# DevFlow AI 多智能体研发协作项目 | AI Agent开发项目
大家好，我是小林。
历经 3 个月的开发和打磨，我们又带来了一个新的 Agent 项目，叫《DevFlow AI 多智能体研发协作项目》，依然是可以写到简历上拿去面试的项目。
简单来说，DevFlow AI是一个能帮你分析 Issue、审查 PR、排查 CI 失败的研发协作助手。你提出问题，它会自己调用工具，查代码、翻日志、找项目文档，再把分析结果和依据整理给你。
DevFlow AI 核心目标不是简单的「问答」，而是打通研发数据，像资深工程师一样辅助协作。我们可以从以下三个维度来理解它：
- 构建数据底座： 能够同步 GitHub 上的 Issue、PR、CI、代码、知识库等全链路数据，打破信息孤岛，为智能分析提供基础。
- 智能知识检索（RAG）： 将研发数据转化为可检索的知识，让 Agent 在回答前先「查阅」项目档案，基于真实证据而不是凭空猜测。
- 工具调用与执行： 它不是只会聊天的机器人，而是会使用工具的助手。能根据任务自动选择工具，比如查 CI、分析 PR，并给出可落地的建议。
不过要注意的是，它不是要完全替代工程师，而是要成为你的得力助手。通过自动化处理繁琐的上下文收集和分析工作，让工程师可以将精力聚焦于核心的研发决策。
DevFlow AI 是解决什么场景问题？
在团队开发中，判断一次代码改动能不能合并，往往要先看 PR 改了什么，再翻 Issue 里的需求、Review 评论和 CI 自动化测试结果。遇到报错，还得查日志、搜代码、找项目文档。
**这些信息散落在不同地方，光是把背景和证据找齐，就要花不少时间。**尤其是不熟悉项目的同学，还需要找有经验的工程师帮忙判断。
直接问大模型可以吗？可以，但资料仍然得自己收集、整理，再一份份交给它。
DevFlow AI 就是为这类研发协作场景设计的。它会根据问题调用工具，收集相关代码、日志和项目资料，完成第一轮分析，再把风险、依据和处理建议整理给你。
让 Agent 帮忙查资料、做分析，工程师核对结果，再做最终决策。
DevFlow AI 具体能做什么？
拿版本发布前的检查来说，要把未解决的 Issue、待合并的 PR 和 CI 运行结果放在一起看，这就很适合交给多个 Agent 分工分析。
比如你问：「检查当前 Issue、PR 和失败 CI，判断这个版本是否可以发布。」
系统会先生成计划，再组织不同 Agent 分别检查仓库状态、Issue 和 PR，最后汇总结论。过程中发现证据不足、结论冲突，也会把需要补查的地方列出来。
下面用 3 张动图，看看 PR 审查和多 Agent 协作的实际过程。
① PR 审查：从检查计划到审查结果
Agent 按计划检查代码改动和相关证据，再整理风险点与合入建议。
② 多 Agent 协作：先列计划，再分工分析
提出版本检查问题后，系统先列出执行计划，确认执行后，再汇总各个 Agent 的分析结果。
③ 工作流记录：查看分工、结论与待确认项
在工作流记录中，可以看到各个 Agent 的输出、汇总结论，以及 Observer 提醒的证据缺口。
工程师拿到的是一份集中整理的分析建议，包含风险、依据和待确认项，再核对结果、做最终决策。
除了这类综合分析，也可以单独进行 Issue 分诊、PR 审查、CI 排障和项目知识问答。
DevFlow AI 项目核心功能有哪些？
结合研发协作的实际痛点，DevFlow AI 的核心功能可以概括为以下八个方面：
- 仓库健康全景（Repo Health）： 能够同步 GitHub 仓库状态，一键生成包含 Issues、PRs、CI 状态在内的项目健康摘要，让你快速掌握全局背景。
- Issue 智能分诊（Issue Agent）： 自动分析新问题的分类、优先级、复杂度，推荐负责人并提取行动项，告别模糊的需求描述。
- PR 风险审查（PR Review Agent）： 深度理解代码变更，识别 Auth、Security 等高风险路径，给出「建议合入」或「暂缓」的明确决策建议。
- CI 智能排障（CI Debug Agent）： 面对失败的 CI 日志，能自动定位根因、提取关键错误块，并给出具体的修复步骤，不再需要人肉翻日志。
