hack/tools/scripts/llm-key-hunter/results/_cache/content/chenll928_codeagent.json

{"repo": "chenll928/codeagent", "files": {"docs/deepseek_guide.md": {"0d03c6777c7e49b536d11a2c0f37fbc9a633cfe8": {"t": 1785746426.293048, "n": 6422, "h": "89bbae0879eb8087", "c": "# DeepSeek LLM Provider 使用指南\n\n## 概述\n\nDeepSeek 是一个强大的 AI 模型提供商，提供了专门优化的代码生成模型。本指南介绍如何在 IntentGraph AI 编码 Agent 中使用 DeepSeek API。\n\n## 特点\n\n### DeepSeek 优势\n- 🚀 **高性能**: 专门优化的代码生成能力\n- 💰 **性价比高**: 相比 GPT-4 更经济实惠\n- 🔧 **代码专用模型**: DeepSeek Coder 专为代码任务优化\n- 🌐 **OpenAI 兼容**: API 接口兼容 OpenAI 格式\n\n### 可用模型\n1. **deepseek-chat**: 通用对话模型，适合需求分析和设计\n2. **deepseek-coder**: 代码专用模型，适合代码生成和修改\n\n## 配置\n\n### 1. 获取 API Key\n\n访问 [DeepSeek Platform](https://platform.deepseek.com) 注册并获取 API Key。\n\n### 2. 配置环境变量\n\n在项目根目录创建或编辑 `.env` 文件：\n\n```bash\n# DeepSeek API 配置\nDEEPSEEK_API_KEY=sk-your-api-key-here\nDEEPSEEK_BASE_URL=https://api.deepseek.com\n```\n\n### 3. 安装依赖\n\n```bash\n# 安装 openai 包（DeepSeek API 兼容 OpenAI）\nuv pip install openai python-dotenv\n```\n\n## 使用方法\n\n### 方法 1: Python API\n\n#### 基本使用\n\n```python\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化 DeepSeek Provider\ndeepseek = DeepSeekProvider(\n    api_key=\"sk-your-api-key\",\n    base_url=\"https://api.deepseek.com\",\n    model=\"deepseek-coder\"  # 或 \"deepseek-chat\"\n)\n\n# 发送对话请求\nresponse = deepseek.chat(\n    prompt=\"请写一个 Python 函数实现快速排序\",\n    max_tokens=500,\n    temperature=0.7\n)\n\nprint(response)\n```\n\n#### 从环境变量加载\n\n```python\nimport os\nfrom dotenv import load_dotenv\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 加载 .env 文件\nload_dotenv()\n\n# 从环境变量获取配置\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    base_url=os.getenv(\"DEEPSEEK_BASE_URL\"),\n    model=\"deepseek-coder\"\n)\n```\n\n#### 与需求分析器集成\n\n```python\nfrom pathlib import Path\nfrom intentgraph.ai.enhanced_agent import EnhancedCodebaseAgent\nfrom intentgraph.agent import RequirementAnalyzer\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化\nagent = EnhancedCodebaseAgent(Path(\".\"))\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    model=\"deepseek-coder\"\n)\n\n# 创建分析器\nanalyzer = RequirementAnalyzer(agent, deepseek)\n\n# 分析需求\nanalysis = analyzer.analyze_requirement(\"添加用户认证功能\")\nprint(f\"需求类型: {analysis.requirement_type}\")\nprint(f\"复杂度: {analysis.estimated_complexity}\")\n\n# 设计方案\ndesign = analyzer.design_solution(analysis)\nprint(f\"技术方案: {design.technical_approach}\")\n```\n\n#### 完整工作流\n\n```python\nfrom pathlib import Path\nfrom intentgraph.agent import CodingAgentWorkflow\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化 DeepSeek\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    model=\"deepseek-coder\"\n)\n\n# 创建工作流\nworkflow = CodingAgentWorkflow(\n    repo_path=Path(\"./project\"),\n    llm_provider=deepseek,\n    enable_cache=True\n)\n\n# 实现功能\nresult = workflow.implement_feature(\"添加日志记录功能\")\n\n# 查看结果\nprint(f\"状态: {result.status}\")\nprint(f\"Token 使用: {result.token_usage:,}\")\nprint(f\"文件创建: {result.files_created}\")\n```\n\n### 方法 2: CLI 命令\n\n```bash\n# 设置环境变量\nexport DEEPSEEK_API_KEY=\"sk-your-api-key\"\n\n# 实现新功能\nintentgraph agent-new-feature \"添加用户登录功能\" \\\n  --api-key $DEEPSEEK_API_KEY \\\n  --model deepseek-coder\n\n# 修改代码\nintentgraph agent-modify \"User.register\" \"添加邮箱验证\" \\\n  --api-key $DEEPSEEK_API_KEY\n\n# Token 估算\nintentgraph agent-estimate \"添加缓存功能\"\n```\n\n## 模型选择建议\n\n### DeepSeek Chat\n**适用场景**:\n- 需求分析和理解\n- 技术方案设计\n- 文档生成\n- 通用对话\n\n**示例**:\n```python\ndeepseek_chat = DeepSeekProvider(\n    api_key=api_key,\n    model=\"deepseek-chat\"\n)\n\n# 用于需求分析\nanalyzer = RequirementAnalyzer(agent, deepseek_chat)\n```\n\n### DeepSeek Coder\n**适用场景**:\n- 代码生成\n- 代码修改\n- 测试生成\n- 代码审查\n\n**示例**:\n```python\ndeepseek_coder = DeepSeekProvider(\n    api_key=api_key,\n    model=\"deepseek-coder\"\n)\n\n# 用于代码生成\ngenerator = CodeGenerator(agent, context_manager, deepseek_coder)\n```\n\n## 性能对比\n\n### Token 消耗\n\n| 操作 | DeepSeek Coder | GPT-4 | 节省 |\n|------|---------------|-------|------|\n| 需求分析 | ~2KB | ~2KB | 相同 |\n| 代码生成 | ~4KB | ~4KB | 相同 |\n| 测试生成 | ~3KB | ~3KB | 相同 |\n\n### 成本对比\n\n| 模型 | 输入价格 | 输出价格 | 相对 GPT-4 |\n|------|---------|---------|-----------|\n| DeepSeek Coder | $0.14/M tokens | $0.28/M tokens | ~10x 便宜 |\n| GPT-4 | $30/M tokens | $60/M tokens | 基准 |\n\n### 质量对比\n\n| 任务类型 | DeepSeek Coder | GPT-4 |\n|---------|---------------|-------|\n| 代码生成 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 代码理解 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 需求分析 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 测试生成 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n\n## 运行示例\n\n### 运行演示程序\n\n```bash\n# 确保已设置 .env 文件\ncat .env\n# DEEPSEEK_API_KEY=sk-your-key\n# DEEPSEEK_BASE_URL=https://api.deepseek.com\n\n# 运行 DeepSeek 演示\nuv run python examples/deepseek_demo.py\n```\n\n### 演示内容\n\n演示程序包含 5 个示例：\n\n1. **基本使用**: DeepSeek Provider 初始化和简单对话\n2. **需求分析**: 与 RequirementAnalyzer 集成\n3. **代码生成**: 与 CodeGenerator 集成\n4. **完整工作流**: 端到端功能实现\n5. **模型对比**: Chat vs Coder 模型对比\n\n## 最佳实践\n\n### 1. 模型选择\n\n```python\n# 需求分析阶段：使用 Chat 模型\nanalyzer = RequirementAnalyzer(\n    agent,\n    DeepSeekProvider(api_key=key, model=\"deepseek-chat\")\n)\n\n# 代码生成阶段：使用 Coder 模型\ngenerator = CodeGenerator(\n    agent,\n    context_manager,\n    DeepSeekProvider(api_key=key, model=\"deepseek-coder\")\n)\n```\n\n### 2. 缓存使用\n\n```python\n# 启用缓存以节省 API 调用\nworkflow = CodingAgentWorkflow(\n    repo_path=Path(\".