重庆大学AI训练营+202524131076T+指针分析助手

[fsgoakhol]

重庆大学AI训练营+202524131076T+指针分析助手

[fsgoakhol]

面向程序静态分析方向的多智能体助手：检索专业知识库讲解指针分析原理，并对多种语言代码做静态缺陷检查，输出风险分级与修复建议。技术准确性与表达易懂性兼顾，既服务研究者，也服务初学者。

文件与复现

智能体配置导出(JSON)、与知识库样本文件、提示词等数据,已打包在下方压缩包中

压缩包说明：
智能体数据.zip

• agents/：主智能体「代码审查调度官」与两个子智能体（指针分析、代码风险勘察）的配置。
• knowledge_base/：用于构建「指针分析专业知识库」的文档。
• demo_code/：演示用代码样例。
• prompts/：各智能体提示词。

---

项目概述

基于 Nexent 构建的多智能体系统，覆盖“概念讲解”与“代码勘察”两类场景：

• 概念讲解：针对指针分析、数据流分析框架等原理性问题，先检索专业知识库并引用原文，再以通俗类比和流程图呈现，兼顾严谨与易懂。
• 代码勘察：针对用户粘贴、上传或截图的代码，以静态分析视角识别空指针、内存泄漏、并发竞争、SQL 注入等缺陷，按严重程度分级并给出修改前后的修复建议。

两类场景由一个主智能体统一入口，自动判断意图并分派给对应的专家子智能体处理。

---

项目定位

设计上面向两类受众分层：以指针分析官方文档与论文级资料保证技术准确性；以流程图、三层结构（结论 → 原理 → 示例）与生活化类比降低理解门槛。

---

系统架构

主智能体 + 双子智能体分诊协同，降低单体上下文压力、职责清晰、可扩展：

flowchart TD
    U[用户] --> D[主智能体：代码审查调度官<br/>判断意图并分派，不直接作答]
    D -->|概念 / 原理问题| A[子智能体：指针分析部分]
    D -->|具体代码分析| B[子智能体：代码风险勘察部分]
    A --> KB[(专业知识库)]
    B --> T1[terminal：读本地文件]
    B --> T2[analyze_text_file：读上传文件]
    B --> T3[analyze_image：读代码截图]
    A --> RA[原理讲解 + 类比 + 流程图 + 原文引用]
    B --> RB[风险分级 + 数据流图 + 修改前后对比]

Loading

角色	职责	能力
代码审查调度官（主）	判断意图、分派，不答专业内容	纯调度
指针分析部分	静态分析 / 指针分析 / 概念原理	知识库检索（RAG）
代码风险勘察部分	代码缺陷识别、画图、修复建议	terminal / 文件解析 / 图片识别

---

功能详解

1. 知识库检索问答（RAG）
回答指针分析相关概念前，强制检索“指针分析专业知识库”，基于检索到的原文组织答案并标注引用来源；知识库无相关内容时明确声明，不凭记忆编造。覆盖上下文敏感性、指针流图(PFG)、堆抽象、参数（如 cs:1-obj）、核心 API 与相关顶会论文等内容。

2. 多语言代码缺陷勘察
支持 Java、C/C++、Python，识别的缺陷类型包括：

• 通用：空指针解引用(NPE)、资源未释放、并发数据竞争、集合迭代中修改、不当类型转换、数组/字符串越界、SQL 注入、路径遍历、链式调用空指针。
• C/C++ 专项：内存泄漏、释放后使用(use-after-free)、双重释放、悬空指针、缓冲区溢出、未初始化指针。

每个风险点输出：缺陷类型命名、严重程度分级（🔴 高 / 🟡 中 / 🟢 低）、“修改前 / 修改后”代码对比，以及基于静态分析原理的成因说明。

3. 多模态输入

• 粘贴：将代码直接贴入对话框。
• 上传文件：支持文本与文档多格式（源码文件改 .txt/.md 后缀后上传）。
• 代码截图：由视觉语言模型识别图中代码后再分析。

