二哥项目资料
首页/PaiCLI 终端 Agent/简历篇

PaiCLI Agent 如何写到简历上，类似Claude Code的Java版本 CLI Agent

简历篇 23,476 字 #16 原文
本文目录 · 27 节

xx信息｜AI 创新中心｜AI Agent 开发实习生 2026.06 - 2026.08

项目名称：DCode｜Java Coding Agent 智能研发助手

项目简介：面向银行软件研发场景，参与类 Claude Code 的 Java Coding Agent 开发，负责 ReAct 执行引擎、Tool Calling、长上下文管理及多 Agent 任务编排，并通过 SonarQube 真实缺陷评测验证 Agent 的代码修复能力。

技术栈：Java、ReAct、Tool Calling、Agent Runtime、Memory、Multi-Agent、DAG、SonarQube、Skill、CI/CD

核心职责：

• 参与 ReAct Agent Runtime 开发，实现 LLM 推理、Tool Call 解析、ToolRegistry 执行与 Observation 回填的多轮执行机制；通过 tool_call_id 关联工具请求与执行结果，并增加 Token Budget、最大迭代轮次及重复调用检测，对工具异常进行分级处理，提高多工具任务的执行稳定。

• 负责 Agent Memory 与长上下文管理，根据 Token 阈值对早期历史消息进行摘要压缩，同时保留最近完整对话及 Tool Call / Result 配对关系，避免上下文裁剪破坏工具调用协议；参与 Planner、ExecutionPlan、SubAgent 与 AgentOrchestrator 开发，通过 DAG 管理任务依赖，支持无依赖任务并行执行、有依赖任务顺序调度。

• 搭建基于 SonarQube 的 Coding Agent 自动修复评测体系，通过 CI 扫描真实 Java 项目并提取代码缺陷，将缺陷信息封装为 Sonar-Auto-Fix Skill，支持问题解析、修复任务生成及 Excel 结果归档；参考 SWE-bench 的真实代码修改评测方式，对 Agent 修复效果进行验证。

• 设计 Guided / Autonomous 双模式缺陷修复评测，基于 105 个真实 SonarQube 缺陷构建测试集，覆盖 Java 基础编码、异常处理及业务逻辑等场景；Guided 模式根据缺陷风险提供定位信息与修复约束，正确修复 89 项，成功率 84.8%；Autonomous 模式由 Agent 自主定位并修复，正确修复 68 项，成功率 64.8%。

PaiCLI-Python｜终端 Coding Agent｜核心开发者 2026.03 - 2026.07

项目简介：面向本地软件研发场景的终端 Coding Agent，对标 Claude Code，支持自然语言驱动代码检索、文件修改、命令执行与问题调试，并提供 ReAct、Multi-Model、MCP、长期记忆、上下文压缩及安全审批等能力。

技术栈：Python 3.11+、ReAct、httpx、MCP SDK、SQLite、BM25、prompt-toolkit、Rich、Typer

核心职责：

• 设计统一 Model Provider 适配层，基于 httpx AsyncClient + async/await 实现非阻塞流式推理，统一 DeepSeek、OpenAI、GLM、Kimi、Step 等 5 家模型的请求、SSE 事件与异常处理；针对 DeepSeek 百万 Token 上下文适配长上下文调用与 Prefix Cache，降低重复前缀处理开销。

• 实现 ReAct Agent Runtime，支持最多 20 轮自主推理与 Tool Calling，并统一管理 15 个文件、命令及代码检索等内置工具；为 Tool 标记只读与并发安全属性，由调度器并行执行无副作用操作、串行处理写操作。

• 基于 MCP SDK 接入外部工具生态，兼容 stdio / HTTP 两种传输方式，并根据任务按需裁剪 Tool Schema，减少无关工具定义占用上下文；针对文件修改、Shell 执行等高风险 Tool 增加 HITL 人工审批，限制 Agent 自主操作范围。

• 设计短期会话、长期知识与上下文摘要三层 Memory，使用 SQLite 持久化跨 Session 事实与项目信息，并结合 BM25 + 向量相似度按当前任务动态召回；针对长对话采用边界感知 Compactor，在保证 Tool Call / Result 完整性的前提下压缩历史消息并重新注入摘要，避免长任务持续挤占上下文窗口。

• 统一管理对话、事实、摘要、工具结果 4 类 Memory，通过 Token Budget 控制上下文容量，超出阈值后优先归档历史内容并保留压缩摘要；结合内容去重、关键词检索与启动恢复，使用户偏好及项目知识能够跨 Session 持续复用。

• 实现 Agent 安全执行机制，通过 Command Guard 拦截危险 Shell 操作、Path Guard 限制文件访问范围，并记录完整 Tool Audit Log；高风险命令与文件修改必须经过人工确认，降低 Agent 误操作对本地开发环境的影响。