\"),\n    llm_provider=deepseek,\n    enable_cache=True  # 重要！\n)\n```\n\n### 3. Token 优化\n\n```python\n# 先估算 Token 使用\nestimate = workflow.get_token_usage_estimate(requirement)\nprint(f\"预计 Token: {estimate['total']:,}\")\n\n# 如果超出预算，考虑分解需求\nif estimate['total'] > 20000:\n    print(\"需求过于复杂，建议分解\")\n```\n\n### 4. 错误处理\n\n```python\ntry:\n    result = workflow.implement_feature(requirement)\n    if result.status == WorkflowStatus.FAILED:\n        print(f\"失败原因: {result.errors}\")\nexcept Exception as e:\n    print(f\"API 调用失败: {e}\")\n```\n\n## 常见问题\n\n### Q: DeepSeek API Key 在哪里获取？\nA: 访问 https://platform.deepseek.com 注册账号并获取 API Key。\n\n### Q: DeepSeek 支持哪些模型？\nA: 主要支持 `deepseek-chat` (通用) 和 `deepseek-coder` (代码专用)。\n\n### Q: 如何切换不同的 LLM 提供者？\nA: 只需更换 `llm_provider` 参数：\n```python\n# 使用 DeepSeek\nworkflow = CodingAgentWorkflow(repo_path, DeepSeekProvider(...))\n\n# 使用 OpenAI\nworkflow = CodingAgentWorkflow(repo_path, OpenAIProvider(...))\n```\n\n### Q: DeepSeek 的 API 限制是什么？\nA: 具体限制请查看 DeepSeek 官方文档。通常包括：\n- 每分钟请求数限制\n- 每天 Token 限制\n- 单次请求最大 Token 数\n\n### Q: 如何监控 API 使用情况？\nA: 使用内置的日志功能：\n```python\nfrom intentgraph.agent import get_logger\n\nlogger = get_logger()\nmetrics = logger.get_metrics_summary()\nprint(f\"总 Token: {metrics['total_tokens']:,}\")\n```\n\n## 参考资源\n\n- 📖 [DeepSeek 官方文档](https://platform.deepseek.com/docs)\n- 💻 [示例代码](../examples/deepseek_demo.py)\n- 🔧 [LLM Provider 源码](../src/intentgraph/agent/llm_provider.py)\n- 📊 [性能对比](./complete_system_summary.md)\n\n## 总结\n\nDeepSeek 提供了高性价比的代码生成能力，特别适合：\n- ✅ 预算有限的项目\n- ✅ 大量代码生成需求\n- ✅ 需要专业代码模型的场景\n\n通过 IntentGraph 的统一接口，可以轻松切换不同的 LLM 提供者，选择最适合您需求的模型。\n\n"}, "d8202d4c148e3a4088f9aaeafe1bbc07df4a39fa": {"t": 1785764068.0280428, "n": 6422, "h": "89bbae0879eb8087", "c": "# DeepSeek LLM Provider 使用指南\n\n## 概述\n\nDeepSeek 是一个强大的 AI 模型提供商，提供了专门优化的代码生成模型。本指南介绍如何在 IntentGraph AI 编码 Agent 中使用 DeepSeek API。\n\n## 特点\n\n### DeepSeek 优势\n- 🚀 **高性能**: 专门优化的代码生成能力\n- 💰 **性价比高**: 相比 GPT-4 更经济实惠\n- 🔧 **代码专用模型**: DeepSeek Coder 专为代码任务优化\n- 🌐 **OpenAI 兼容**: API 接口兼容 OpenAI 格式\n\n### 可用模型\n1. **deepseek-chat**: 通用对话模型，适合需求分析和设计\n2. **deepseek-coder**: 代码专用模型，适合代码生成和修改\n\n## 配置\n\n### 1. 获取 API Key\n\n访问 [DeepSeek Platform](https://platform.deepseek.com) 注册并获取 API Key。\n\n### 2. 配置环境变量\n\n在项目根目录创建或编辑 `.env` 文件：\n\n```bash\n# DeepSeek API 配置\nDEEPSEEK_API_KEY=sk-your-api-key-here\nDEEPSEEK_BASE_URL=https://api.deepseek.com\n```\n\n### 3. 