背景
在人工智能技术飞速发展的今天，大语言模型（LLM）的应用场景日益广泛。许多人关注于模型的生成能力，例如自动编写代码或生成文本。然而，对于技术工作者而言，大模型更重要的价值在于其强大的理解能力。
很多时候，我们并不清楚自己需要验证什么，或者对现有系统的内部逻辑缺乏深入了解。如果无法准确理解代码的意图和结构，就难以评估生成的结果是否合理。因此，利用大模型来辅助阅读和理解复杂的代码库，往往比单纯依赖生成更具实际意义。
在日常开发中，阅读他人编写的代码是一项高频且耗时的任务。与阅读文章或论文不同，代码具有严格的语法结构和逻辑依赖。一篇好的文章可以直接阅读核心观点，而代码则需要梳理函数调用、数据流向和模块交互。当面对缺乏文档的'屎山'代码时，大模型若能提供结构化的分析和总结，将极大降低阅读成本，相当于为项目生成了一份动态的 README 文档。
核心架构设计
Agent 图编排模式
本项目采用以图作为驱动器的设计思路，旨在降低服务运维成本，同时加强系统的可控性和可用性。在这种架构下，我们将 LLM 和非 LLM 组件统一抽象为 Agent（智能体）。
- Agent 单元：每个 Agent 负责特定的任务，如代码解析、逻辑推理、文件检索等。
- 编排层：用户或系统通过图形化界面编排 Agent 的执行流程。这种设计将需要理解能力和泛化能力的部分交给 LLM，而其他确定性较高的部分交给非 LLM 组件处理。
- 优势：这种混合架构既利用了大模型的灵活性，又保留了传统程序的稳定性。通过人为干预 Agent 的流转，可以实现对复杂任务的精确控制。
流式输出实现
为了提升用户体验，后端需支持 Server-Sent Events (SSE) 协议，实现数据的流式传输。
- 技术栈：前端使用 HTML/CSS/JavaScript，后端基于 Python 框架。
- 实现难点：完全不懂前端的情况下，很难在现有代码基础上精准增加流式输出效果。常见的挑战包括右下角悬浮窗的样式适配、流式内容的实时渲染以及错误状态的处理。
- 调试策略：大模型适合完成整块逻辑明确的工作，但在跨文件或复杂逻辑修改上容易引入瑕疵。开发者需要具备一定的代码审查能力，及时修正由模型生成的代码片段，避免问题累积。
关键技术实现
提示词工程（Prompt Engineering）
针对封闭域的代码理解任务，提示词的设计至关重要。我们需要将目标项目的代码组织到 Prompt 中，通常作为 System Prompt 或第一个消息的前缀。
上下文管理策略
由于代码库可能较大，直接全部放入上下文会导致 Token 溢出或注意力分散。建议采取以下策略：
- 分层摘要：先让模型生成高层级的架构图和模块说明。
- 按需加载：根据用户问题，动态检索相关代码片段并注入上下文。
- 格式优化：使用 Markdown 格式组织代码，增强可读性。例如：
# 项目概览
- **模块 A**: 负责用户认证
- **模块 B**: 处理业务逻辑
## 关键函数
```python
def process_data(input):
# 核心逻辑
pass
#### 示例 Prompt 结构
```text
System: 你是一个资深代码审查专家。请分析以下代码片段的功能和潜在风险。
User:
[插入代码内容]
Question: [用户的具体问题]