PaiCLI Agent AI应用开发 2026-05 ～ 2026-06

项目描述：类似 Claude Code 的终端 Agent CLI，支持 ReAct 推理、Multi-Agent 协作、MCP 工具集成、三层记忆系统、RAG 代码库检索等，可在终端中通过自然语言驱动代码开发和调试。

技术栈：Java 21、JLine 4、SQLite、JGit、Chrome DevTools Protocol、Jieba、OkHttp、Ollama

核心职责：

  • 基于 ripgrep + Glob + read_file 的组合实现 Agentic Search 的精确检索，单次搜索延迟控制在 200ms 内；并以 RAG search_code 工具作为语义检索兜底，提升仓库代码定位与分析效率。
  • 基于 ReAct 实现 Agent 推理，支持并行执行和动态 Token 预算，上下文压缩算法会在 90% 上下文占用时自动触发摘要压缩。
  • 设计长任务持久化方案，基于 SQLite 存储任务状态，后台 Worker 线程池异步执行，支持进程重启后自动恢复未完成任务。
  • 实现三层记忆系统：短期记忆管理当前对话、长期记忆用 SQLite 持久化跨会话知识、Compactor 做边界感知的上下文压缩，支持 BM25 + 余弦相似度混合检索。
  • 集成 MCP 接入外部工具生态，支持 stdio/HTTP 双传输协议和 Schema 自动裁剪，并通过 HITL 审批机制实现工具调用的安全管控。
  • 构建 Plan-and-Execute + Multi-Agent 架构，Planner 将复杂任务拆解为 DAG，Worker 并行执行，Reviewer 审核质量并支持自动重试，最大并行 4 线程。
  • 基于 ReAct 模式实现 Agent 核心循环，通过 ToolRegistry 动态注册 9 个内置工具 + 60+ MCP 外部工具，工具选择由 LLM Function Calling 驱动
  • 实现 Plan-and-Execute 模式，通过 DAG 拓扑排序管理子任务依赖，同批次任务并行执行，单任务失败时下游依赖自动 SKIP 不阻塞独立任务
  • 同一轮多个 tool_calls 通过 ExecutorService 并行执行，按原始顺序返回结果保证 LLM 协议兼容，ReAct/Plan/Team 复用同一套调度器
  • 实现动态 Token 预算管理（90% × 最大上下文窗口），采用 Map-Reduce 压缩策略保证上下文的连贯性，支持GLM-5.1的 200k 和DeepSeek V4的1M上下文
  • 基于策略模式设计 SearchProvider 搜索引擎抽象层，支持智谱/SerpAPI/SearXNG，可在运行时自动选择和热切换
  • 实现基于 Jsoup 的 Readability 正文提取算法，通过语义标签优先+链接密度评分的两阶段策略准确提取网页正文
  • 设计 NetworkPolicy 网络安全策略，包括 SSRF 防护（scheme 白名单+host 黑名单+DNS 解析校验）和令牌桶限流
  • 将 web_search 和 web_fetch 作为 Function Calling 工具注册到 Agent 的工具链中，实现了 LLM 自主判断联网时机的智能工具选择
  • 在 Agent 执行中集成 Token 消耗统计，累计每轮 LLM 调用的输入/输出 token 数和耗时，方便不同模型间的成本和性能对比
  • 设计并实现 Multi-Agent 主从协作架构，解决单 Agent 处理复杂任务的瓶颈，可通过斜杠命令 /team 主动开启，支持 Planner / Worker / Reviewer 3 类角色。
  • 基于 BlockingQueue + ExecutorService 实现 Worker 子 Agent 的并行执行引擎，解决多步骤任务串行执行效率低的问题，并按依赖顺序推进工作流。
  • 手写 JSON-RPC 2.0 客户端，基于 CompletableFuture + ConcurrentHashMap 实现请求响应异步配对，支持超时调度和通知广播
  • 抽象 McpTransport 传输层，实现 stdio（子进程管道通信）和 Streamable HTTP（OkHttp + SSE 流式解析）两种传输方式
  • 实现 BrowserSession 浏览器会话状态管理器，支持 isolated/shared 双模式运行时切换，采用 synchronized 同步机制保证多线程状态一致性
  • 通过 CDP 自动连接机制，Agent 检测到需要登录时可通过 --autoConnect 自动发现并连接本机 Chrome 实例，从而实现 Codex 级别的 Browser Use
  • 设计 web_fetch → 浏览器 MCP 自动 fallback 机制，当 web_fetch 因 SPA / 反爬 / 客户端渲染返回空正文时，Agent 自动切换到 Chrome DevTools MCP 通过 take_snapshot 拿取 DOM 文本，覆盖微信公众号、知乎专栏、掘金等 web_fetch 不可达场景
  • 基于 SQLite 实现轻量级向量存储，向量以 JSON 数组持久化，通过在内存中计算余弦相似度，单项目千行级代码块检索耗时 < 100ms
  • 基于 JavaParser AST 实现代码分块（文件/类/方法），文本按大小分段；统一封装 Ollama 本地模型和 OpenAI 兼容远程 API，通过环境变量丝滑切换 provider；并通过语义检索打底 + jieba 分词加权实现混合检索策略
  • 将 RAG 封装为 search_code 工具注册到 Agent 工具，通过 LLM 系统提示词引导自动触发检索，ReAct 和 Plan-and-Execute 双模式均支持代码库理解
  • 设计 Memory 系统，实现 4 种记忆类型（对话/事实/摘要/工具结果）；超出 token 阈值时自动淘汰最旧条目，保留压缩摘要重新注入上下文；通过markdown存储长期记忆，支持 JSON 文件持久化和 Agent 启动时自动加载，实现内容去重和关键词检索，可跨 session 保留用户偏好和项目信息
  • 实现 context 压缩器，采用 Map-Reduce 策略分片摘要后合并，保留最近 3 轮完整消息不参与压缩，并支持自动提取关键事实到长期记忆
  • 实现基于 DFS 的拓扑排序算法，将任务 DAG 转换为线性执行顺序，能自动检测循环依赖并报错；使用线程池并发执行无依赖的多项任务，相比串行执行效率大幅提升
  • 开发 Planner 规划器，使用 LLM 将复杂任务分解为 5-10 个可执行子任务，通过 JSON 格式输出计划，实现 ID 映射和前向引用处理
  • 集成 JLine4 实现交互式命令行，支持命令历史（上下箭头）、Tab 自动补全、行编辑和语法高亮，用户体验接近 Claude Code 和 Qoder CLI
  • 设计 ToolRegistry 工具注册表，实现 read_file、write_file、list_dir、execute_command、create_project 五个内置工具，支持 JSON Schema 参数定义
  • 基于 Qoder CLI/Codex/Claude Code 从零搭建 Agent CLI 项目，实现 ReAct、MCP、RAG、Memory 等 Agent 核心机制；支持 Tool Call 的消息序列化与解析，能够处理 system/user/assistant/tool 四种消息角色

