TinyCodeBase

从RAG到Agent，从零构建代码智能系统的完整实践

本项目是一个轻量级的代码智能系统，包含了RAG（检索增强生成）、Agent（智能代理）和评估系统的完整实现。项目从TinyRAG扩展而来，专注于代码场景的优化和实践。

📚 项目文章系列

本仓库包含六篇深度技术文章，记录了从RAG到Agent再到AI编程实践的完整构建过程：

1. 手把手构建TinyCodeRAG：轻量级代码知识库解决方案

• 📅 2025-06-18
• 🎯 RAG系统构建
• 📖 详细介绍如何从零构建专为代码优化的RAG系统
• 🔧 涵盖向量化、代码分块、向量存储、LLM封装等核心模块

2. 从零开始搭建一个属于自己的Agent

• 📅 2025-06-28
• 🎯 Agent系统构建
• 🤖 基于ReAct范式实现智能代理
• 🛠️ 包含工具调用、代码检查、谷歌搜索等功能

3. 之前有多嫌弃大模型框架，现在用 LangGraph 就有多香

• 📅 2025-08-05
• 🎯 LangGraph框架实践
• 📈 从手写Agent到LangGraph框架的进化
• 💾 涵盖基础聊天、工具调用、记忆管理等核心功能

4. Human-in-the-loop 如何拯救智能体的骚操作？

• 📅 2025-09-08
• 🎯 人类在环机制
• 🚦 详解智能体安全控制的关键技术
• 🔧 基于LangGraph实现可控的智能体决策流程

5. AI当小弟，3天交付一个MVP！可控AI编程实战复盘

• 📅 2025-09-15
• 🎯 可控AI软件工程
• 🏗️ 从产品定义、技术选型到编码测试的完整流程
• 📋 通过PRD、TRD和TODO List实现可预测、可管理的工程实践

6. GitHub官方出品！spec-kit：项目开发的瑞士军刀

• 📅 2025-10-20
• 🎯 Spec-Kit工具实践
• 🛠️ GitHub官方项目开发规范化工具
• 📐 从需求分析到任务拆解的标准化流程

🏗️ 项目结构

TinyCodeBase/
├── 🔍 RAG/ - 检索增强生成系统
│   ├── embeddings.py          # 向量化引擎
│   ├── chunker_text.py         # 通用文本分割器
│   ├── chunker_code.py         # 代码专用分割器 ⭐
│   ├── vector_base.py          # 轻量向量数据库
│   ├── llm.py                  # LLM接口封装
│   ├── tiny_code_rag.py        # RAG系统整合
│   └── test_*.py               # 各模块测试文件
│
├── 🤖 agent/ - 智能体系统
│   ├── agent.py                           # ReAct范式Agent
│   ├── agent_langgraph.py                 # LangGraph框架Agent
│   ├── agent_langgraph_human_in_the_loop.py  # 人类在环Agent ⭐
│   ├── tools.py                           # 工具函数集合
│   ├── tree_sitter_parser.py              # 代码解析器
│   └── test_agent.py                      # Agent测试
│
├── 📊 eval/ - 评估系统
│   ├── eval.py                 # 评估主程序
│   ├── inference.py            # 推理引擎
│   ├── fetch_data.py           # 数据获取
│   └── data/                   # 评估数据集
│
├── 🚀 mvp/ - TinyCodeBase MVP实践 ⭐
│   ├── models/                 # 数据模型
│   ├── services/               # 业务服务
│   ├── routes/                 # 路由配置
│   └── public/                 # 前端页面
│
├── 🛠️ speckit-mvp/ - Spec-Kit工具实践 ⭐
│   ├── backend/                # 后端服务
│   └── frontend/               # 前端应用
│
└── 📐 specs/ - 项目规格说明
    └── 001-opendeepwiki-ai-ai/ # Spec-Kit实践案例

✨ 核心特性

RAG系统

✅ 代码智能分块：专门解析代码数据结构，构建精准向量集
✅ 开箱即用：提供专用的测试API key
✅ 模块化测试：每个组件都有独立测试用例，更适合新手学习
✅ 对话体验优化：完整支持多轮上下文对话

Agent系统

🤖 ReAct范式：思考-行动-观察-总结的完整流程
🔍 谷歌搜索：基于Serper API的实时信息检索
🛠️ 代码检查：基于TreeSitter的语法错误检测
🔄 工具调用：灵活的外部工具集成机制

LangGraph框架

📊 状态管理：清晰的状态定义和流转控制
🔧 工具集成：简化的工具调用和条件分支
💾 记忆系统：短期记忆(Checkpointer)和长期记忆(Store)
🎨 可视化：自动生成Agent流程图
🚦 人类在环：关键决策节点的安全控制机制

AI编程实践

🏗️ 可控AI工程：通过PRD、TRD和TODO List实现可预测的开发流程
📋 MVP快速交付：3天内从零到一完成产品开发
🛠️ Spec-Kit工具链：标准化的项目开发流程
📐 完整工程实践：包含需求分析、技术选型、开发测试的全流程案例

🚀 快速开始

1. 环境准备

git clone https://github.com/codemilestones/TinyCodeBase.git
cd TinyCodeBase
pip install -r requirements.txt

2. 体验RAG系统

cd RAG
python tiny_code_rag.py

3. 体验Agent系统

cd agent
python agent.py                           # ReAct范式Agent
python agent_langgraph.py                 # LangGraph框架Agent
python agent_langgraph_human_in_the_loop.py  # 人类在环Agent

4. 体验MVP项目

TinyCodeBase MVP

cd mvp
npm install
node app.js
# 访问 http://localhost:3000

Spec-Kit MVP

# 启动后端
cd speckit-mvp/backend
npm install
npm start

# 启动前端（新终端）
cd speckit-mvp/frontend
# 使用静态服务器打开 public/index.html

详细使用说明请参考各目录下的文档。

🔗 相关链接

• 原始项目: TinyRAG
• 在线演示: TinyCodeBase Demo
• 博客地址: 代码里程碑
• 技术交流: 欢迎提交Issue和PR

🎯 项目价值

这个项目不仅仅是代码实现，更是一个完整的学习资源：

• 📝 理论与实践结合：每个模块都有对应的技术文章
• 🧪 可运行的代码：所有示例都经过测试验证
• 📈 渐进式学习：从基础RAG到高级Agent，再到完整的AI编程实践
• 🛠️ 生产就绪：包含评估系统和完整的工程实践

✨ 欢迎Star/Fork/Issue三连！你的反馈是我持续优化的动力~