工作总览
本部分提供了过去两周主要工作的概览和精力分布情况。通过交互式图表，您可以快速了解各项任务的核心贡献和投入。这为深入探索后续每个具体项目部分提供了宏观视角。
主要工作内容分布 (示意图)
一、本地Chroma代码知识库修改
核心优化：改进代码分块策略，提升语义完整性
优化前：按字符数分块
def process_data(data):
# Step 1: validate
if not data:
return None
CUT
单词被截断，破坏语义
优化后：按行+Token数分块
def process_data(data):
# Step 1: validate
if not data:
return None
保持代码完整性，语义清晰
二、代码理解与注释LangGraph Workflow
功能增强与优化
- 代码溯源: 返回文件名和行号。
- 异步执行: 提升响应速度。
- 标准化日志: 替换print为log。
架构重构与封装
- 模块化拆分: 分为三部分，提升可维护性。
- MCP工具化: 将Workflow及内部tool封装为MCP工具。
- Dify平台集成: 构建完整自动化调用链路。
工作总结与思考
此项目虽未直接落地，但为后续ReAct Agent研发奠定了坚实的技术基础和宝贵经验。
三、MCP服务梳理与部署
服务拆分与整合
与国昊协作，对现有MCP Tools按领域重新划分，完成代码拆分、配置修改并提交至GitLab，使服务架构更清晰、易于管理。
部署测试与Nacos切换
辅助黄老师进行MCP Server部署后测试，确保服务稳定。同时，根据架构升级，将服务注册中心切换为Nacos MCP，并完成相关内容的整理与提交。
四、基于LangGraph的ReAct Agent实现
核心构建与能力集成
- 构建ReAct Agent: 实现 `推理 -> 调用工具 -> 观察` 决策循环。
- 集成MCP工具调用: Agent能动态调用平台任意MCP工具。
- Agent的再封装: 将整个Workflow也封装成更高阶的MCP工具。
服务化接入与验证
- 服务化封装: 使用Flask封装为标准HTTP接口。
- Dify平台接入: 支持Agent节点和HTTP请求两种方式。
- 功能验证: 成功替代原有Agent节点，准确解决算法问题。
ReAct Agent 工作循环
推理 (Reason)
思考下一步做什么
→
调用工具 (Act)
执行具体操作
→
观察 (Observe)
分析工具返回结果
↻
重复此循环，直至得出最终答案
五、CodeReview知识库构建
背景: 为了提升代码审查（CodeReview）的效率和质量，需要一个包含高质量、带注释的基准代码库作为参考。
实践: 在RAGflow平台中新建了专门用于CodeReview的知识库，导入了由智玲精心增加过注释的高质量代码作为初始数据。
目的: 为后续的自动化CodeReview工具提供优质的RAG数据源，同时也方便团队成员在此基础上学习和扩展。
六、未来工作展望
- ReAct Agent功能拓展: 将当前为特定工作流定制的Agent，拓展为通用Agent，实现类似Dify的任意参数输入及参数描述功能。
- 具体业务应用: 参与“料箱分车”项目的CodeReview工作，应用已有知识和工具。
- 持续学习与探索: ……