- 多 Agent 协同决策（Workflow）： 面对「PR 能不能合」这种复杂问题，Planner、PR Agent、CI Agent 和 Observer 会分工协作，像专家团队一样给出综合结论。
- 超长对话与记忆（Memory）： 具备长时记忆能力，能理解长上下文，自动沉淀关键信息，让 Agent 在长对话中依然「不健忘」。
- 自动周报与沉淀（Report）： 根据一周的研发活动自动生成周报，并将报告回写入知识库，让团队的历史产出变成可检索的资产。
- 安全草稿机制（Safety Draft）： 在涉及评论、关闭 Issue 等写操作时，只生成草稿供人工确认，绝不擅自执行高风险动作，确保系统安全可控。
DevFlow AI 项目使用什么语言和技术栈？
DevFlow AI 的后端和 Agent 主要使用 Python，前端使用 Next.js、React 和 TypeScript。
核心技术栈包括：FastAPI、LangChain、LangGraph、PostgreSQL、Milvus、MCP、SSE、Ragas 和 Docker Compose。
从前端提交问题，到后端调用工具、检索证据、组织多个 Agent 协作，再到页面展示结果，整条链路都有对应实现。
DevFlow AI 项目的学习内容有哪些？
整套课程共有 16 章、60+ 篇文档、25 万字+。
前面先补齐大模型接入、Prompt、结构化输出、Tool Calling 和 Agent Loop，再进入主项目，逐步拆解 RAG、上下文与记忆、多 Agent、安全确认、可观测和评测。
简历这块也没少花心思。我们按照大厂标准，把项目的技术难点和亮点都帮大家提炼好了，提供了3 种简历写法。
面试题这块当然也不能少，我们已经写好了 70+ 道项目高频面试题，每道题都配了参考回答，掌握好这些题，就能拿去面试了，后面也会根据林友们的真实面试反馈持续加题。
目前项目原价 399 元，首发早鸟价 149 元，约 3.7 折，早鸟价活动即将结束，结束后将涨价！
具体购买方式，**微信扫码下方二维码，**进入项目购买页面后，选择「DevFlow AI 多智能体研发协作项目」即可。
接下来小林给大家快速介绍这个项目！
# 项目架构
先看一张整体架构图。DevFlow AI 使用 Python Agent 后端 + Next.js 前端，从用户交互到数据存储，可以分成五层：
- **用户层：**你在前端选择仓库和会话，提交要分析的问题。
- **应用服务层：**FastAPI 校验请求、确定仓库与会话范围，并通过 SSE 把执行进度持续推给页面。
- **智能协作层：**ChatAgent 选择工具；需要综合分析时，Planner 拆任务，Orchestrator 按依赖调度，Observer 检查证据缺口与冲突，Synthesis 汇总结论。
- **知识与工具层：**GitHub 工具读取研发信息，Workspace 工具搜索代码，RAG 检索历史资料，Memory 提供经过确认的项目经验；MCP 和 Skill 用于扩展工具与复用流程。
- **数据基础层：**PostgreSQL 保存结构化数据和运行记录，Milvus 保存向量索引，Git 工作区提供对应版本的代码。
整体各层的分工：上层负责交互与请求处理，中间负责 Agent 调度，下层提供工具、知识和数据。
一次请求，怎样经过整个系统？
这张全局链路图把一次研发问答分成了五个环节，我们从左往右看：
- **① 用户输入：**从一个具体的研发问题开始，比如「这个 PR 能不能合？」。
- **② 接口与上下文：**请求进入 FastAPI Chat API，由 ContextAssembler 把仓库信息、历史对话、相关记忆和证据组织起来，让 Agent 知道当前在讨论哪个项目、什么问题。
- **③ 对话 Agent 与工具调用：**图中的 ConversationAgent（对话 Agent）判断需要查什么，再调用仓库健康概况、研发资料检索、Issue 分析、PR Review、CI Debug 等工具，收集判断所需的信息。
- **④ 多 Agent 协作分析：**遇到需要综合判断的问题，Planner 拆解任务，专用 Agent 分工分析，Observer 检查证据、冲突和安全条件，Synthesis 汇总工程结论。简单查询则可以通过工具调用直接完成。