安装依赖\n\n```bash\n# 安装 openai 包（DeepSeek API 兼容 OpenAI）\nuv pip install openai python-dotenv\n```\n\n## 使用方法\n\n### 方法 1: Python API\n\n#### 基本使用\n\n```python\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化 DeepSeek Provider\ndeepseek = DeepSeekProvider(\n    api_key=\"sk-your-api-key\",\n    base_url=\"https://api.deepseek.com\",\n    model=\"deepseek-coder\"  # 或 \"deepseek-chat\"\n)\n\n# 发送对话请求\nresponse = deepseek.chat(\n    prompt=\"请写一个 Python 函数实现快速排序\",\n    max_tokens=500,\n    temperature=0.7\n)\n\nprint(response)\n```\n\n#### 从环境变量加载\n\n```python\nimport os\nfrom dotenv import load_dotenv\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 加载 .env 文件\nload_dotenv()\n\n# 从环境变量获取配置\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    base_url=os.getenv(\"DEEPSEEK_BASE_URL\"),\n    model=\"deepseek-coder\"\n)\n```\n\n#### 与需求分析器集成\n\n```python\nfrom pathlib import Path\nfrom intentgraph.ai.enhanced_agent import EnhancedCodebaseAgent\nfrom intentgraph.agent import RequirementAnalyzer\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化\nagent = EnhancedCodebaseAgent(Path(\".\"))\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    model=\"deepseek-coder\"\n)\n\n# 创建分析器\nanalyzer = RequirementAnalyzer(agent, deepseek)\n\n# 分析需求\nanalysis = analyzer.analyze_requirement(\"添加用户认证功能\")\nprint(f\"需求类型: {analysis.requirement_type}\")\nprint(f\"复杂度: {analysis.estimated_complexity}\")\n\n# 设计方案\ndesign = analyzer.design_solution(analysis)\nprint(f\"技术方案: {design.technical_approach}\")\n```\n\n#### 完整工作流\n\n```python\nfrom pathlib import Path\nfrom intentgraph.agent import CodingAgentWorkflow\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化 DeepSeek\ndeepseek = DeepSeekProvider(\n    api_key=os.getenv(\"DEEPSEEK_API_KEY\"),\n    model=\"deepseek-coder\"\n)\n\n# 创建工作流\nworkflow = CodingAgentWorkflow(\n    repo_path=Path(\"./project\"),\n    llm_provider=deepseek,\n    enable_cache=True\n)\n\n# 实现功能\nresult = workflow.implement_feature(\"添加日志记录功能\")\n\n# 查看结果\nprint(f\"状态: {result.status}\")\nprint(f\"Token 使用: {result.token_usage:,}\")\nprint(f\"文件创建: {result.files_created}\")\n```\n\n### 方法 2: CLI 命令\n\n```bash\n# 设置环境变量\nexport DEEPSEEK_API_KEY=\"sk-your-api-key\"\n\n# 实现新功能\nintentgraph agent-new-feature \"添加用户登录功能\" \\\n  --api-key $DEEPSEEK_API_KEY \\\n  --model deepseek-coder\n\n# 修改代码\nintentgraph agent-modify \"User.register\" \"添加邮箱验证\" \\\n  --api-key $DEEPSEEK_API_KEY\n\n# Token 估算\nintentgraph agent-estimate \"添加缓存功能\"\n```\n\n## 模型选择建议\n\n### DeepSeek Chat\n**适用场景**:\n- 需求分析和理解\n- 技术方案设计\n- 文档生成\n- 通用对话\n\n**示例**:\n```python\ndeepseek_chat = DeepSeekProvider(\n    api_key=api_key,\n    model=\"deepseek-chat\"\n)\n\n# 用于需求分析\nanalyzer = RequirementAnalyzer(agent, deepseek_chat)\n```\n\n### DeepSeek Coder\n**适用场景**:\n- 代码生成\n- 代码修改\n- 测试生成\n- 代码审查\n\n**示例**:\n```python\ndeepseek_coder = DeepSeekProvider(\n    api_key=api_key,\n    model=\"deepseek-coder\"\n)\n\n# 用于代码生成\ngenerator = CodeGenerator(agent, context_manager, deepseek_coder)\n```\n\n## 