Devgraph Copilot

DevGraph复制品

GitHub存储库的开发者生产力副本，使用 快速API, LangGraph, LangChain, 主控程序，以及 检索增强生成.

这个项目被设计成一个完整的学习路径：从一个简单的FastAPI应用程序开始，发展成为一个多代理、生产风格的agent AI系统。

______________________________________________________________________

1.项目设置（所有阶段）

1.1克隆并进入项目

如果这是你自己的回购 git clone\devgraph副本 cd devgraph副驾驶

如果你还没有在本地启动git，只需创建一个名为的文件夹 devgraph-copilot 并按照其余步骤进行操作。

1.2创建和激活虚拟环境

python-m venv.venv

窗户： .venv\\Scripts\\activate

macOS/Linux： source.ven/bin/activate

1.3安装依赖项

pip安装-r要求.txt

随着我们经历各个阶段，需求将会增长。至少，这个项目使用FastAPI、Uvicorn、LangChain、LangGraph、pydantic-settings和一些辅助库。

1.4运行应用程序

uvicorn app.main：应用程序--reload

在浏览器中打开：

• http://127.0.0.1:8000
• API文件：http://127.0.0.1:8000/docs

______________________________________________________________________

2.项目文件夹结构（高级）

随着项目的发展，结构将如下：

devgraph副驾驶/ ├── app │ ├── __初始化__南美国家巴拉圭的缩写（Paraguay） │ ├── main.py#FastAPI应用程序入口点（路由、布线） │ └── config.py#设置和配置（环境、密钥等） │ ├── 代理 │ ├── __初始化__南美国家巴拉圭的缩写（Paraguay） │ ├── graph_state.py#共享语言图形状态（查询、计划、文档等） │ ├── graph_builder.py#LangGraph图形定义（节点、边） │ ├── planner.py#planner代理（决定运行哪些代理） │ ├── introduct.py#摄入代理（克隆仓库、块、嵌入、索引） │ ├── data_quality.py#数据质量代理（对数据/索引进行健全性检查） │ ├── code_qa.py#基于RAG的代码qa代理（回答问题） │ ├── tool_executor.py#MCP工具执行器代理（调用外部工具） │ └── documentation_agent.py#额外代理示例（文档生成器） │ ├── rag │ ├── __初始化__南美国家巴拉圭的缩写（Paraguay） │ ├── chung.py#RAG的分块策略 │ ├── embeddings.py#嵌入模型包装器 │ └── vectorstore.py#矢量存储抽象（添加/搜索） │ ├── mcp服务器 │ ├── __初始化__南美国家巴拉圭的缩写（Paraguay） │ ├── repo_tools#用于repo操作（列表/读/写）的MCP服务器 │ └── external_tools#用于外部API（天气/新闻等）的MCP服务器 │ ├── tests │ └── test_main.py#单元/集成测试（稍后将增长） │ ├── docs │ ├── 项目概述与规划.md │ ├── architecture.md │ ├── code_flow.md │ ├── how_toadd_an_agent.md │ ├── example_new_agent_documentation_agent.md │ └── interview_guide.md │ ├── 需求.txt ├── Dockerfile#用于部署（后期） └── README.md

每个阶段都会填充更多的文件，这样文件夹结构就会逐渐与这张完整的图片相匹配。

______________________________________________________________________

3.第1阶段——最小FastAPI后端

目标： 确认后端可以启动并响应一个简单的请求。

3.1在第一阶段创建的文件

• app/main.py
• app/__init__.py
• agents/__init__.py
• rag/__init__.py
• mcp_servers/__init__.py
• requirements.txt
• README.md

3.2代码（第1阶段）

app/main.py （第一阶段版本）为：

从fastapi导入fastapi

FastAPI应用实例 app=FastAPI（标题=“DevGraph复制品-第1阶段”）

@app.get（“/”） 异步定义read_root（）： 返回{ “消息”：“DevGraph Copilot后端正在运行（第1阶段）”， “next_steps”：\[ “添加LangGraph状态图”， “添加基本RAG管道”， “集成MCP工具” \] }

3.3如何运行第一阶段

从项目根： uvicorn app.main：应用程序--reload

在浏览器中打开：

• http://127.0.0.1:8000

预期JSON（第1阶段）： { “消息”：“DevGraph Copilot后端正在运行（第1阶段）”， “next_steps”：\[ “添加LangGraph状态图”， “添加基本RAG管道”， “集成MCP工具” \] }

如果你看到这个反应，那么第一阶段正在发挥作用。

______________________________________________________________________

4.第2阶段–LangGraph骨架

目标： 将最小的LangGraph图连接到FastAPI后端。

4.1第2阶段的新文件/更新文件

• app/config.py –基本设置（应用程序名称、环境）。
• agents/graph_state.py –图形的共享状态定义。
• agents/graph_builder.py –带有规划器和回声节点的最小LangGraph图。
• app/main.py –更新为：

- 显示“第二阶段” / - 添加 POST /api/chat 使用LangGraph的端点。

4.2状态和节点（当前）

GraphState 领域：

• user_input：来自API的原始消息。
• message_type：简单分类（例如。， "question" 或 "statement").
• reply：最终回复文本。

节点：

• planner_node:

- 倒像 user_input. - 集合 message_type 到 "question" 如果它以 ?，否则 "statement".