- **⑤ 输出与记忆：**返回结论、依据和下一步建议，同时保存会话与工具调用记录。可复用的项目经验经过确认后，再参与后续记忆与知识检索。
整条链路可以简单理解为：用户提问 → 组装上下文 → Agent 调工具 → 按需协作分析 → 返回答案并保留记录。
# 项目亮点
从面试的角度看，DevFlow AI 值得深入的地方，是下面这些具体的工程设计。
- 研发数据分流：当前代码通过 Workspace 工具读取和搜索，Issue、PR、CI 的状态查数据库或 GitHub API，历史文档与讨论再走 RAG。把不同来源分开处理，减少拿过期文档解释当前代码、用历史讨论判断最新状态的问题。
- RAG 工程化检索：按照文档结构切分内容，通过向量与关键词混合召回、RRF 融合和 Rerank 重排筛选证据，回答保留引用，并按仓库隔离检索范围。检索没找到内容时，还能通过召回测试检查切分、排序和过滤出了什么问题。
- Agent Loop 与执行约束：ChatAgent 通过原生 Tool Calling 选择工具，接收结果后继续判断下一步。系统同时限制最大步数和重复调用，并处理工具错误，让多轮执行有明确的停止条件。
- 专用 Agent 分工：IssueAgent 负责分类、优先级和行动项，PRReviewAgent 结合改动与研发证据分析风险，CIDebugAgent 提取失败日志中的关键错误。不同任务分别设计 Prompt、输入证据和 Pydantic 输出结构，方便单独验证和调整。
- 多 Agent 任务调度：Planner 拆解任务，Orchestrator 按依赖调度，可独立的任务并行执行；Observer 检查证据缺口和结论冲突，Synthesis 汇总建议。依赖任务失败时跳过后续任务，重规划也有次数上限，避免工作流反复空转。
- 上下文预算与长期记忆：最近对话、历史摘要、工具结果和检索证据分别组织，根据 Token 压力逐步压缩上下文。值得跨会话复用的经验先进入候选区，经过人工批准后再参与召回，减少错误结论被长期沿用的风险。
- MCP 与 Skill 扩展：通过 MCP 接入外部工具，通过 Skill Runtime 组织可复用的操作流程。学习时可以沿着一次调用，理解外部能力怎样接入 ChatAgent、怎样校验输入，以及调用结果怎样回到后续分析中。
- 安全草稿与人工确认：评论、创建或关闭 Issue、添加标签等写操作，先生成 ActionDraft，经过权限校验和人工确认后再调用 GitHub API，并用 AuditLog 记录执行结果。模型提出操作，系统负责检查执行条件。
- 流式进度与运行轨迹：通过 SSE 展示规划、工具调用和任务进度，后端保存 AgentRun、WorkflowRun、TaskRun。回答出错时，可以沿着记录检查是工具参数有误、检索证据不足，还是多个任务的结论出现了冲突。
- Agent Eval 与回归验证：用固定评测集、RAGAS、逐题证据和硬规则检查回答与执行过程。改了 Prompt、检索配置或工具逻辑后，再用同一组问题复测，把改善、退步和失败原因都留下来。
把这些设计串起来，你能展示的就是一套覆盖数据接入、知识检索、Agent 协作、安全执行和效果评测的完整项目。
面试时，你也可以从具体问题展开：为什么当前代码要单独查？多个 Agent 的结论冲突怎么办？模型想关闭 Issue，系统在哪里拦住？改完检索策略，怎么验证有没有变好？
挑其中一两个模块深入源码，再做一次修改和验证，就能把自己的实现过程、失败案例和设计取舍讲得更具体。
# 项目技术栈
下面把项目用到的主要技术单独列出来。可以对照前面的架构，看看每一项技术在系统里负责什么。
| 模块 | 主要技术与职责 |
|---|---|
| 前端交互 | Next.js、React、TypeScript、Tailwind CSS、React Query：展示对话、研发数据、分析结果和任务进度。 |
| 后端服务 | Python、FastAPI、Pydantic、SQLAlchemy、Alembic、SSE：处理 API、校验结构化数据、管理数据库并推送执行事件。 |
| Agent 编排 | LangChain、LangGraph、原生 Tool Calling：组织模型、消息、工具、状态流转和停止条件；通过 OpenAI 兼容接口接入支持相应能力的模型。 |