Pali｜终端 AI 编程助手｜核心开发 2026.03 - 2026.06

项目简介：基于 Java 自研面向本地软件研发场景的 Terminal Coding Agent，支持自然语言驱动代码检索、文件修改、命令执行与问题调试，并实现 ReAct、任务规划、Multi-Model、MCP、长期记忆、Context 压缩及安全审批等能力。

技术栈：Java、JLine 4、SQLite、JGit、JavaParser、MCP、Chrome DevTools Protocol、Jieba、OkHttp

核心职责：

• 设计 DAG 任务规划与动态重规划机制，通过两遍扫描处理 LLM Plan 中的前向依赖，再使用 DFS 三色标记检测循环依赖；简单任务通过 Fast Path 跳过 Planning，减少约 2s 启动耗时，复杂任务根据节点执行结果动态调整后续计划。

• 设计短期 + 长期两级 Memory，使用滑动窗口管理近期消息、SQLite 持久化跨会话记忆，并通过 Map-Reduce 分片压缩历史内容，保留关键事实及 Tool Call / Result 等协议信息；召回时综合相关性与时间等因素排序，在 10～200 轮测试中历史内容压缩率超过 85%，100 轮场景 Context 由 923K 降至 17K Token，记忆检索命中率达到 87.5%+。

• 设计 Web Fetch 自动降级机制，普通 HTTP 请求遇到 SPA、反爬或正文提取失败时，自动切换 MCP 接入的 Chrome DevTools Protocol 获取浏览器渲染后 DOM；在公众号、知乎、掘金等 6 个平台测试中，30 个普通 HTTP 无法解析的页面均能够正常提取内容。

• 设计 Agent 与 Tool 并发调度机制，通过 BlockingQueue 管理 Agent Worker，使用 ExecutorService 并行执行最多 4 个无依赖任务，并按照原始任务顺序归并输出，避免并发结果导致终端内容交错，端到端执行速度提升约 2～4 倍。

• 构建本地代码检索能力，使用 JavaParser 对源码进行 AST 解析并按 Class / Method 等语义边界切分，方法级 Chunk 占比达到 81.8%；基于 SQLite 构建轻量检索索引，融合语义相似度、关键词匹配、代码类型权重及同文件结果限制，为 Agent 提供自然语言 Code Search Tool，检索 P50 约 94ms，Top-5 准确率达到 85%。

YuForge Knowledge Engine｜研发知识库与 AI Agent 知识引擎

GitHub： gxySkywalker/YuForge-Knowledge-Engine⁠

项目简介：面向企业研发团队与 Coding Agent 的研发知识引擎，统一管理需求、架构、规范及版本文档，通过 RAG 为开发者与 Codex 等 Agent 提供带引用、可追溯、权限隔离的知识检索与智能问答，并支持 Web、REST、CLI、MCP 多种接入方式。

