""" 使用示例 - 展示如何使用 AutoGen SDLC 系统 包含多个实际场景的演示 """ import os import sys from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from autogen_sdls_system import AutoGenSDLCSystem def example_1_basic_workflow(): """示例 1: 基本工作流 - 自动驾驶车辆检测 API""" print("\n" + "=" * 70) print("示例 1: 基本 SDLC 工作流") print("=" * 70) api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return system = AutoGenSDLCSystem(api_key=api_key) requirement = """ 我需要一个自动驾驶目标检测与跟踪 API，要求： 1. 接收摄像头图像和激光雷达点云数据 2. 实现车辆、行人、骑行者的实时检测 3. 输出目标的 3D 边界框（位置、尺寸、朝向） 4. 支持多目标跟踪（MOT），输出轨迹信息 5. 符合车规级功能安全标准（ISO 26262 ASIL-B） 6. 响应时间 < 50ms，检测精度 mAP > 85% 7. 包含异常处理（传感器失效、恶劣天气等） """ print(f"\n📋 需求：{requirement}") result = system.run_workflow(requirement, max_round=20) if result["success"]: print("\n✅ 工作流完成！") print(f"📄 摘要：{result['summary'][:300]}...") else: print(f"\n❌ 工作流失败：{result.get('error')}") def example_2_custom_agents(): """示例 2: 自定义 Agent 配置""" print("\n" + "=" * 70) print("示例 2: 自定义 Agent 配置") print("=" * 70) from config.llm_config import get_llm_config from agents import create_pm_agent, create_qa_agent api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return # 使用不同的模型配置 llm_config = get_llm_config( model="qwen3.5-flash", api_key=api_key, temperature=0.5, # 降低温度使输出更稳定 max_tokens=3000 ) # 创建自定义 Agent pm_agent = create_pm_agent(llm_config=llm_config) qa_agent = create_qa_agent(llm_config=llm_config) print("✅ 已创建自定义配置的 Agent") print(f" PM Agent: {pm_agent.name}") print(f" QA Agent: {qa_agent.name}") def example_3_direct_agent_call(): """示例 3: 直接调用单个 Agent""" print("\n" + "=" * 70) print("示例 3: 直接调用 PM Agent 生成 SRS") print("=" * 70) from agents import ProductManagerAgent from config.llm_config import get_agent_llm_config api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return # 创建 PM Agent llm_config = get_agent_llm_config("PM_Agent", api_key=api_key) pm_agent = ProductManagerAgent(llm_config=llm_config) # 简单需求 requirement = "开发一个车载摄像头图像识别模块，支持车道线检测和交通标志识别" print(f"\n📋 需求：{requirement}") print("\n🤖 PM Agent 正在生成 SRS...\n") try: srs = pm_agent.generate_srs(requirement) print("\n✅ SRS 生成成功！") print(f"📄 前 500 字符预览:\n{srs[:500]}...") except Exception as e: print(f"\n❌ 生成失败：{e}") def example_4_test_generation(): """示例 4: QA Agent 生成测试用例""" print("\n" + "=" * 70) print("示例 4: QA Agent 生成测试用例") print("=" * 70) from agents import QAAgent from config.llm_config import get_agent_llm_config api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return # 创建 QA Agent llm_config = get_agent_llm_config("QA_Agent", api_key=api_key) qa_agent = QAAgent(llm_config=llm_config) # 简单的 SRS 片段 srs_sample = """ 【功能性需求】 FR-001: 系统应能接收摄像头 RGB 图像（分辨率 1920x1080） FR-002: 系统应能检测车辆、行人、骑行者三类目标 FR-003: 系统应能输出 3D 边界框（x,y,z,long,width,height,yaw） FR-004: 系统应能处理夜间和雨雪天气场景 【非功能性需求】 NFR-001: 检测延迟 < 50ms NFR-002: 检测精度 mAP@0.5 > 85% NFR-003: 符合 ISO 26262 ASIL-B 功能安全标准 NFR-004: 支持 -40°C~85°C 工作温度范围 """ print("\n📋 SRS 样本:") print(srs_sample) print("\n🤖 QA Agent 正在生成测试用例...