erollqorrolli/multi-agent-codegen

# 多智能体代码生成器 [](https://github.com/erollqorrolli/multi-agent-codegen/actions/workflows/ci.yml) 你打开一个 GitHub issue，比如*“构建一个带身份验证的 REST API 来跟踪费用。”* 几分钟后，一个 pull request 就出现了，里面包含可运行且经过测试的代码——由五个 AI agent 编写、审查和检查，每个 agent 只负责一项工作，并将他们的工作 交接给下一个。当你接受或拒绝该 PR 时，系统会记住原因并在下次 做得更好。 这是一个作品集项目。它运行在 **Google Gemini API 的免费层**， 因此试用它没有任何成本。 ## 工作原理 工作被分配给五个 agent。每个 agent 都擅长一件事， 并且他们按顺序传递结果： 1. **架构师** —— 阅读请求并决定计划：tech stack、 数据库表和 API endpoint。 2. **实现** —— 将该计划转化为实际的源文件。 3. **测试** —— 为代码编写测试。 4. **安全** —— 查找漏洞和不安全的模式。 5. **优化** —— 查找缓慢或浪费资源的代码并提出修复建议。 协调器（即“orchestrator”）以正确的顺序运行它们。架构师 最先运行，因为一切都取决于它的计划。代码生成后， 测试、安全和优化 agent 将同时运行，因为它们 互不依赖。 这就是让它不仅仅是一个循环中的聊天机器人的原因： - **测试是真正运行的。** 当测试 agent 编写测试后，系统 会在 sandbox 中执行它们并检查结果。如果测试失败，代码会 退回给实现 agent 进行修复——并且循环重复，直到 测试通过（或达到尝试次数上限）。agent 不能仅仅*声称*代码 可以工作；它必须真正能够运行。 - **它从反馈中学习。** 当你接受或拒绝 PR 时，系统会 将其转化为一条简短的、纯英文的规则（例如，*“始终在 login endpoint 中加入 rate limiting”*），并在 下次将其输入到相应 agent 的指令中。这些规则被保存为普通 的数据库行，你可以直接读取——没有任何隐藏。 ``` issue ──> Architect ──> Implementation ──> [ Test · Security · Optimization ] ^ | | v └──── fix & retry ◄── tests pass? ──> Pull Request | v you accept/reject ──> it learns ``` ## 仪表盘 通过 Web 仪表盘观看它的工作：提交一个 issue，逐步跟踪每个 agent 的步骤 （包括使用的模型、耗时和消耗的 token），查看来自 sandbox 的真实测试 结果，并接受或拒绝结果——这正是为 学习循环提供反馈的方式。  你可以使用逼真的演示数据并且**无需 API key** 来试用该仪表盘——它附带了一个 seed 脚本： ``` cd backend && source .venv/bin/activate export DATABASE_URL="sqlite+aiosqlite:///./demo.db" python -m app.seed # loads example runs, steps, and lessons uvicorn app.main:app # API at http://localhost:8000 cd ../frontend && npm install && npm run dev # dashboard at http://localhost:3000 ``` ## Tech stack | 部分 | 选择 | | ----------- | --------------------------------------------------- | | Backend | Python 3.12, FastAPI (async) | | AI model | Google Gemini (免费层) — 可替换为任何 LLM | | Database | PostgreSQL 配合 SQLAlchemy (async) | | Frontend | Next.js + TypeScript (用于监控运行的仪表盘) | | GitHub | GitHub App + webhooks | | Deployment | Docker / docker-compose | AI model 位于一个小接口之后，因此将 Gemini 替换为 Claude、 OpenAI 或本地模型只需要修改一个文件——无需更改其他任何代码。 ## 项目状态 该项目正在开发中。坦诚地说明当前的完成情况： **已完成并验证** - 完整的 pipeline 在真实的 Gemini 上端到端运行：所有五个 agent 协同工作， 修复循环修复了失败的代码，并生成了一个完整的项目。一次真实 运行生成了一个可运行的 FastAPI 应用、真实的安全发现和优化。 - sandbox 实际上在一个隔离的 virtualenv 中运行生成的测试，并将 真实的通过/失败结果反馈给修复循环。 - 确定性测试套件在**无需 API key**（使用 stub 模型）的情况下驱动了**整个 pipeline**， 覆盖了 happy path、修复循环和学习循环。 - 学习循环：PR 反馈被提炼为可重用的规则，并且已关闭的 PR 会 自动反馈（merged = 接受，closed = 拒绝）。 - 可选的 API token 身份验证、异步 Alembic 迁移和优雅的 quota 处理。 - 监控仪表盘（深色模式，带有运行时间线和反馈）。 **尚未完成** - 一次完全通过（全绿）的生成测试运行（上次运行发现了 AI 自身 代码中的一个真实 bug；改进后的修复循环应该能解决它——等待免费层的 quota）。 - 实时进度流（目前仪表盘通过定时器刷新）。 - 针对真实仓库测试的 GitHub issue→PR 流程（代码已就位）。 - 部署。 底部的路线图包含完整的列表。 ## 快速开始 ### 1. 获取免费的 API key 从 [Google AI Studio](https://aistudio.google.com/apikey) 获取一个，然后： ``` cp .env.example .env # paste your key into GEMINI_API_KEY ``` ### 2. 查看其运行效果的最快方式（终端，无需设置） 这会运行整个 pipeline 并打印每个 agent 的生成结果。它使用本地 文件作为数据库，因此你不需要 Postgres 或 Docker。 ``` cd backend python3 -m venv .venv && source .venv/bin/activate pip install -e ".[dev]" export GEMINI_API_KEY=your-key export DATABASE_URL="sqlite+aiosqlite:///./demo.db" python -m app.cli "Build a REST API for expense tracking with auth" ``` ### 3. 完整应用（仪表盘 + 数据库） ``` make db # start Postgres in Docker cd backend && source .venv/bin/activate uvicorn app.main:app --reload # API at http://localhost:8000 cd ../frontend && npm install && npm run dev # dashboard at http://localhost:3000 ``` ### 4. 自动化的 GitHub 流程 要实现“打开一个 issue，得到一个 PR”的行为，你需要注册一个 GitHub App。 分步说明请参见 [docs/github-app.md](docs/github-app.md)。 ## 运行测试 ``` cd backend && source .venv/bin/activate && pytest ``` 这些测试无需 API key、数据库或互联网即可运行。一个 stub 模型驱动了 **整个 pipeline**——因此这些测试证明了 agent 可以协调工作，修复循环 可以修复失败的代码，sandbox 能够区分通过和失败的测试套件， 并且学习循环可以提炼反馈。（编写这些测试发现了两个真实的 bug：一个 async session 被并发提交，以及在 async context 之外进行了 lazy-load。） ## 项目布局 ``` backend/app/ llm/ the AI interface + Gemini (swap models here) agents/ the five agents and the coordinator sandbox/ runs generated tests for real (Docker or local) schemas/ the typed data passed between agents services/ the learning loop, PR writer, GitHub client api/ the web endpoints db/ database models cli.py run a job from the terminal frontend/ the Next.js dashboard docs/ setup guides ``` ## 路线图 最近完成：~~关闭 PR 时的自动反馈~~，~~可选的 API 身份验证~~， ~~数据库迁移~~，~~全流程测试~~，~~优雅的 quota 处理~~。 仍待完成，大致按优先级排序： 1. 向仪表盘添加实时进度流（目前采用轮询方式）。 2. 针对真实仓库验证 GitHub issue→PR 流程。 3. 为每个请求仅挑选*相关*的学习规则（使用 embeddings），而不是 挑选前几条。 4. 建立一个评分系统，以衡量学习循环是否真的能随着时间推移 改善结果。 5. 在 CI 中运行 sandbox；强化 Docker 设置。 6. 部署它。 ## 许可证 MIT —— 随意使用。

标签：AI辅助开发, AV绕过, FastAPI, Python, 代码生成, 多智能体, 无后门, 测试用例, 渗透测试工具, 自动化编程, 请求拦截