCode löst das Credential selbst auf. Keys niemals in
   Laufartefakte, Prompts oder die Konfigurationsvorlage schreiben.

## Modell- und Effort-Mapping

Der Adapter ergänzt intern das Providerpräfix (`tensorx/` bzw. `lmstudio/`). Aus
`qwen/qwen3.8-flash-next` wird daher für OpenCode
`tensorx/qwen/qwen3.8-flash-next`; im Messprotokoll bleibt die ursprüngliche TensorX-ID.

Die Stufen `low`, `medium`, `high`, `xhigh` und `max` werden als OpenCode-Varianten aus der
Providervorlage übergeben. Für Qwen und GLM über TensorX enthält die Variante
`thinking: {type: enabled, level: ...}`; `max` wird auf `xhigh` abgebildet, falls der Provider
keine eigene `max`-Stufe kennt. Nur in der Vorlage vorhandene Varianten werden per
`--variant` gesetzt.

**Bei `lmstudio` ist Effort nicht steuerbar.** Der OpenAI-kompatible Endpunkt von LM Studio
nimmt keinen Thinking-Level entgegen; `opencode-lmstudio.json` deklariert deshalb bewusst keine
Varianten. Der Adapter protokolliert das im `Adapter.log` und setzt `effort_applied: false` in
`RawResult.json`. Der übergebene `--effort`-Wert bleibt als angeforderte Bedingung erhalten, ist
im Protokoll aber unter „Sampling-Parameter" als **nicht steuerbar** auszuweisen – niemals so
darzustellen, als hätte er gewirkt. Reasoning-Tokens liefern die Modelle trotzdem, sofern sie
von sich aus mit `reasoning_content` antworten.

## Isolierte Laufkonfiguration

Für jeden Lauf schreibt der Adapter `_meta/opencode-config.json` und setzt nur für den
Kindprozess `OPENCODE_CONFIG` auf diese Datei. Der Aufruf verwendet `opencode run --pure`,
damit keine interaktive Oberfläche benötigt wird. Der Prompt wird über stdin übergeben.

Die Berechtigungen beginnen mit `deny` und erlauben gezielt:

- Lesen, Suchen, Auflisten sowie eine kleine Read-only-Shell-Allowlist;
- Schreiben und externe Verzeichnisse ausschließlich für das angegebene Ergebnisverzeichnis;
- im Modus `solo` keine Tasks;
- im Modus `builtin` nur OpenCodes `general`- und `explore`-Subagenten;
- im Modus `custom` nur Rollen aus der mit `--agents` übergebenen JSON-Datei.

Für das Ergebnisziel erzeugt der Wrapper kanonische sowie zum aktiven OpenCode-Root und zur
Git-Worktree-Wurzel relative Allow-Patterns. Das ist unter Windows notwendig, wenn Root und
Laufverzeichnis im selben Git-Worktree liegen, das Laufverzeichnis aber außerhalb des
Root-Unterordners liegt.

Webzugriff, Skills, Rückfragen und Weiterdelegation durch Subagenten bleiben gesperrt. Bei
`custom` übersetzt der Adapter `description` und `prompt` jeder Rolle in eine explizite
OpenCode-Subagentenkonfiguration mit demselben Modell wie der Hauptagent.

## LM Studio (nur `--provider lmstudio`)

Lokale Läufe sind eine eigene Versuchsbedingung: kein Netzzugriff, keine Providerkosten,
gewichtsbezogene Reproduzierbarkeitsangaben (Quantisierung, Runtime, Kontextfenster) und ein
Kontextfenster, das der Server beim Laden festlegt.

### Vorbereitung

```powershell
lms server start          # OpenAI-kompatibler Endpunkt auf Port 1234
lms ls                    # heruntergeladene Modelle
lms get qwen/qwen3.8-27b  # fehlendes Modell holen (mehrere GB)
lms ps                    # geladene Instanzen samt Kontextfenster
```

