Es777777/aegis-code-repo-agent

# AEGIS 2.0 AEGIS 是一个为火山杯智能体竞赛构建的多 Agent 仓库分析系统。  它将代码仓库转化为可复用的机器可读知识层，然后通过以下方式暴露该层： - `CodeGraph` 用于结构、路由和依赖追踪 - 基于源码的 `RAG` 用于仓库问答 - 紧凑的 `handoff_card.json` 和 `run_summary.json` 产物供下游 Agent 使用 - `status`、`handoff`、`eval`、`ready` 和 HTTP API 入口，适用于 Coze 等编排系统 `handoff_card.json` 是供下游 Agent 使用的默认机器接口，并且 `primary_task.recommended_command_line` 在存在时是首选的下一步指引。 ## 快速链接 - [竞赛演示](docs/DEMO.md) - [发布检查清单](docs/RELEASE_CHECKLIST.md) - [演示结果](docs/DEMO_RESULTS.md) - [架构](docs/ARCHITECTURE.md) - [公开仓库副本](docs/PUBLIC_REPO_COPY.md) - [技能入口](skills/aegis-repo-analyst/SKILL.md) ## AEGIS 擅长的领域 - 比普通文件搜索具有更好的泛化能力： 检索会扩展仓库概念，如架构、路由、时序、布局、设备资源和入口点。 - 降低 Agent 工作流的 token 成本： 下游 Agent 可以获取紧凑的简报、模块图、概念图和建议的下一步操作，而无需重新阅读整个仓库。 - 更强的抽象能力： 系统会生成仓库摘要、图追踪、调查简报和可复用的 handoff payload。 - 更好的展示和报告： 它会生成 Markdown、HTML、Mermaid、JSON 产物以及对机器友好的 Agent 简报。 - 对 Coze 友好的集成： 使用 HTTP JSON API，而不是依赖 Agent 平台内部的 shell 命令执行。 ## 快速开始 ## 3 条命令演示 ``` python main.py examples\sample_repo --doctor --json python main.py examples\sample_repo --max-files 100 --no-cache --ready --ready-fail-under 1.0 --ready-ask "POST /users call chain" --json python main.py --from-output output\aegis\sample_repo --handoff --json ``` ## 快速开始 运行完整的仓库分析： ``` python main.py examples\sample_repo ``` 提出仓库问题： ``` python main.py examples\sample_repo --ask "Where is user creation implemented?" --json ``` 复用现有的分析输出： ``` python main.py --from-output output\aegis\sample_repo --handoff --json python main.py --from-output output\aegis\sample_repo --status --json ``` ## Coze / HTTP API 启动 API 服务： ``` python main.py --api --host 127.0.0.1 --port 8766 ``` 端点： - `GET /health` - `GET /status?output_dir=...` - `GET /handoff?output_dir=...` - `POST /analyze` - `POST /ask` - `POST /doctor` 示例 `POST /ask` body： ``` { "repo": "examples/eda_repo", "out": "output/aegis", "max_files": 100, "no_cache": true, "question": "它的布线算法原理是什么", "top_k": 8, "context_chars": 48000, "llm": false } ``` ## 环境配置 AEGIS 在启动时会自动读取 `.env`。 复制模板： ``` Copy-Item .env.example .env ``` 核心变量： ``` AEGIS_REPO_PATH=examples/sample_repo AEGIS_OUTPUT_DIR=output/aegis AEGIS_MAX_FILES=1500 AEGIS_RAG_CONTEXT_CHARS=48000 AEGIS_USE_CACHE=true AEGIS_INCLUDE= AEGIS_EXCLUDE= AEGIS_SERVE_DIR= AEGIS_SERVE_HOST=127.0.0.1 AEGIS_SERVE_PORT=8765 ``` 可选的 OpenAI 兼容 LLM 变量： ``` AEGIS_LLM_ENABLED=false AEGIS_LLM_API_KEY= AEGIS_LLM_BASE_URL=https://api.openai.com/v1 AEGIS_LLM_MODEL=gpt-4o-mini AEGIS_LLM_TIMEOUT_SECONDS=120 AEGIS_LLM_MAX_CONTEXT_CHARS=14000 ``` ## 主要输出 分析完成后，AEGIS 会写入： - `knowledge.json` - `findings.json` - `rag_index.json` - `report.md` - `report.html` - `architecture.mmd` - `manifest.json` - `run_summary.json` - `handoff_card.json` 在执行 `--ask` 后，它还会写入： - `qa_answer.json` - `context_pack.md` - `llm_prompt.md` ## 为什么架构以 Agent 为核心 AEGIS 不再围绕“即使没有强上下文也要给出答案”进行优化。 它围绕为 Agent 提供更好的输入进行了优化： - `CodeGraph` 提供结构基础。 - `RAG` 在可能的情况下将真实的、带有行号的源文件打包到上下文中。 - `required_context_paths` 和 `target_context_paths` 保护 LLM 安全。 - `briefings`、`module_map` 和 `concept_map` 减少了重复的 token 开销。 - `handoff_card.json` 直接为下一个 Agent 提供下一步指引，而不是让它重新发现工作流状态。 ## 验证 运行测试套件： ``` python -m unittest discover -s tests -v ``` 或者运行专注的质量路径： ``` python main.py examples\sample_repo --doctor --json python main.py examples\sample_repo --max-files 100 --no-cache --ready --ready-fail-under 1.0 --ready-ask "POST /users call chain" --json python main.py --from-output output\aegis\sample_repo --handoff --json ```

标签：AI智能体, Python脚本, RAG, 代码分析, 凭证管理, 多智能体协作, 逆向工具