技术栈：Java、Spring Boot、MySQL、Redis、Kafka、MinIO、Elasticsearch、Apache Tika、WebFlux、Qwen Embedding / Reranker、DeepSeek、MCP

核心职责：

• 基于 Elasticsearch 实现 Hybrid Retrieval，融合 BM25 关键词检索与 2048 维 Dense Vector 语义召回，通过 RRF 合并候选结果并使用 Qwen3 Reranker 精排；增加 Confidence Gate 对低置信度结果拒答，兼顾代码标识、专业术语与自然语言查询的检索效果。

• 设计 Evidence-grounded RAG 问答机制，针对跨需求、架构、规范等多主题问题拆分检索子任务，并按照显式版本、知识权威等级及相关性选择证据；生成结果要求逐项绑定稳定 Citation，并对引用有效性进行校验，在证据不足时支持部分回答或明确拒答，减少无依据内容进入研发决策。

• 设计 Asset → DocumentVersion → ContentNode → Chunk → Embedding 分层知识模型，通过 DocumentVersion 管理同一研发资产的历史版本，并以状态机控制解析、切片、Embedding、索引及失败恢复；基于 Kafka 将文件上传与知识加工异步执行，支持 100 MiB 文件、20 分片乱序上传、重复分片幂等及断点续传。

• 针对企业知识存在部门、项目及资产权限边界的问题，基于用户角色、组织标签、公开属性与资产归属生成 ACL Filter，并在 BM25 与向量检索阶段直接限制候选范围，避免无权限内容被召回后进入 LLM Context，实现检索阶段的数据权限隔离。

• 建立 Retrieval 与 Generation 双层评测机制，通过黄金数据集持续评估 Recall、MRR、nDCG 等检索指标，以及事实完整度、Citation 有效性与拒答准确率；结合自动化回归覆盖知识版本、权限、检索及问答场景，避免检索策略或模型调整造成效果退化。

xxx科技有限公司｜AI 提效实习生 2025.11 - 2026.02

项目名称：智能 Coding Agent 与自动化评测平台

项目简介：面向代码修改、调试及问题排查等长任务场景，自研 Coding Agent，并围绕 Tool Calling、上下文管理、Multi-Agent 与自动化评测进行工程化开发。

技术栈：Python、ReAct、Tool Calling、MCP、Multi-Agent、JSON Schema、LLM-as-a-Judge、线程池

核心职责：

• 从 0 到 1 搭建 Agent 自动化评测框架，构建 26 条正常、边界及异常测试 Case，完整记录模型响应、Tool 调用、参数、耗时与最终结果，并从任务完成率、工具选择准确率、参数正确率、关键信息命中率及异常恢复等维度自动评分，生成 JSON / Markdown 评测报告。

• 实现 Tool Calling 故障注入与回归测试机制，通过 Mock Tool 模拟超时、异常、空结果及非法 JSON 等情况，自动验证 Agent 的重试、降级、终止与兜底行为；结合确定性断言与 LLM-as-a-Judge 评估生成结果。

• 针对长任务历史消息和工具结果持续增长的问题，设计分层记忆、Token Budget 与会话摘要机制，将长任务离线样本单轮平均 Prompt Token 由约 7.1K 降至 5.7K；同时通过实体保留率评估压缩质量，避免关键任务信息被摘要丢失。

• 基于 ReAct 实现 Agent Loop，通过 ToolRegistry 统一管理文件读取、Shell 命令及代码检索工具，并使用 JSON Schema 校验工具参数；接入 MCP 协议支持外部工具动态发现与标准化调用，降低新增工具对 Agent 核心代码的修改。

• 实现 Planner / Worker / Reviewer 多 Agent 协作模式，由 Planner 将复杂任务拆分为 DAG，Worker 通过线程池并行执行无依赖节点，Reviewer 对执行结果进行独立检查并触发失败重试；通过 DFS 检测循环依赖，避免非法任务计划进入执行阶段。

Minibot 本地代码管理Agent

项目名称：Minibot 本地代码管理Agent 时间：2025.12 – 2026.02

项目简介：面向代码修改、调试与问题排查等长任务场景，自研本地 Agent，通过记忆管理、上下文控制、任务恢复与工具治理能力，解决多轮执行过程中上下文膨胀、状态丢失和重复调用等问题。

技术栈：Python、ReAct Agent、Tool Calling、Context Engineering、Memory Management、Checkpoint

核心职责：

• 设计 Agent 执行流程，将 ReAct、tool use、状态更新与工件记录统一管理，支持接入多种模型

• 针对长任务上下文持续增长的问题，设计分层上下文管理与 token 预算裁剪机制，在保证关键信息保留的前提下，将平均 Prompt 长度从 7082 降低至 5664，平均压缩 16.19%

