本文详细介绍了基于SSE技术实现类似ChatGPT流式对话功能的全过程。系统采用前后端分离架构：后端使用Python/FastAPI生成符合OpenAI标准的SSE数据流，将每个Token封装为JSON格式；前端通过TypeScript/Lit建立连接，逐行解析JSON数据并实时渲染Markdown内容。关键实现包括后端严格遵循SSE协议规范、前端缓冲区管理和行分割处理、状态累积更新机制以及Mar

本文详细复盘了py-github-agent项目中Code Review Agent功能的构建过程。系统采用分层架构，通过API路由接收PR请求，由CodeReviewService驱动LangChain Agent执行审查任务。核心难点在于高效获取PR的全量信息，GitHub Service通过异步并发请求优化性能，支持获取文件变更前后的完整内容。系统采用ReAct模式运行，Agent通过工具调

本文详细复盘了py-github-agent项目中Code Review Agent功能的构建过程。系统采用分层架构，通过API路由接收PR请求，由CodeReviewService驱动LangChain Agent执行审查任务。核心难点在于高效获取PR的全量信息，GitHub Service通过异步并发请求优化性能，支持获取文件变更前后的完整内容。系统采用ReAct模式运行，Agent通过工具调

本文介绍了从initialize_agent升级到create_agent解决Gemini Agent处理大型代码PR时prompt过大的问题。旧架构存在token超限、处理失败等问题，而新架构采用LCEL数据流图，直接处理system prompt并智能管理token。关键改进包括：简化API调用、优化token管理、增强错误隔离能力。测试显示新架构可处理50+个文件（旧架构仅5-10个），并成

本文介绍了从initialize_agent升级到create_agent解决Gemini Agent处理大型代码PR时prompt过大的问题。旧架构存在token超限、处理失败等问题，而新架构采用LCEL数据流图，直接处理system prompt并智能管理token。关键改进包括：简化API调用、优化token管理、增强错误隔离能力。测试显示新架构可处理50+个文件（旧架构仅5-10个），并成

AI架构中的Agent与MCP对比 Agent是具备自主决策能力的智能系统（"大脑"），负责推理、规划和执行任务。MCP则是标准化通信协议（"神经系统"），专注于提供上下文和工具连接。关键区别在于：Agent是主动决策者，具有高级智能；MCP是被动接口，仅规范通信标准。两者协同工作时，Agent通过MCP发现和调用工具，专注于智能决策，而MCP处理具体操作。

AI架构中的Agent与MCP对比 Agent是具备自主决策能力的智能系统（"大脑"），负责推理、规划和执行任务。MCP则是标准化通信协议（"神经系统"），专注于提供上下文和工具连接。关键区别在于：Agent是主动决策者，具有高级智能；MCP是被动接口，仅规范通信标准。两者协同工作时，Agent通过MCP发现和调用工具，专注于智能决策，而MCP处理具体操作。

本文档介绍了如何构建一个能与GitHub交互的AI Agent系统。系统采用模块化设计，包含工具层（调用GitHub API）、模型层（封装Gemini LLM）、代理组装层（结合LLM和工具）和服务层（提供API接口）。关键技术点包括：使用BaseTool定义GitHub操作工具、通过CustomGeminiChatModel封装LLM、创建AgentExecutor实现思考-行动循环，以及统一

本文解析了Agent如何通过ReAct模式自主调用list_repository_files工具获取GitHub仓库信息。该过程包含四个角色：用户提出问题、LLM（Google Gemini）进行推理、工具执行代码、AgentExecutor协调交互。流程分为三个阶段：1）LLM分析问题并生成指令；2）AgentExecutor拦截指令并调用工具执行；3）将结果反馈给LLM生成最终答案。代码实现体

本文记录了py-github-agent项目中解决Google Gemini模型astream方法无法实现"打字机"效果的问题。诊断发现，自定义封装类CustomGeminiChatModel未实现_astream方法导致一次性输出。通过添加_astream方法并包装返回值后，发现Gemini API在REST模式下固有行为是逐句而非逐词流式输出。测试表明，代码封装正确，问题根