以前使用wagoodman/dive分析镜像优化空间，每次生成镜像之后自己执行命令过于麻烦，后来就diving-rs可以通过 webhook 的形式触发分析，再记录到数据库中定期分析。
但用着用着发现两件事：
1 、需要人工参与的工作一直都会滞后，甚于变成了形式工程（只记录无人分析）
2 、每个人对标准不一致，也没有统一的数据作为指标，最终也无法保证规则得到有效执行
刚好赶上小米开放百万亿 token 的免费额度，懒人福音。把"人盯报告"换成"AI 盯报告"：每次新 push ，把这次的 diving 报告 + 上次成功的 LLM
结论一起喂给模型，让它做对比分析。
系统 prompt 写得比较简单（后续提供自定义），核心几条：
加上"无异常就回一句健康通过；有异常就只说问题 + 改哪几行"的硬约束，输出基本没什么水分。
流程
Docker Hub Webhook --> ai-diving (入队 + dedupe) --> cron 每分钟抢一批 WAITING
diving-rs (拉镜像 / 出 markdown) + 上次成功的 LLM --> 优化建议 markdown --> 企业微信机器人 / Resend 邮件
输出长啥样
完成后大概是这样的报告（示例）：
🚨 核心异常与劣化痛点
🛠️ 必须执行的修复代码
RUN chown ubuntu:ubuntu /usr/local/bin/static-serve /usr/local/bin/httpstat /entrypoint.sh
COPY --chown=ubuntu:ubuntu /static/target/release/static-serve /usr/local/bin/static-serve
COPY --chown=ubuntu:ubuntu /static/entrypoint.sh /entrypoint.sh
COPY --chown=ubuntu:ubuntu /usr/local/bin/httpstat /usr/local/bin/httpstat
下次镜像稳定了再 push ，LLM 自己会回"与上次结论一致"，静默不打扰。
在线 demo / 仓库
求拍砖、提 issue 、提建议。如果你也有"不依赖 docker daemon 的镜像分析"需求，diving-rs 拎出来单用也行。