性能对比\n\n### Token 消耗\n\n| 操作 | DeepSeek Coder | GPT-4 | 节省 |\n|------|---------------|-------|------|\n| 需求分析 | ~2KB | ~2KB | 相同 |\n| 代码生成 | ~4KB | ~4KB | 相同 |\n| 测试生成 | ~3KB | ~3KB | 相同 |\n\n### 成本对比\n\n| 模型 | 输入价格 | 输出价格 | 相对 GPT-4 |\n|------|---------|---------|-----------|\n| DeepSeek Coder | $0.14/M tokens | $0.28/M tokens | ~10x 便宜 |\n| GPT-4 | $30/M tokens | $60/M tokens | 基准 |\n\n### 质量对比\n\n| 任务类型 | DeepSeek Coder | GPT-4 |\n|---------|---------------|-------|\n| 代码生成 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 代码理解 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 需求分析 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 测试生成 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n\n## 运行示例\n\n### 运行演示程序\n\n```bash\n# 确保已设置 .env 文件\ncat .env\n# DEEPSEEK_API_KEY=sk-your-key\n# DEEPSEEK_BASE_URL=https://api.deepseek.com\n\n# 运行 DeepSeek 演示\nuv run python examples/deepseek_demo.py\n```\n\n### 演示内容\n\n演示程序包含 5 个示例：\n\n1. **基本使用**: DeepSeek Provider 初始化和简单对话\n2. **需求分析**: 与 RequirementAnalyzer 集成\n3. **代码生成**: 与 CodeGenerator 集成\n4. **完整工作流**: 端到端功能实现\n5. **模型对比**: Chat vs Coder 模型对比\n\n## 最佳实践\n\n### 1. 模型选择\n\n```python\n# 需求分析阶段：使用 Chat 模型\nanalyzer = RequirementAnalyzer(\n    agent,\n    DeepSeekProvider(api_key=key, model=\"deepseek-chat\")\n)\n\n# 代码生成阶段：使用 Coder 模型\ngenerator = CodeGenerator(\n    agent,\n    context_manager,\n    DeepSeekProvider(api_key=key, model=\"deepseek-coder\")\n)\n```\n\n### 2. 缓存使用\n\n```python\n# 启用缓存以节省 API 调用\nworkflow = CodingAgentWorkflow(\n    repo_path=Path(\".\"),\n    llm_provider=deepseek,\n    enable_cache=True  # 重要！\n)\n```\n\n### 3. Token 优化\n\n```python\n# 先估算 Token 使用\nestimate = workflow.get_token_usage_estimate(requirement)\nprint(f\"预计 Token: {estimate['total']:,}\")\n\n# 如果超出预算，考虑分解需求\nif estimate['total'] > 20000:\n    print(\"需求过于复杂，建议分解\")\n```\n\n### 4. 错误处理\n\n```python\ntry:\n    result = workflow.implement_feature(requirement)\n    if result.status == WorkflowStatus.FAILED:\n        print(f\"失败原因: {result.errors}\")\nexcept Exception as e:\n    print(f\"API 调用失败: {e}\")\n```\n\n## 常见问题\n\n### Q: DeepSeek API Key 在哪里获取？\nA: 访问 https://platform.deepseek.com 注册账号并获取 API Key。\n\n### Q: DeepSeek 支持哪些模型？\nA: 主要支持 `deepseek-chat` (通用) 和 `deepseek-coder` (代码专用)。\n\n### Q: 如何切换不同的 LLM 提供者？\nA: 只需更换 `llm_provider` 参数：\n```python\n# 使用 DeepSeek\nworkflow = CodingAgentWorkflow(repo_path, DeepSeekProvider(...))\n\n# 使用 OpenAI\nworkflow = CodingAgentWorkflow(repo_path, OpenAIProvider(...))\n```\n\n### Q: DeepSeek 的 API 限制是什么？\nA: 具体限制请查看 DeepSeek 官方文档。通常包括：\n- 每分钟请求数限制\n- 每天 Token 限制\n- 单次请求最大 Token 数\n\n### Q: 如何监控 API 使用情况？