• 设计结构化 Memory 模块，将历史文件、任务状态与执行结果进行分类管理，通过摘要机制减少重复读取

• 实现任务恢复机制，基于 Checkpoint 保存执行状态，并结合 Workspace 校验恢复运行环境，覆盖中断恢复、文件变更、状态失效等 10 类异常场景

• 为文件读写、命令执行等工具增加参数校验、工作区隔离与高风险审批机制，避免错误操作影响项目文件

• 构建评测体系，覆盖上下文管理、记忆管理、任务恢复与回归测试场景，通过 Benchmark 与对照实验分析模型能力与 Agent 能力的差异，为后续优化提供依据

Code Review Agent｜Agent 开发 2026.06 - 2026.08

项目简介：面向 Pull Request 的多 Agent 代码审查系统，通过 PR 意图理解、风险评级与专业 Reviewer 协作完成代码审查，并结合 Harness、分层上下文与 Checkpoint 支持大型 Diff 的长任务执行和异常恢复。

技术栈：Python、LLM、Tool Calling、Multi-Agent、Harness、Checkpoint、AACR-Bench

核心职责：

• 设计 PR Review Agent Harness，以代码 Snapshot 作为审查基线，将 Diff 解析、意图提取、风险评级、Reviewer 分配、并行审查及结果汇总组织为可恢复的执行流程；统一生成结构化 review-result.json，避免不同 Agent 输出格式差异影响后续结果处理。

• 设计 Intent Packet，从 PR 描述、代码 Diff 及仓库上下文中提取修改目标、影响范围与关键代码证据，使 Reviewer 围绕本次变更真实意图进行审查。

• 实现风险驱动的 Multi-Agent 审查机制，结合确定性规则与 LLM 对 PR 进行风险评级，并根据风险类型与等级动态分配专业 Reviewer；多个 Reviewer 并行检查后统一聚合问题，避免所有 PR 固定执行全量审查造成不必要的模型调用。

• 设计全局、PR、Session 三层上下文管理机制，将长期审查规则、当前 PR 信息及单次 Agent 执行状态分别管理；针对大型 Diff 与 Tool Result 进行外置存储和摘要压缩，并结合 Checkpoint 保存审查进度，支持长任务异常后的断点恢复。

• 建立 Code Review Agent 自动评测体系，基于 AACR-Bench 的 196 条真实 PR 进行黑盒回归，将 Agent 识别的问题与 Ground Truth 逐项匹配，通过 Precision、Recall 等指标量化代码缺陷发现效果，为 Prompt、Reviewer 分配及审查策略迭代提供统一基线。

CodeMate——终端 AI 编程助手 2026.04 – 2026.05

项目简介：面向软件研发场景的终端 AI Agent，支持自然语言驱动代码检索、文件编辑、命令执行及工具调用，通过代码理解、长期记忆与安全执行能力，帮助开发者完成项目分析、需求开发及问题排查。

技术栈：Python 3.11、MCP SDK、httpx、asyncio、ripgrep、Dulwich、prompt-toolkit、Typer、Rich

核心职责：

• 基于 ReAct 与 LLM Function Calling 实现 Agent 执行流程，支持本地工具与 MCP 工具动态选择、参数生成及结果回传；使用 ripgrep 实现代码检索能力，封装文件搜索、关键词定位等工具，单次检索延迟控制在 200ms 以内。

• 设计短期会话、长期知识及全局规则三层记忆架构，将项目规范、用户偏好及历史会话分别管理；通过按主题存储、按需召回的方式实现跨会话知识复用，并结合 JSONL 会话日志及消息树恢复历史上下文。

• 设计长会话上下文管理机制，将超长工具输出持久化至本地，仅保留摘要及索引信息；根据 Token 使用情况动态压缩历史上下文，并在请求超限时自动完成上下文压缩与重试，降低长任务中的 Token 消耗。

• 实现 Agent 安全执行机制，通过 Human-in-the-Loop、危险命令拦截及权限控制限制文件修改、命令执行与网络访问；基于 Dulwich 保存 Git 快照，支持任务回滚、历史恢复及异常恢复，保证代码修改安全可追溯。

项目名称：Multi-Agent SDD 研发编排平台

项目简介：面向软件研发场景的 Multi-Agent 编排平台，基于 SDD（Software Driven Development）流程组织需求分析、系统设计、任务拆解、代码开发、测试、验收等多个阶段，通过 Workflow、Skill、MCP 与权限控制实现研发流程自动化。

技术栈：Workflow、Multi-Agent、Prompt Engineering、MCP、Skills、Claude Code

核心职责：

• 基于 Workflow 实现研发流程编排，将知识分析、需求设计、任务拆解、代码开发、测试、验收等多个阶段串联为确定性执行流程；通过状态机管理阶段流转、Review Gate、失败回退及终止条件，将业务流程控制与 LLM 推理解耦。