### Preflight des Adapters

Vor dem Start von OpenCode prüft der Adapter über `GET /api/v0/models` und bricht mit
Exitcode `2` und einer Handlungsanweisung ab, wenn eine Bedingung verletzt ist:

| Prüfung | Abbruchgrund |
|---|---|
| Server erreichbar | `lms server start` fehlt |
| Modell vorhanden | nicht heruntergeladen → `lms get <ID>` |
| `capabilities` enthält `tool_use` | ohne Tool-Calling ist kein Analyselauf möglich |
| `max_context_length` ≥ `--min-context` | Modell kann die Bedingung nicht erfüllen |
| Zustand `loaded` und `loaded_context_length` ≥ `--min-context` | zu kleines Fenster schneidet die Codebasis **stillschweigend** ab |
| genau **eine** geladene Instanz | mehrere Instanzen (`modell`, `modell:2`) beantworten dieselbe `model`-Angabe; das Routing wäre nicht reproduzierbar |

`--min-context` ist standardmäßig `32768`. Ein bewusst kleinerer Wert ist zulässig, gehört aber
als abweichende Versuchsbedingung ins Protokoll.

`--lmstudio-autoload` stellt den Sollzustand selbst her: Es entlädt **alle** Instanzen des
Modells und lädt genau eine mit `--min-context` neu. Ohne das Flag meldet der Preflight nur den
exakten `lms`-Befehl. Die Standardgröße von LM Studio (häufig 8192) reicht für eine
Codebasisanalyse nicht.

Das geladene Fenster wird zusätzlich als `limit.context` in die Laufkonfiguration geschrieben,
damit OpenCode nicht mehr Kontext sendet, als der Server vorhält.

### Zusätzliche Laufartefakte und Messfelder

| Datei | Inhalt |
|---|---|
| `_meta/lmstudio-modelle.json` | Rohantwort von `/api/v0/models` zum Zeitpunkt des Preflights |

`RawResult.json` enthält bei lokalen Läufen zusätzlich:

| Messgröße | Feld |
|---|---|
| Kontextfenster des Laufs | `context_window` (= `local_runtime.loaded_context_length`) |
| Quantisierungsstufe | `local_runtime.quantization` |
| Runtime und Architektur | `local_runtime.compatibility_type`, `local_runtime.arch` |
| Runtime-Version | `local_runtime.lms_version` |
| Instanzbezeichner | `local_runtime.instance_id` |
| Endpunkt | `local_runtime.base_url` |
| Kosten | `cost` ist `0`; `cost_source` weist „nicht erfasst (lokaler Betrieb)" aus |
| Effortwirkung | `effort_applied` ist `false` |

Damit sind die von Kapitel 4.3 geforderten Angaben für lokalen Betrieb – Runtime samt Version
und Quantisierungsstufe – vollständig erfasst.

### Laufzeitverhalten

Kleine lokale Modelle beenden eine Aufgabe nicht zuverlässig von selbst; im Smoke-Test lief
`google/gemma-4-e4b` über 50 Schritte weiter, ohne die geforderte Datei zu schreiben. Der
Stall-Timeout greift dabei **nicht**, weil laufend Text erzeugt wird. Für lokale Läufe deshalb
immer ein absolutes `--max-runtime` setzen und einen Abbruch als solchen protokollieren, statt
ihn als Ergebnis zu werten.

## Aufruf

```powershell
$skillDir = "<Verzeichnis des Skills>"
$lauf     = "<absoluter Pfad zum Laufverzeichnis>"
$root     = "<Root-Verzeichnis der Codebasis>"
$provider = "<tensorx|lmstudio>"
$modell   = "<Modell-ID>"
$effort   = "<low|medium|high|xhigh|max>"
$modus    = "<solo|builtin|custom>"
$agents   = "<Agenten-JSON; nur bei custom>"

python "$skillDir\opencode-adapter.py" `
  --prompt "$lauf\_meta\combined_prompt.md" `
  --root $root `
  --output "$lauf\Ergebnisse" `
  --provider $provider `
  --model $modell `
  --effort $effort `
  --mode $modus `
  --agents $agents `
  --stall-timeout 600 `
  --max-runtime 0 `
  --result-dir $lauf `
  --title "run-experiment $modell $modus $effort"
```

Für `--provider lmstudio` kommen hinzu:

```powershell
  --min-context 32768 `      # Mindestgröße des geladenen Kontextfensters
  --lmstudio-autoload `      # Modell notfalls selbst neu laden
  --max-runtime 3600         # absolutes Limit; lokale Modelle terminieren nicht zuverlässig
```

`--base-url` (Standard `http://localhost:1234`) und `--lms` (Pfad zur CLI) sind nur nötig, wenn
Port oder Installationsort abweichen.