\nA: 使用内置的日志功能：\n```python\nfrom intentgraph.agent import get_logger\n\nlogger = get_logger()\nmetrics = logger.get_metrics_summary()\nprint(f\"总 Token: {metrics['total_tokens']:,}\")\n```\n\n## 参考资源\n\n- 📖 [DeepSeek 官方文档](https://platform.deepseek.com/docs)\n- 💻 [示例代码](../examples/deepseek_demo.py)\n- 🔧 [LLM Provider 源码](../src/intentgraph/agent/llm_provider.py)\n- 📊 [性能对比](./complete_system_summary.md)\n\n## 总结\n\nDeepSeek 提供了高性价比的代码生成能力，特别适合：\n- ✅ 预算有限的项目\n- ✅ 大量代码生成需求\n- ✅ 需要专业代码模型的场景\n\n通过 IntentGraph 的统一接口，可以轻松切换不同的 LLM 提供者，选择最适合您需求的模型。\n\n"}}, "docs/usage_quickref.md": {"0d03c6777c7e49b536d11a2c0f37fbc9a633cfe8": {"t": 1785746616.647767, "n": 2211, "h": "a44086d64228a466", "c": "# 在其他项目中使用 - 快速参考\n\n## 一分钟快速开始\n\n```bash\n# 1. 进入你的项目\ncd /path/to/your-project\n\n# 2. 配置 API Key\necho \"DEEPSEEK_API_KEY=sk-your-key\" > .env\n\n# 3. 分析代码库\nintentgraph analyze . --output intentgraph.json\n\n# 4. 实现功能\nintentgraph agent-new-feature \"你的需求\" --provider deepseek\n```\n\n## 常用命令\n\n### 实现新功能\n```bash\nintentgraph agent-new-feature \"添加用户登录\" \\\n  --provider deepseek \\\n  --api-key $DEEPSEEK_API_KEY\n```\n\n### 修改代码\n```bash\nintentgraph agent-modify \"User.register\" \"添加验证\" \\\n  --provider deepseek\n```\n\n### Token 估算\n```bash\nintentgraph agent-estimate \"你的需求\"\n```\n\n## Python API\n\n```python\nfrom pathlib import Path\nfrom intentgraph.agent import CodingAgentWorkflow\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化\ndeepseek = DeepSeekProvider(api_key=\"sk-xxx\", model=\"deepseek-coder\")\nworkflow = CodingAgentWorkflow(Path(\".\"), deepseek, enable_cache=True)\n\n# 实现功能\nresult = workflow.implement_feature(\"你的需求\")\nprint(f\"状态: {result.status}\")\n```\n\n## 项目结构\n\n```\nyour-project/\n├── .env                    # API 配置\n├── intentgraph.json        # 分析结果\n├── src/                    # 你的代码\n└── tests/                  # 生成的测试\n```\n\n## 支持的提供者\n\n| 提供者 | 模型 | 用途 |\n|--------|------|------|\n| deepseek | deepseek-coder | 代码生成 |\n| deepseek | deepseek-chat | 需求分析 |\n| openai | gpt-4 | 通用 |\n| anthropic | claude-3 | 通用 |\n\n## 完整示例\n\n```bash\n# 在你的 Django 项目中\ncd ~/projects/my-django-app\n\n# 分析\nintentgraph analyze . --output intentgraph.json\n\n# 添加功能\nintentgraph agent-new-feature \\\n  \"添加用户认证：\n  1. 用户注册（邮箱+密码）\n  2. 用户登录（JWT token）\n  3. 密码加密（bcrypt）\" \\\n  --provider deepseek \\\n  --model deepseek-coder\n\n# 查看生成的文件\nls -la auth/\nls -la tests/test_auth.py\n\n# 运行测试\npytest tests/test_auth.py\n```\n\n## 最佳实践\n\n1. ✅ 首次使用先分析代码库\n2. ✅ 使用 deepseek-coder 生成代码\n3. ✅ 启用缓存提升速度\n4. ✅ 详细描述需求\n5. ✅ 审查生成的代码\n\n## 故障排除\n\n### API Key 错误\n```bash\n# 检查配置\ncat .env | grep DEEPSEEK\n```\n\n### 分析失败\n```bash\n# 重新分析\nrm intentgraph.json\nintentgraph analyze . --output intentgraph.json\n```\n\n### 导入错误\n```bash\n# 安装依赖\npip install intentgraph openai python-dotenv\n```\n\n## 获取帮助\n\n```bash\nintentgraph --help\nintentgraph agent-new-feature --help\n```\n\n## 更多资源\n\n- 📖 [完整指南](usage_in_other_projects.md)\n- 💻 [示例脚本](../examples/use_in_other_project.py)\n- 🚀 [DeepSeek 指南](deepseek_guide.md)\n\n"}, "d8202d4c148e3a4088f9aaeafe1bbc07df4a39fa": {"t": 1785764067.2528667, "n": 2211, "h": "a44086d64228a466", "c": "# 在其他项目中使用 - 快速参考\n\n## 一分钟快速开始\n\n```bash\n# 1. 