• 设计 Leader Agent 与执行 Agent 协作机制，前期通过 Prompt 管理流程路由，后续改为 Workflow Script 驱动阶段调度，由脚本控制任务分发、状态切换及 Agent 调用，降低 Prompt 控制成本，并减少流程执行中的 Token 消耗。

• 为不同 Agent 配置独立 Prompt、Skill、MCP 及权限边界，限制各 Agent 的职责范围，并通过 Reviewer Agent 对执行结果进行独立审查，根据审查结果自动定位责任阶段并触发重新执行。

• 设计分层Context管理机制，按阶段组织需求、设计文档、历史交付物及工具结果，通过摘要压缩与大对象外置减少长任务中的上下文冗余。

• 实现长任务恢复机制，持久化 Workflow 状态、阶段结果及任务快照，当 Agent、脚本或回调异常时根据状态快照恢复执行，避免长流程因单节点失败而整体中断。

CodeMate——Agent CLI 编程助手 2026.03 – 2026.05

项目简介：面向 Java 项目的本地 CLI 编程 Agent，支持自然语言驱动代码检索、任务规划、代码修改及自动诊断，集成 Multi-Agent、代码检索、长期记忆及安全执行能力，实现从需求分析到代码交付的自动化开发流程。

技术栈：Java 21、JLine、JavaParser、SQLite、JGit、Ollama、Jieba

核心职责：

• 设计 ReAct 与 Plan-Execute 双模式执行框架，简单任务采用 ReAct 完成工具调用与迭代推理，复杂任务拆分为 DAG 并由调度器按依赖关系并行执行；结合 Planner、Worker、Reviewer 多 Agent 协作，根据审查结果自动修复失败节点并控制重试次数，提高复杂开发任务执行成功率。

• 构建代码仓库检索能力，优先通过 ripgrep 快速定位代码，再结合 JavaParser 按类、方法生成 AST 索引，并融合 Ollama Embedding、Jieba、BM25 等方式完成语义检索与关键词检索，实现跨文件代码定位；在千级代码块规模下检索 P90 延迟保持在 94ms。

• 设计短期、长期双层记忆机制，将对话、工具结果及任务状态分别管理，并采用 Map-Reduce 对历史上下文进行摘要压缩；长期记忆基于 SQLite 持久化，结合 BM25 与向量检索动态召回相关历史，提高跨会话代码开发连续性。

• 基于 Git Worktree 为每个任务创建独立工作区，并结合 Side-Git 保存执行过程中的代码快照；通过 Diff 与 Java LSP 自动收集代码修改及诊断结果反馈给 Agent，在保证任务隔离的同时支持失败恢复与增量修复。

• 建立 Java Code Agent 自动评测体系，基于 SWE-bench Multilingual 与 Harbor 构建 43 个真实开源 Issue 测试集，在固定代码版本及隔离环境下自动验证 Patch，成功修复 27 个任务，Pass@1 达到 62.8%。

另外一个版本。

本地 Code Agent 编程助手 2026.04 – 2026.07

项目简介：面向本地代码仓库的 CLI 编程助手，支持自然语言驱动代码检索、任务规划、代码修改、工具调用及自动诊断，通过 Multi-Agent、代码检索、长期记忆与安全执行能力。

技术栈：Java 17、JLine、JavaParser、SQLite、JGit、Ollama、Jieba

核心职责：

• 基于 ReAct 与 Plan-Execute 实现双模式 Agent 执行框架，简单任务通过 ReAct 完成推理与工具调用，复杂任务拆分为 DAG 并按依赖关系并行调度；结合 Planner、Worker、Reviewer 多 Agent 协作，对执行失败节点自动定位、修复及有限重试。

• 构建代码检索模块，结合 ripgrep、JavaParser、Ollama Embedding、BM25 与 Jieba 实现关键词检索、语义检索及 AST 检索，并支持跨文件依赖分析，在千级代码块规模下检索 P90 延迟保持 94ms。

• 设计短期、长期双层记忆机制，将对话、工具结果及任务状态分别管理，并通过 Map-Reduce 压缩历史上下文；长期记忆基于 SQLite 持久化，结合 BM25 与向量检索动态召回历史信息，提高跨会话开发任务连续性。

• 基于 Git Worktree 为每个任务创建独立工作区，并结合 Side-Git 保存执行快照，通过 Diff 与 Java LSP 自动分析代码修改及诊断结果，实现任务隔离、失败恢复及增量修复。

• 建立 Java Code Agent 自动评测体系，基于 SWE-bench Multilingual 与 Harbor 构建 43 个真实开源 Issue 测试集，在固定代码版本及隔离环境下自动验证 Patch，成功修复 27 个任务，Pass@1 达到 62.8%。

• 设计 Agent 安全执行机制，对文件写入、命令执行及工具调用增加路径保护、命令策略、人工审批、审计日志及快照回滚控制，保证 Agent 在真实开发环境中的可追溯性。