4. 多智能体协同分诊
主智能体根据问题意图自动分派：概念问题交“指针分析部分”，代码问题交“代码风险勘察部分”；混合问题先分析代码、再引导深入原理；意图不明确时主动澄清。

5. 自动可视化
每次回答输出 Mermaid 流程图或数据流图，可视化调用关系、数据流向与分析流程，复杂机制可直观呈现。

6. 个性化讲解与学习路线
按用户水平（新手 / 研究者）调整讲解深度与术语密度；面向新手额外给出循序渐进的学习路线。

7. 结构化输出
概念讲解统一采用“结论 → 原理 → 示例”三层表达；代码分析统一输出“风险 → 分级 → 修复 → 小结”，便于阅读与采纳。

8. 可靠性与边界控制
超出知识库或聚焦语言范围时明确声明，并给出权威参考方向（如 SVF、Clang Static Analyzer），不臆造结论。

---

项目亮点

• 用户友好：类比、流程图与分层表达降低门槛。硬核知识库保证准确性。
• 来源可靠：基于知识库原文作答并标注出处，结论可验证，区别于直接生成的问答助手。
• 多智能体分诊架构：主从三智能体分工，降低单体上下文压力，职责清晰、易扩展。
• 多语言 + 多模态：覆盖 Java / C/C++ / Python 等多种语言与 粘贴 / 上传 / 截图 三种输入。
• 代码修复建议：风险分级搭配修改前后对比，可直接采纳。
• 诚实边界：不臆造、明确声明能力范围，提升可靠性。

---

演示示例

完整运行截图见项目仓库的 README。下面以文字说明三个典型场景：

① 概念问答：检索知识库、引用原文、自动画图
提问指针分析核心概念时，系统先检索知识库并引用原文，再配以通俗类比与流程图，结论有据可查。

② 代码勘察：多语言、风险分级、修复对比
对真实代码做静态分析，识别空指针 / 内存泄漏 / 资源泄漏等风险，按 🔴🟡🟢 分级并给出修改前后对比。

③ 多智能体分诊：一次提问自动派单
主智能体将代码分析交勘察部分、原理讲解转理论部分，体现多智能体协同。

---

技术栈

• 平台：Nexent v2.1.1（本地 Docker 部署）
• 大语言模型：Qwen3-8B（子智能体）、Seed-OSS-36B-Instruct（调度官）
• 向量模型：BAAI/bge-m3
• 视觉模型：Qwen-VL 系列
• 工具：knowledge_base_search、terminal、analyze_text_file、analyze_image
• 知识库：官方文档转 Markdown 构建

---

使用方式

• 问原理：直接提问概念，如“什么是上下文敏感性”。
• 粘贴代码：将代码贴入对话框，要求分析风险。
• 上传文件：上传源码文件（.java/.cpp/.py 等请先改后缀为 .txt 或 .md，内容不变）。
• 传截图：上传代码截图并要求分析。
• 混合提问：贴代码并追问原理，系统先分析代码再引导深入。

---

部署与运行

如需在 Nexent 上运行本作品（文件均在项目仓库中）：

1. 模型管理中注册 4 个模型（见技术栈）。
2. 新建知识库“指针分析专业知识库”，向量模型选 bge-m3，上传仓库 knowledge_base/ 内文档。
3. 导入仓库 agents/ 下三个 JSON。
4. 「开始问答」选择主智能体“指针分析代审查助手”。

---

适用边界

• 理论知识库 Java；其他语言理论基于通用知识回答并给出参考工具（如 SVF、Clang Static Analyzer）。
• 截图识别受 OCR 精度与单屏范围限制，完整文件建议粘贴或上传。

---

开源说明

所用指针分析官方文档遵循 Apache 2.0 许可，已转为 Markdown 用于知识库构建。