Auto-Coder Agent产品系统

针对传统 LLM 代码生成任务中“一次性输出易出错、缺乏运行验证”的痛点，从零构建了一个具备“代码生成 -> 物理隔离执行 -> 错误反思 -> 自动修复 -> 人工审批”完整闭环的多智能体（Multi-Agent）系统。

项目介绍： 针对传统 LLM 代码生成任务中“一次性输出易出错、缺乏运行验证”的痛点，从零构建了一个具备“代码生成 -> 物理隔离执行 -> 错误反思 -> 自动修复 -> 人工审批”完整闭环的多智能体（Multi-Agent）系统。
技术栈：LangGraph, OpenAI/DeepSeek API, Docker Engine API, SQLite
项目贡献:
- 构建图控制流： 摒弃传统的线性 Chain 结构，基于 LangGraph 设计并实现了 "Actor-Evaluator" 架构的循环状态机。利用图机制管理全局状态，实现任务在 Coder (生成)、Sandbox (执行) 与 Reviewer (反思) 节点间的条件路由与动态流转。
- 沙盒环境运行代码： 针对 LLM 生成代码的不可控性与潜在安全风险，基于 docker-py 封装了容器级的自动化测试沙盒。配置了严格的资源限制（网络禁用、内存配额）与超时截断机制，实现对标准输出 (stdout) 和标准错误 (stderr) 的安全捕获，保障宿主机免受恶意脚本或死循环代码的破坏。
- 实现记忆持久化与人工审批： 接入 SQLite Checkpointer 实现 Agent 的长期记忆与上下文保持，支持复杂需求追问；针对高危操作（如本地文件 I/O），利用 LangGraph 的 interrupt_before 机制实现“人工审批”，在关键节点挂起进程并等待人类授权，提升了系统的商用级安全性。

技术栈：LangGraph, OpenAI/DeepSeek API, Docker Engine API, SQLite, ReAct 架构
项目亮点:
 构建图控制流：基于 LangGraph 设计并实现了 "Actor-Evaluator" 架构的循环状态机。利用图机制管理全局状态，实现任务在 Coder (生成)、Sandbox (执行) 、Reviewer (反思) 和writer(写文件)节点间的条件路由与动态流转。
 沙盒环境运行代码： 针对 LLM 生成代码的不可控性与潜在安全风险，基于 docker-py 封装了容器级的自动化测试沙盒。配置了严格的资源限制（网络禁用、内存配额）与超时截断机制，实现对标准输出和标准错误的安全捕获，保障宿主机免受恶意脚本或死循环代码的破坏。
 记忆持久化与人工审批： 接入 SQLite Checkpointer 实现 Agent 的长期记忆与上下文保持，支持跨 Session 的复杂需求追问；针对高危操作，利用 LangGraph 的 interrupt_before 机制实现人工审批，在关键节点挂起进程并等待人类授权，提升了系统的安全性。