realdexter1224

@Charlie17Li 谢谢佬回复，学习了。我觉得确实 Agent 很大一部分是工程，但项目不只是把 LLM 当黑盒调一下，里面有检索、工具调用、状态管理、评测和错误恢复这些东西，加了 rag 可解释性也提升不少

@xhawk 你好！基于你之前的反馈，本项目近期已完成更新，相关优化如下：
多模型支持：已集成 OpenAI, Gemini, DeepSeek, Anthropic 。
配置解耦：所有关键参数（ Round 次数、上下文长度、模型参数等）已统一至 app/core/config.py 。
功能增强：增加中止按钮，支持 MD/PDF 导出及对话中动态加载文件。
架构升级：底层迁移至 Qdrant 数据库，实现全异步 GitHub 客户端及分析结果本地复用。
开发者工具：支持 Mermaid 渲染、Langfuse 追踪及 Evaluation 评估模块。

懒猫微服，内网穿透真丝滑，远程微信能多开，新年抽奖送好礼！

进行了一次尝试后 果断添加收藏

@xhawk 感谢你的认可和详细反馈！

目前项目核心是基于 OpenAI 兼容接口构建的，未来的版本计划将 Model 层进一步解耦和配置化

关于持久化：目前确实是单次执行。结果保存以及基于历史记录的“多轮迭代/优化”功能，已经列入后续的开发计划中。

关于业务场景（文档+代码）：你的这个场景很有启发性，代码往往比文档更有效，利用代码逻辑去补充业务操作说明（如 ERP 里的隐晦流程），确实能解决很多实际痛点，这是一个非常有价值的 RAG落地场景。

很有建设性的建议，感谢支持！

@panda188 做的时候没看到 但是具体 chunk 策略和 agent 的 jit 处理算是优化了 可以看看

为啥没人看我觉得很实用诶

@Bigstupidcat 教练说可以不会，但是多少会容易紧张呛水，可以体验一节课先