\n") try: test_cases = qa_agent.generate_test_cases(srs_sample) print("\n✅ 测试用例生成成功！") print(f"📄 预览:\n{test_cases[:500]}...") except Exception as e: print(f"\n❌ 生成失败：{e}") def example_5_code_generation(): """示例 5: Dev Agent 生成代码""" print("\n" + "=" * 70) print("示例 5: Dev Agent 生成代码") print("=" * 70) from agents import DevAgent from config.llm_config import get_agent_llm_config api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return # 创建 Dev Agent llm_config = get_agent_llm_config("Dev_Agent", api_key=api_key) dev_agent = DevAgent(llm_config=llm_config) # SRS 和测试样本 srs_sample = """ FR-001: 实现点云预处理函数（去噪、下采样、坐标变换） FR-002: 实现 3D 目标检测函数（基于 PointPillars 或 VoxelNet） FR-003: 输入验证（点云格式 Nx5，包含 x,y,z,intensity,timestamp） FR-004: 输出限制（边界框参数归一化，置信度 0-1） """ test_sample = """ def test_pointcloud_preprocessing(): raw_points = np.random.rand(10000, 5).astype(np.float32) processed = preprocess_pointcloud(raw_points) assert processed.shape[0] < raw_points.shape[0] # 下采样后点数减少 assert not np.isnan(processed).any() # 无 NaN def test_3d_detection(): points = np.random.rand(5000, 5).astype(np.float32) boxes, scores = detect_objects_3d(points) assert len(boxes) == len(scores) assert all(0 <= s <= 1 for s in scores) assert boxes.shape[1] == 7 # (x,y,z,l,w,h,yaw) """ print("\n📋 需求和测试样本已准备") print("\n🤖 Dev Agent 正在生成代码...\n") try: code = dev_agent.generate_code(srs_sample, test_sample) print("\n✅ 代码生成成功！") print(f"📄 代码预览:\n{code[:500]}...") except Exception as e: print(f"\n❌ 生成失败：{e}") def example_6_realtime_file_saving(): """示例 6: 实时文件保存演示""" print("\n" + "=" * 70) print("示例 6: 实时文件保存 - 生成的文件会立即创建") print("=" * 70) api_key = os.getenv("DASHSCOPE_API_KEY") if not api_key: print("❌ 请设置 DASHSCOPE_API_KEY 环境变量") return system = AutoGenSDLCSystem(api_key=api_key, workspace_dir="workspace_realtime_demo") requirement = """ 我需要一个简单的 Python 工具函数库，要求： 1. 包含一个计算阶乘的函数 factorial(n) 2. 包含一个判断质数的函数 is_prime(n) 3. 包含一个生成斐波那契数列的函数 fibonacci(n) 4. 每个函数都要有完整的文档字符串和类型注解 5. 符合 PEP8 规范 """ print(f"\n📋 需求：{requirement}") print("\n💡 提示：在对话过程中，您会看到文件被实时保存到 workspace_realtime_demo 目录\n") result = system.run_workflow(requirement, max_round=15) if result["success"]: print("\n✅ 工作流完成！") print(f"📄 摘要：{result['summary'][:300]}...") # 显示生成的文件 print(f"\n📁 已保存 {len(result['saved_files'])} 个文件:") for file in result["saved_files"]: print(f" ✓ {file}") # 验证文件是否真的存在 print("\n🔍 验证文件是否存在...") import os for file in result["saved_files"]: if os.path.exists(file): print(f" ✅ {file} (存在)") else: print(f" ❌ {file} (不存在)") else: print(f"\n❌ 工作流失败：{result.get('error')}") if __name__ == "__main__": # 可以选择运行单个示例或全部示例 # example_3_direct_agent_call() # example_4_test_generation() # example_5_code_generation() # example_6_realtime_file_saving() # 新增：实时文件保存演示 # 运行所有示例 example_1_basic_workflow()