正在打开每日关注
正在打开每日关注
用持久化代码知识库串联需求、规划、编码、测试与多模型评审。
🚀发现一个很有意思的开源项目：AutoDev Studio。 你只需要用自然语言描述一个功能需求，它就能让多个 AI Agent 自动完成需求澄清、任务拆分、编写代码、测试、Review，最后创建 GitHub PR。 它和普通代码 Agent 最大的区别，是会先为整个仓库建立一套可复用的知识库，包括项目架构、模块、功能和代码关系。之后每次开发任务，都可以直接检索相关上下文，不必反复从头扫描仓库。 不同阶段还可以使用不同模型，例如 Claude 负责规划、Codex 负责编码、GPT 负责审查，并支持 Claude Code、Codex CLI、Cursor、Aider、Gemini CLI 等工具。 项目还提供可视化开发看板、自动修订流程，以及 Token、成本和耗时统计。 相当于把多个 AI 编程工具，组织成了一支能够协同开发的“虚拟软件团队”。 GitHub：https://t.co/0fNeAhe3hE
是什么 尽管推文将项目称为 AutoDev Studio，所给 GitHub 资料对应的是 krishagarwal314/CodeJury：一个 terminal-first、knowledge-grounded 的多智能体软件交付流水线。它把自然语言需求推进到澄清、任务、计划、分支实现、测试和 Pull Request 评审，并以确定性 QA 与多模型 jury 形成门禁。
核心设计 流水线分为 Knowledge、PM、Planner、Dev、QA、Review 六阶段，可分别配置模型。Knowledge 阶段构建持久化代码图，结合 fastembed ONNX、嵌入式 Qdrant、BM25 与加权 RRF 检索，并记录交付记忆。Review 默认由不同提供商的两个 juror 分担实现行为与系统适配评审，必须一致批准；panel 模式最多六名专业评审。
关键洞察 它的价值不只是增加 Agent 数量，而是把上下文复用、职责隔离、模型异质性和成本统计纳入交付控制。对大型多语言仓库，代码图与交付记忆尤其值得借鉴。
边界与风险 README 中的召回率、成本和 SE-Jury 数据属于项目或论文语境，不等于该仓库的独立基准；多模型一致通过也不保证正确。实际效果仍依赖 CLI 登录、API 配额、模型差异、索引准确性和测试质量。