`--agents` bei `solo` und `builtin` weglassen. `--stall-timeout 600` beendet den gesamten
OpenCode-Prozessbaum, wenn zehn Minuten lang weder stdout noch stderr Aktivität zeigen.
`--stall-timeout 0` deaktiviert diese Sicherung. `--max-runtime 0` setzt kein absolutes
Laufzeitlimit. `Ctrl+C` beendet ebenfalls den Prozessbaum und persistiert soweit möglich das
Teilergebnis. Ein leeres `Ergebnisse`-Verzeichnis macht den Lauf standardmäßig zu einem Fehler.
Nur ein bewusst textueller Smoke-Test darf diese Prüfung mit `--allow-empty-output` abschalten.

## Laufartefakte und Messfelder

| Datei | Inhalt |
|---|---|
| `OpenCodeEvents.jsonl` | unveränderter, inkrementell geschriebener JSON-Ereignisstrom |
| `OpenCode.log` | OpenCode-stderr, inkrementell geschrieben |
| `Adapter.log` | Start, Lebenszyklus, Abbruchgrund und Abschluss des Wrappers |
| `_meta/opencode-config.json` | tatsächlich verwendete, keyfreie Laufkonfiguration |
| `_meta/opencode-session.json` | exportierte Session, soweit eine Session-ID vorliegt |
| `RawResult.json` | normalisierte Metriken für das gemeinsame Messprotokoll |

Aus `RawResult.json` verwenden:

| Messgröße | Feld |
|---|---|
| Erfolg/Abbruch | `is_error`, `subtype`, `timed_out`, `interrupted`, `exit_code`, `errors` |
| Modellkontrolle | `provider`, `model`, `model_requested` |
| Zeit | `duration_ms`, `start_time`, `end_time` |
| Tokens | `usage.prompt_tokens`, `completion_tokens`, `reasoning_tokens`, `cache_read_tokens`, `cache_creation_tokens`, `total_tokens` |
| Turns und Ende | `num_turns`, `finish_reason` |
| Tools | `tool_call_count`, `tool_call_types`, `tool_calls` |
| Subagenten | `subagent_stats`, `subagent_details` |
| Ergebnisdateien | `written_files` |
| Abschlusstext | `result` |
| Reproduzierbarkeit | `adapter_version`, `opencode_version`, `config_path`, `session_id`, `adapter` |
| Effortwirkung | `effort`, `effort_applied` |
| Lokaler Betrieb | `local_runtime`, `context_window`, `cost_source` (nur `lmstudio`) |

`usage.total_tokens` übernimmt nach Möglichkeit OpenCodes Gesamtwert. Fehlt dieser, addiert
der Adapter Input, Output, Reasoning, Cache-Read und Cache-Write aus den gelieferten
OpenCode-Feldern. Kosten werden nur protokolliert, wenn OpenCode sie liefert; nicht schätzen.
Bei `lmstudio` entstehen keine Providerkosten – `cost` ist definitionsgemäß `0`, nicht
„unbekannt". Cache-Read und Cache-Write liefert der lokale Server nicht; sie sind im Protokoll
als `nicht erfasst` auszuweisen.

## Pflichtprüfung

1. `RawResult.json` existiert und `is_error` ist `false`.
2. `timed_out` und `interrupted` sind `false`; `exit_code` ist `0`.
3. `OpenCode.log` und `errors` enthalten keinen Provider- oder Permissionfehler.
4. Für Analyseversuche ist `Ergebnisse/` nicht leer und `tool_call_count` größer null.
5. `model_requested` entspricht der angeforderten Modell-ID; `provider` entspricht `--provider`.
6. Bei `custom` sind die erwarteten Rollen in `subagent_stats.by_type` nachweisbar.
7. Bei `lmstudio` zusätzlich: `local_runtime.loaded_context_length` ≥ `--min-context`,
   `local_runtime.quantization` und `local_runtime.lms_version` sind gefüllt, und
   `effort_applied` ist `false` (im Protokoll als nicht steuerbar vermerken).

Ein absichtlich textueller Smoke-Test darf von den Prüfungen 4 und 6 abweichen, muss aber
Antwort, Exitcode, Modell, Sessionexport und Tokenmetriken bestätigen.