| 知识与证据 | PostgreSQL、Milvus、Embedding、混合检索、RRF、Rerank：管理事实与检索知识；GitHub REST API、Workspace 工具读取研发状态与代码。 |
| 能力扩展 | MCP、Skill Runtime：接入外部工具，把稳定的操作流程组织成可复用能力。 |
| 质量与部署 | Ragas、pytest、pytest-asyncio、Docker Compose：评测回答与执行行为、验证关键链路、组织本地服务部署。 |
# 项目文档
DevFlow AI 整套项目文档围绕「先看懂项目，再补齐基础，接着读源码、跑验证，最后准备面试」来组织，一共 16 章、60+ 篇文档、25 万字+，从理论学习，到源码剖析，再到面试准备，可以说是学习到面试一条龙了。
先说理论部分。Agent Loop、RAG、多 Agent、上下文与记忆这些概念，都会结合具体研发场景来讲，并配上图解。
实战部分，会先带你完成大模型接入、结构化输出、Tool Calling 和手写 Agent Loop，把基础能力一项项跑通，再进入 DevFlow AI 主项目，核对知识检索、PR 审查、多 Agent 协作等功能的运行效果。
主项目的关键模块还配有源码解读。
我们专门准备了项目亮点梳理、简历写法、三分钟项目介绍，以及 70+ 道项目面试问答与参考答法，帮你把学过的设计和验证结果整理成面试表达。
# 学完项目能收获什么？
从 DevFlow AI 项目中，你可以学到：
- 如何把一个只会生成文字的大模型，做成会检索证据、调用工具、保存状态的研发协作 Agent。
- 如何设计 ChatAgent 的工具调用循环，把模型决策、工具执行、结果观察和继续判断串成闭环。
- 如何针对 Issue、PR、CI 三类任务设计不同的专用 Agent，而不是让一个万能 Prompt 处理所有问题。
- 如何用 Planner、Orchestrator、Observer 和 Synthesis 组织多 Agent 工作流，并处理任务依赖、并行执行、失败跳过、结论冲突和有限重规划。
- 如何搭建完整 RAG 链路，从文档解析、结构感知切分、Embedding、向量与关键词混合检索，一直做到 Rerank、引用和质量评测。
- 如何判断哪些数据应该进 RAG，哪些数据必须读取当前代码、数据库或 GitHub API，避免把过期信息当成事实。
- 如何做上下文预算、历史摘要、工具结果压缩和跨会话记忆，让 Agent 既能继续工作，又不会把所有历史原样塞回模型。
- 如何通过 MCP 和 Skill Runtime 扩展 Agent 能力，并把稳定的研发流程沉淀成可以复用、可以校验的技能。
- 如何使用 ActionDraft、角色权限、人工确认和 AuditLog，保证 Agent 有执行能力，但不会擅自修改外部系统。
- 如何用 SSE 把 Agent 的规划、工具调用和任务进度实时展示出来，并保存完整运行轨迹用于排查问题。
- 如何建立 Agent Eval 与 Harness 工程，用固定评测集、硬规则、工具轨迹和 RAGAS 判断改动有没有带来真实提升。
- 如何把 Python、FastAPI、LangChain、LangGraph、PostgreSQL、Milvus、Next.js 和 Docker Compose 组合成一个可以运行的全栈 AI 应用。
- 如何把项目写进简历，怎样在 3 分钟内讲清项目背景、架构、亮点和个人职责，并应对 70+ 道企业高频追问。
先简单给个总结：学完 DevFlow AI，你掌握的不只是一个项目源码，而是从研发数据、Agent 决策、知识检索、安全执行到效果评测的一整套 AI 应用工程方法。
# 项目学习方式是怎样的？
DevFlow AI 主要在「飞书文档」里学习。
学习内容以图文文档为主，会提供项目学习文档、项目源码、简历参考和项目面试题。但是没有手把手带做项目的视频教学，所以需要你有一定的文档自学能力。
同时也配备了飞书答疑群，会有专属的项目导师在群里答疑解惑。群答疑我们是有问必答的，活跃度也很高，你学习路上遇到的卡点基本都能在群里被解决。
# 项目常见问题
# 1、DevFlow AI 和 Claude Code、Codex 有什么区别？
Claude Code、Codex 更偏代码执行型 Agent，核心能力是读代码、改文件、运行命令并完成开发任务。
