Potpie AI: 專業 AI 程式碼分析平台

🎯 開發動機與解決痛點

在現代軟體開發中，程式碼庫的複雜度不斷增長，開發者經常面臨理解大型專案架構、快速上手新專案、以及進行有效程式碼審查的挑戰。Potpie AI 作為一個創新的開源平台，專門為這些痛點提供了系統性的解決方案。

                    核心痛點：
                    新進開發者難以快速理解複雜程式碼庫的架構和業務邏輯
缺乏智慧化的程式碼分析工具來輔助偵錯和測試
團隊協作中對程式碼變更影響範圍的評估困難
重複性的開發任務（如單元測試、整合測試）缺乏自動化支援
多程式語言專案的統一分析和知識管理挑戰

                

Potpie AI 透過建構完整的程式碼知識圖譜，結合專業的 AI 代理系統，為開發團隊提供了從程式碼理解、自動化測試到智慧偵錯的全方位解決方案。相較於傳統的程式碼分析工具，Potpie 能夠理解程式碼間的複雜關係，並透過對話式介面提供個人化的開發協助。

💡 應用情境

🚀 新人快速上手

當新進開發者加入團隊時，可透過 Codebase Q&A Agent 快速了解專案架構、設定開發環境、理解核心業務邏輯，大幅縮短學習曲線。系統能回答如「這個功能是如何實作的？」、「如何運行測試？」等具體問題。

🔍 智慧程式碼審查

Code Changes Agent 能自動分析程式碼變更的影響範圍，識別可能受影響的 API 和模組，提供功能性審查建議。特別適用於大型專案的 Pull Request 審查流程。

🧪 自動化測試生成

Unit Test Agent 和 Integration Test Agent 能根據程式碼結構自動生成測試計畫和測試程式碼，提升測試覆蓋率，確保程式碼品質。

🛠️ 低階設計協助

LLD Agent 能根據功能需求生成詳細的實作計畫，包括架構設計、模組劃分、介面定義等，為開發提供清晰的技術方向。

🐛 智慧除錯支援

Debugging Agent 能分析錯誤堆疊追蹤，結合程式碼知識圖譜提供具體的除錯步驟和解決建議，特別適合複雜的系統性問題。

🛠️ 技術框架與設計模式

🚀 FastAPI 後端框架

採用 FastAPI 0.115.6 作為核心後端框架，提供高效能的異步 API 服務，支援自動 API 文件生成和型別驗證。

🧠 Neo4j 知識圖譜

使用 Neo4j 圖形資料庫建構程式碼知識圖譜，能夠表達複雜的程式碼關係和依賴結構，支援高效的圖形查詢。

🤖 多 AI 提供者整合

透過 LiteLLM 整合多種 AI 提供者（OpenAI、Anthropic、Ollama 等），提供靈活的模型選擇和負載均衡。

🔧 Tree-sitter 解析器

使用 Tree-sitter 進行多程式語言的語法解析，支援 Python、JavaScript、TypeScript、Go、Rust 等主流程式語言。

⚡ Celery 任務佇列

採用 Celery 搭配 Redis 處理程式碼解析等耗時任務，確保 API 響應速度和系統穩定性。

🔄 CrewAI 代理框架

整合 CrewAI 框架構建專業化的 AI 代理系統，每個代理都有明確的角色定位和專業領域。

核心設計模式

🏭 Abstract Factory Pattern - 多提供者架構

在 LLM 提供者管理中使用抽象工廠模式，統一不同 AI 提供者的介面，支援動態切換和負載均衡。

🎯 Strategy Pattern - 代理選擇策略

SupervisorAgent 使用策略模式，根據使用者查詢類型自動選擇最適合的專業代理進行處理。

🔧 Factory Method Pattern - 代理實例化

每個系統代理都透過工廠方法模式進行建立，確保代理配置的一致性和可擴展性。

📡 Observer Pattern - 事件通知

在解析過程中使用觀察者模式，當解析狀態變更時通知相關元件更新界面和記錄日誌。

設計模式類別圖

UML 類別圖展示了 Potpie AI 的三個核心設計模式：Abstract Factory 模式用於管理多種 LLM 提供者，Strategy 模式用於動態選擇專業代理，Observer 模式用於解析狀態的通知機制。