• echo_node:

- 倒像 user_input 和 message_type. - 写 reply 包括两者。

图形流程： 开始->规划节点->回声节点->结束

4.3新终点—— POST /api/chat

请求正文： { “message”：“你好” }

响应（示例）： { “reply”：“LangGraph的回声（type=语句）：你说了->你好” }

它是如何工作的（简短）：

1. FastAPI在中接收请求 /api/chat.
2. 它创建了一个初始 GraphState 随着 user_input.
3. 它调用编译后的LangGraph graph_app.
4. planner_node 套 message_type.
5. echo_node 读取 user_input 和 message_type 并写道 reply.
6. 最终状态作为HTTP响应返回。

4.4测试双节点流

1. 重新启动服务器：

uvicorn app.main：应用程序--reload

1. 打开Swagger：http://127.0.0.1:8000/docs

1. 测试 POST /api/chat:

• 主体：

{“留言”：“你好吗？”}

预期： { “回复”：“LangGraph的回声（类型=问题）：你说->你好吗？” }

• 主体：

{“message”：“这是一个声明”}

预期： { “reply”：“LangGraph的回声（type=statement）：你说->这是一个语句” }

这证明：

• 状态正在流经多个节点。
• 规划师写道 message_type，echo读到了。

______________________________________________________________________

5.第3阶段——RAG骨架（仅设置）

目标： 为RAG组件创建基本文件（还没有真正的LLM）。

5.1第3阶段的新文件（骨架）

• rag/chunking.py

• simple_line_chunker(text: str) -> List[str> –琐碎的基于行的分块器。

• rag/embeddings.py

• dummy_embedding(text: str) -> List[float] –基于长度的虚假嵌入。

• embed_chunks(chunks: List[str]) -> List[List[float]].

• rag/vectorstore.py

• InMemoryVectorStore –内存中存储块和假嵌入。

• add(chunks, embeddings) 和 search(query_embedding, top_k=3).

5.2现状

这些模块尚未连接到图形或API中。\ 它们是使第3阶段集成更容易的占位符。

______________________________________________________________________

6.第一阶段和第二阶段总结

第一阶段

• 基本的FastAPI应用程序 GET / 返回第1阶段JSON。
• requirements.txt，virtualenv，最小的项目结构。

第2阶段（加上小型2节点升级）

• app/config.py 随着 Settings.
• agents/graph_state.py 定义 GraphState (user_input, message_type, reply).
• agents/graph_builder.py 使用LangGraph StateGraph:
• 节点： planner_node → echo_node.
• 流量： START → planner_node → echo_node → END.
• app/main.py 已更新：
• 根 / 显示“第二阶段”。
• 新 POST /api/chat 端点使用 graph_app.invoke.

已创建（但尚未使用）RAG骨架文件：

• rag/chunking.py
• rag/embeddings.py
• rag/vectorstore.py

如果 / 返回第2阶段JSON和 POST /api/chat 返回正确的回声 type=question/statement，您已经完全完成了这些阶段，并准备开始连接真正的RAG和更多的代理。

______________________________________________________________________

5.3第3阶段——将假RAG连接到图形中

• 扩展的 GraphState 随着 retrieved_chunks.
• 添加 agents/ingestion_helper.py:

- 全球 InMemoryVectorStore 用示例文本初始化。

• 更新 agents/graph_builder.py:

- 现在绘图： START -> planner_node -> code_qa_node -> END. - code_qa_node: - 嵌入 user_input 使用 dummy_embedding. - 搜索 InMemoryVectorStore. - 写 retrieved_chunks 和一个 [Fake RAG] 回答。

• /api/chat 现在返回由检索到的片段组成的回复。

现在，你真正拥有了这两样东西： 当USE_LLM=false或OPENAI_API_KEY为空时： 仅RAG模式，完全本地。 当USE_LLM=true并且设置了有效密钥时： RAG+在线法学硕士答案。

如何在实践中使用它 仅运行RAG（无API）

1. 在.env中：

USE_LLM=假 OPENAI_API密钥=

1. 重新启动：

uvicorn app.main：应用程序--reload

1. POST/api/聊天→ 您将看到使用本地嵌入+向量存储的\[RAG only\]响应。

运行RAG+LLM

1. 在.env中：

USE_LLM=真 OPENAI_API_KEY=sk-。..您的_real_key。.. LLM_MODEL_NAME=gpt-4o-mini#或提供程序的型号id

1. 重新启动：

uvicorn app.main：应用程序--reload

1. POST/api/聊天→ 您将看到使用本地嵌入+向量存储+在线LLM的\[RAG+LLM\]响应。