DevFlow AI 更偏研发协作型 Agent。它围绕 GitHub Issue、PR、Review、CI、项目知识和团队记忆工作，重点解决的是信息收集、风险分析、协同判断、安全执行和经验沉淀。它会读取和搜索代码，但当前不会直接替你修改业务代码或自动合并 PR。
# 2、这个项目是不是换了个界面的 RAG 聊天机器人？
不是。
RAG 只是 DevFlow AI 的证据来源之一。当前代码走 Workspace 搜索，实时状态走数据库或 GitHub API，Issue、PR、CI 有各自的专用 Agent，复杂问题还会进入多 Agent 工作流。外部写操作要经过 ActionDraft 和人工确认，最终效果还要通过运行轨迹和 Eval 继续验证。
如果只是「上传 PDF，然后问一句话」，不需要做这么完整的一套系统。
# 3、项目是多 Agent 吗？
是的，DevFlow AI 支持多 Agent 协作。比如判断一个 PR 能不能合，系统会先拆解任务，再让不同的 Agent 分工检查代码改动、Issue 和 CI 等信息，最后检查证据缺口与结论冲突，汇总成统一建议。简单问题则由 ChatAgent 调用工具完成，按任务需要选择处理方式。
# 4、项目使用什么编程语言？
后端和 Agent 主要使用 Python，Web 层使用 FastAPI，Agent 编排使用 LangChain 与 LangGraph；前端使用 Next.js、React 和 TypeScript。
学习重点不是让你同时变成 Python 和前端专家，而是理解一套全栈 Agent 系统怎样分层、怎样通信、怎样取证和怎样验证。你有 Python、Java、Go 或前端开发基础，都可以通过这个项目补齐 AI 应用工程能力。
# 5、有视频教学吗？
项目的核心学习材料是飞书图文课程，配套主项目源码、Demo、运行步骤和大量截图，不是以手把手视频带做为主。
如果你习惯先读方案、再看源码、最后运行验证，这种方式效率会很高；如果你只能跟着视频逐行敲代码，不愿意阅读文档和处理环境问题，这个项目就不太适合你。
# 6、整个项目大概需要学多久？
项目推荐的核心学习周期是 2-3 周。
# 7、项目需要自己去实现吗？
项目没必要自己去实现，不仅耗时长，而且对你的收益比较低。针对面试准备的同学，重点理解项目背景、项目方案设计、架构设计、项目面试题为主就行，面试也主要是围绕这些点展开来提问的。当然项目也是有提供源码的，有时间精力的同学可以去看源码实现逻辑，这样理解会更深刻。
# 8、学完这个项目能进大厂吗？
面试能不能进大厂不是单靠一个项目，而是综合能力考察，如果只想靠一个项目就想进大厂的，你这种想法跟许愿没什么区别，那这个项目也不适合你。
# 9、这个项目适合谁？
适合这些朋友：
- 计划求职Agent开发/大模型应用开发岗，想要在简历上补充Agent项目经验
- 适合具备 Python 或其他后端语言基础，想补一个 AI 应用落地项目的同学
因为项目学习主要是文档 + 群答疑为主，没有手把手带做项目视频，所以不适合：
- 不适合对编程没有概念的小白，不会用百度 / AI 搜索解决环境问题的人
- 不适合只喜欢看视频学习，没有看文档学习习惯的，自学能力弱的
- 不适合游手好闲、喜欢知识要手把手喂到嘴里的
# 如何报名？
项目原价 399，首发限时早鸟价 149 元，低至 3.2 折！早鸟价活动即将结束，结束后将涨价！早加入早吃螃蟹！
我们价格后面一定会持续涨价的，早加入不仅有价格优势，还有早学早拿去面试的红利。
购买「DevFlow AI 多智能体研发协作项目」之后会解锁这些权益：
- ✅ 详细的全套项目文档资料学习，16 章、60+ 篇文档、25 万字+（文档永久可看）
- ✅ 完整全栈项目源码：Python Agent 后端 + Next.js 前端
- ✅ 文档答疑解惑+专属项目交流群（赠送一年答疑服务）
- ✅ 项目简历写法 + 项目介绍参考（项目亮点和难点全都有）
- ✅ 70+ 道项目高频面试题（全都是项目高频面试题）
具体购买方式，微信扫码下方二维码，进入项目购买网页后，点击「DevFlow AI 多智能体研发协作项目」即可购买：
支付购买之后，就会拿到兑换码，跟着提示的兑换码指引文档操作就行。