🔧 核心業務邏輯實作

# 從 app/modules/intelligence/agents/agents_service.py 擷取
class AgentsService:
    def __init__(
        self,
        db,
        llm_provider: ProviderService,
        prompt_provider: PromptService,
        tools_provider: ToolService,
    ):
        self.db = db
        self.prompt_service = PromptService(db)
        self.system_agents = self._system_agents(
            llm_provider, prompt_provider, tools_provider
        )
        self.supervisor_agent = SupervisorAgent(llm_provider, self.system_agents)
        self.custom_agent_service = CustomAgentService(self.db)

    def _system_agents(self, llm_provider, prompt_provider, tools_provider):
        return {
            "codebase_qna_agent": AgentWithInfo(
                id="codebase_qna_agent",
                name="Codebase Q&A Agent",
                description="專門回答程式碼庫問題的代理",
                agent=qna_agent.QnAAgent(llm_provider, tools_provider, prompt_provider),
            ),
            # 更多系統代理...
        }
                

這段程式碼展示了 Potpie AI 的核心代理服務架構，使用依賴注入模式和工廠方法模式來創建和管理各種專業化的 AI 代理。

🎨 策略模式應用

# Strategy 模式實作 - 來自 app/modules/intelligence/agents/chat_agents/supervisor_agent.py
class SupervisorAgent(ChatAgent):
    def __init__(
        self,
        llm_provider: ProviderService,
        agents: Dict[str, AgentWithInfo],
    ):
        self.agent = AutoRouterAgent(llm_provider, agents=agents)

    async def run(self, ctx: ChatContext) -> ChatAgentResponse:
        return await self.agent.run(ctx)

    async def run_stream(self, ctx: ChatContext):
        async for chunk in self.agent.run_stream(ctx):
            yield chunk
                

此處使用了策略模式，SupervisorAgent 作為上下文，AutoRouterAgent 負責根據不同的查詢類型選擇最適合的專業代理進行處理。

⚡ Abstract Factory 模式實作

# 多提供者工廠模式 - 來自 app/modules/intelligence/provider/provider_service.py
class ProviderService:
    def get_llm(self, provider_type: AgentProvider):
        """根據提供者類型返回對應的 LLM 實例"""
        if provider_type == AgentProvider.CREWAI:
            return self._create_crewai_llm()
        elif provider_type == AgentProvider.LANGCHAIN:
            return self._create_langchain_llm()
        elif provider_type == AgentProvider.PYDANTIC_AI:
            return self._create_pydantic_ai_model()
        
    def _create_crewai_llm(self):
        return LLM(
            model=self.llm_config.model_name,
            api_key=self.llm_config.api_key,
            base_url=self.llm_config.base_url
        )
                

這個實作透過抽象工廠模式統一了不同 AI 提供者的介面，實現了 CrewAI、LangChain、Pydantic AI 等多種框架的無縫整合。

🏗️ 軟體架構圖與流程圖

系統架構圖

系統採用微服務架構，前端使用 React，後端使用 FastAPI，核心的 AI 代理系統整合多種 LLM 提供者，透過 Neo4j 建構程式碼知識圖譜，使用 Celery 處理耗時的解析任務。

使用流程序列圖

序列圖展示了典型的程式碼分析請求流程：開發者透過 Web UI 提交請求，API Gateway 路由至適當的 AI Agent，Agent 查詢知識圖譜獲取程式碼上下文，經 LLM 推理後回傳分析結果。