进入你的项目\ncd /path/to/your-project\n\n# 2. 配置 API Key\necho \"DEEPSEEK_API_KEY=sk-your-key\" > .env\n\n# 3. 分析代码库\nintentgraph analyze . --output intentgraph.json\n\n# 4. 实现功能\nintentgraph agent-new-feature \"你的需求\" --provider deepseek\n```\n\n## 常用命令\n\n### 实现新功能\n```bash\nintentgraph agent-new-feature \"添加用户登录\" \\\n  --provider deepseek \\\n  --api-key $DEEPSEEK_API_KEY\n```\n\n### 修改代码\n```bash\nintentgraph agent-modify \"User.register\" \"添加验证\" \\\n  --provider deepseek\n```\n\n### Token 估算\n```bash\nintentgraph agent-estimate \"你的需求\"\n```\n\n## Python API\n\n```python\nfrom pathlib import Path\nfrom intentgraph.agent import CodingAgentWorkflow\nfrom intentgraph.agent.llm_provider import DeepSeekProvider\n\n# 初始化\ndeepseek = DeepSeekProvider(api_key=\"sk-xxx\", model=\"deepseek-coder\")\nworkflow = CodingAgentWorkflow(Path(\".\"), deepseek, enable_cache=True)\n\n# 实现功能\nresult = workflow.implement_feature(\"你的需求\")\nprint(f\"状态: {result.status}\")\n```\n\n## 项目结构\n\n```\nyour-project/\n├── .env                    # API 配置\n├── intentgraph.json        # 分析结果\n├── src/                    # 你的代码\n└── tests/                  # 生成的测试\n```\n\n## 支持的提供者\n\n| 提供者 | 模型 | 用途 |\n|--------|------|------|\n| deepseek | deepseek-coder | 代码生成 |\n| deepseek | deepseek-chat | 需求分析 |\n| openai | gpt-4 | 通用 |\n| anthropic | claude-3 | 通用 |\n\n## 完整示例\n\n```bash\n# 在你的 Django 项目中\ncd ~/projects/my-django-app\n\n# 分析\nintentgraph analyze . --output intentgraph.json\n\n# 添加功能\nintentgraph agent-new-feature \\\n  \"添加用户认证：\n  1. 用户注册（邮箱+密码）\n  2. 用户登录（JWT token）\n  3. 密码加密（bcrypt）\" \\\n  --provider deepseek \\\n  --model deepseek-coder\n\n# 查看生成的文件\nls -la auth/\nls -la tests/test_auth.py\n\n# 运行测试\npytest tests/test_auth.py\n```\n\n## 最佳实践\n\n1. ✅ 首次使用先分析代码库\n2. ✅ 使用 deepseek-coder 生成代码\n3. ✅ 启用缓存提升速度\n4. ✅ 详细描述需求\n5. ✅ 审查生成的代码\n\n## 故障排除\n\n### API Key 错误\n```bash\n# 检查配置\ncat .env | grep DEEPSEEK\n```\n\n### 分析失败\n```bash\n# 重新分析\nrm intentgraph.json\nintentgraph analyze . --output intentgraph.json\n```\n\n### 导入错误\n```bash\n# 安装依赖\npip install intentgraph openai python-dotenv\n```\n\n## 获取帮助\n\n```bash\nintentgraph --help\nintentgraph agent-new-feature --help\n```\n\n## 更多资源\n\n- 📖 [完整指南](usage_in_other_projects.md)\n- 💻 [示例脚本](../examples/use_in_other_project.py)\n- 🚀 [DeepSeek 指南](deepseek_guide.md)\n\n"}}}}