多智能体协同终端开发助手

EEEEEE｜软件工程师（远程） 2024.05-至今｜纽约

项目名称：AI Agent 信用评分系统

项目简介：面向贷款与租赁信用评估场景的 AI Agent 平台，整合外部征信数据、企业审核规则及机器学习模型，支持资料解析、风险评估、工具调用与长任务执行，将传统人工审核流程转化为可编排、可恢复的自动化审批任务。

技术栈：Python、AWS EC2、Lambda、S3、SQS、LLM、ReAct、Multi-Agent、MCP、RAG、SQLite、BM25、向量检索

核心职责：

• 基于 AWS EC2、Lambda、S3 与 SQS 开发信用评估平台，接入外部征信数据、企业规则引擎及机器学习模型，将金融资料处理、信用特征提取与风险预测串联为自动化审核流程，使人工背景调查工作量减少约 40%。

• 设计兼容 ReAct、Plan-and-Execute 的 Agent 执行框架，抽象 Planner、Worker、Reviewer 三类角色，基于 DAG 拆解信用审批任务，对无依赖节点并发调度，并由 Reviewer 独立校验执行结果，提高复杂审批任务的执行效率。

• 实现统一 Tool Calling 机制，将企业内部服务与 MCP 工具封装为标准工具接口，支持 Function Calling、工具动态发现、参数 Schema 校验及执行结果回传，使 Agent 能够根据审批任务自动选择并调用征信查询、规则校验等外部能力。

• 设计短期会话、长期记忆与检索增强三层上下文管理机制，基于 SQLite 持久化用户历史与任务事实，融合 BM25 关键词召回和向量检索筛选相关信息，并将结果动态注入 Prompt，支持跨会话信用信息复用与多轮任务连续执行。

• 开发并发工具调度模块，对同一执行阶段内的多个 Tool Call 进行并行处理，并按照任务依赖关系汇总和有序返回结果，将复杂 AI 审批流程的端到端执行耗时降低 50%+。

• 针对信用审核任务耗时长、进程异常后执行状态丢失的问题，基于 SQLite 持久化任务状态与 Checkpoint，增加超时控制、失败重试和断点恢复机制；结合动态 Token Budget 与上下文压缩，控制长任务中的模型上下文规模。

• 完善 Agent 工具调用安全控制，增加域名白名单、SSRF 防护、访问权限校验及接口限流，并在高风险信用决策节点引入 Human-in-the-Loop 人工审批，保留任务执行轨迹与审核记录，避免 Agent 未经确认直接执行敏感操作。

财务 Copilot（项目负责人） 2026.03 – 2026.05

项目简介：面向个人财务管理的 AI Copilot，基于 LangGraph Supervisor 构建多 Agent 协作框架，集成消费分析、预算规划、目标管理、异常检测及财务健康评估等能力，实现交易分析、智能规划及长期财务管理。

技术栈：Java、Spring Boot、LangGraph4j、PostgreSQL、pgvector、Redis、LLM、ReAct

核心职责：

• 基于 LangGraph Supervisor 搭建多 Agent 编排框架，统一调度消费分析、预算规划、目标规划、异常检测及健康评估等 Agent，通过共享状态实现任务协作；同时设计节点读写权限控制机制，对状态访问进行校验，避免多 Agent 并发执行导致的数据污染。

• 根据任务特点设计混合执行策略，消费分析、预算规划等场景采用 ReAct Workflow 调度工具调用，并增加确定性补偿机制处理工具异常；异常检测、健康评估等规则明确的场景采用程序化计算，仅在结果生成阶段调用 LLM，减少模型调用开销。

• 设计 Human-in-the-Loop 审批机制，支持关键决策节点人工确认；将人工确认与任务恢复整合为单次 SSE 流式交互，避免多次请求带来的状态竞争问题，实现 Agent 工作流安全恢复与持续执行。

• 基于 PostgreSQL Checkpoint 实现 Agent 状态持久化，支持任务回滚与断点恢复；结合 pgvector 构建长期记忆模块，对历史任务进行向量化存储，并实现跨会话记忆检索与自动注入，在单用户 1000+ 条记忆数据下检索延迟保持在 100ms 以内。

• 建立 Agent 自动评测体系，将 90 组标准测试用例集成至 CI 流程，覆盖意图识别、工具调用等 6 类核心能力；通过自动评测发现并修复 LiteLLM 网关结构化输出兼容问题，避免模型切换导致的能力回退。

项目名称：编程 Agent-PaiCLI

项目简介：类似 Claude Code 的纯 Java 终端 Agent CLI，支持 ReAct 推理、Multi-Agent 协作、MCP 工具调用、长期记忆与代码库检索，可通过自然语言完成代码分析、任务拆解、开发与调试，全程无 Node.js、Python 依赖。