❓ 常見問題 Q&A

❓ Potpie AI 與其他程式碼分析工具的差異在哪裡？

核心優勢

知識圖譜驅動：Potpie AI 使用 Neo4j 建構完整的程式碼知識圖譜，能理解程式碼間的複雜關係，而不僅僅是語法分析。

專業化 AI 代理：每個代理都專精於特定任務（如偵錯、測試、程式碼審查），提供更精準的分析結果。

多 LLM 整合：支援 OpenAI、Anthropic、Ollama 等多種 AI 提供者，可根據需求選擇最適合的模型。

🔧 如何在企業環境中部署 Potpie AI？

部署選項

本地部署：使用 Docker Compose 可快速建立完整的開發環境，包含所有必要的服務（PostgreSQL、Neo4j、Redis）。

容器化部署：提供完整的 Dockerfile 和 supervisord 配置，支援 Kubernetes 等容器編排平台。

安全考量：生產環境建議啟用 Firebase 認證，配置適當的網路安全設定，並定期更新 API 密鑰。

⚡ 系統效能如何？支援多大的程式碼庫？

效能特性

異步處理：使用 Celery 進行耗時的程式碼解析，不影響 API 回應速度。

快取策略：Redis 快取頻繁查詢的結果，提升查詢效能。

可擴展性：支援水平擴展，可部署多個 Celery Worker 處理大型程式碼庫。

資源需求：建議 Neo4j 至少 4GB 記憶體，大型專案可能需要更多資源用於知識圖譜儲存。

🛠️ 如何客製化和擴展 Potpie AI？

客製化選項

自訂代理：可透過 API 建立客製化的 AI 代理，定義專屬的系統指令和任務流程。

工具擴展：在 app/modules/intelligence/tools 目錄中新增客製化工具，擴展系統功能。

多語言支援：透過新增 tree-sitter 查詢檔案，可支援更多程式語言的解析。

🔗 Potpie AI 是否可以與 GitHub 整合？如何與企業的 GitHub 環境配合使用？

完整的 GitHub 整合功能

原生 GitHub 支援：Potpie AI 已內建完整的 GitHub 整合功能，支援 GitHub OAuth 認證、GitHub App 權限管理，以及對私有和公開儲存庫的完整存取能力。

企業級部署：透過 GitHub App 架構，企業可以安全地將 Potpie AI 整合到現有的 GitHub 工作流程中，支援組織層級的權限控制和存取管理。

AI 代理工具整合：內建多項 GitHub 操作工具，包括分支建立、Pull Request 管理、程式碼審查、問題追蹤等，AI 代理可直接操作 GitHub 資源。

具體整合功能

儲存庫管理：支援使用者和組織儲存庫列表、分支管理、檔案內容存取、專案結構分析等完整的儲存庫操作。

Pull Request 工作流程：AI 代理可以建立分支、更新檔案、提交 Pull Request、新增程式碼審查評論，以及管理 PR 的完整生命週期。

程式碼審查自動化：透過專門的 GitHub 工具，AI 代理可以自動分析 PR 差異、提供程式碼建議、新增多行評論，並執行完整的程式碼審查流程。

雙重認證架構：結合 GitHub App 和 OAuth 認證，確保企業級安全性和使用者權限管理的平衡。

企業部署建議

環境變數配置：需要設定 GITHUB_APP_ID、GITHUB_PRIVATE_KEY、GH_TOKEN_LIST 等環境變數，建議使用 GitHub App 而非個人存取權杖以獲得更好的安全性。

擴展性支援：架構支援 Token Pool 管理和速率限制處理，可處理大規模企業環境的 API 呼叫需求。

開發與生產模式：支援本地開發模式（可處理本地儲存庫）和生產模式（完整 GitHub 整合），適合不同的部署需求。

🔮 未來展望

Potpie AI 作為開源專案，持續發展中。未來的發展方向將專注於提升 AI 代理的智慧程度、擴展支援的程式語言、以及增強企業級功能。

🌐 多語言擴展

計畫支援更多程式語言（如 C++、C#、PHP、Ruby），並優化對混合語言專案的分析能力。

🧠 智慧化升級

整合更先進的 AI 模型，提升程式碼理解和生成能力，支援更複雂的程式碼重構和優化建議。

🔗 IDE 深度整合

擴展 VSCode 擴展功能，支援更多主流 IDE（IntelliJ IDEA、Vim、Emacs），提供無縫的開發體驗。

📊 團隊協作功能

開發團隊儀表板、程式碼品質追蹤、知識共享平台等企業級協作功能。

🔒 安全性增強

加強程式碼隱私保護、企業級權限管理、審計日誌等安全功能。

⚡ 效能優化

優化知識圖譜建構速度、增強快取策略、支援增量解析等效能提升。

Open Source Gazette

Potpie AI: 專業 AI 程式碼分析平台 - 深度技術解析