技术栈：Java 17、JLine 4、SQLite、MCP 协议、Chrome DevTools、JGit、jieba、JavaParser

核心职责：

• 使用两遍扫描 + DFS 三色标记实现 DAG 任务规划引擎，兼容 LLM 输出中的前向引用并检测循环依赖；结合 Fast Path 跳过简单任务规划，将执行启动时间减少约 2 秒，并根据任务进度进行自适应重规划，使异常任务恢复率达到 95%。

• 设计 Planner、Worker、Reviewer 三角色 Multi-Agent 协作机制，由 Planner 负责任务拆解、Worker 执行代码操作、Reviewer 独立审查执行结果。

• 使用滑动窗口 + SQLite 实现短期、长期双层记忆，并通过 Map-Reduce 分片压缩与 LLM 独立摘要保留关键上下文和工具协议；结合时间、相关度等因素进行加权检索，在 10～200 轮对话中压缩率超过 85%，100 轮上下文由 923K 压缩至 17K，记忆检索命中率超过 87.5%。

• 基于 MCP 接入 Chrome DevTools，实现 web_fetch 自动降级机制；普通 HTTP 抓取遇到 SPA、反爬或空正文时，自动切换 CDP 获取渲染后的 DOM 文本，覆盖公众号、知乎、掘金等场景，实测 6 个平台共 30 个 HTTP 不可达页面均可正常解析。

• 使用 BlockingQueue 管理 Agent 池，并通过 ExecutorService 实现最多 4 路工具并发执行；对同一批次中无依赖的任务并行调度，同时按原始顺序刷新输出，避免终端内容交错，使端到端执行速度提升 2～4 倍。

• 使用 JavaParser 对代码进行 AST 解析，并按类、方法等粒度切分代码，其中方法级分块占比达到 81.8%；基于 SQLite 实现轻量级向量存储，融合语义检索、关键词检索、类型权重与同文件结果限制，并封装为 search_code 工具供 Agent 调用，检索 P50 为 94ms，自然语言查询 Top-5 准确率达到 85%。

PaiCLI Agent 项目（第1期）| 2025.01 - 2025.01 | Agent开发

项目描述：从零实现一个 Java 版 Agent CLI，支持 ReAct 和 Tool Call，能根据自然语言指令完成文件操作、代码生成和命令执行。

技术栈：Java 17、Maven、OkHttp、Jackson、GLM-5.1

核心职责：

  • 基于 Qoder CLI/Codex/Claude Code从零搭建 Agent CLI 项目，实现 ReAct；使用 OkHttp 封装 GLM-5.1 API，支持 Tool Call 的消息序列化与解析，能够处理 system/user/assistant/tool 四种消息角色
  • 设计 ToolRegistry 工具注册表，实现 read_file、write_file、list_dir、execute_command、create_project 五个内置工具，支持 JSON Schema 参数定义
  • 实现交互式 CLI 界面，支持 API Key 从 .env 文件和环境变量自动加载，提供 clear、exit 等命令管理对话历史

PaiCLI 项目（第 2 期）| 2026.04 - 2026.06 | Agent 开发

项目描述：为 Agent CLI 加入 Plan-and-Execute 能力，实现任务分解、DAG 依赖管理和拓扑排序执行。

技术栈：Java 17、Maven、GLM-5.1 API、DAG 拓扑排序、JSON 解析

核心职责：

  • 设计 Task 任务模型，实现 6 种任务类型和 5 种状态流转，支持任务依赖双向追踪和 DAG 有向无环图表示
  • 实现基于 DFS 的拓扑排序算法，将任务 DAG 转换为线性执行顺序，能自动检测循环依赖并报错；使用线程池并发执行无依赖的多项任务，相比串行执行效率大幅提升
  • 开发 Planner 规划器，使用 LLM 将复杂任务分解为 5-10 个可执行子任务，通过 JSON 格式输出计划，实现 ID 映射和前向引用处理
  • 实现 PlanExecuteAgent，支持根据任务复杂度自动切换 ReAct 和 Plan-and-Execute 两种模式
  • 集成 JLine3 实现交互式命令行界面，支持命令历史（上下箭头）、Tab 自动补全、行编辑和语法高亮，用户体验接近原生 Shell

PaiCLI 项目（第 3 期）| 2026.04 - 2026.05 | 独立开发者

项目描述：为 Agent CLI 加入 Memory 系统，实现短期记忆自动管理、长期记忆持久化、Map-Reduce 上下文压缩和 Token 预算控制。

核心职责：

  • 设计 Memory 系统，实现 4 种记忆类型（对话/事实/摘要/工具结果）；实现短期记忆，超出 token 阈值时自动淘汰最旧条目，保留压缩摘要等待重新注入上下文
  • 通过markdown存储长期记忆，支持 JSON 文件持久化和 Agent 启动时自动加载，实现内容去重和关键词检索，跨 session 保留用户偏好和项目信息
  • 实现 context 压缩器，采用 Map-Reduce 策略分片摘要后合并，保留最近 3 轮完整消息不参与压缩，并支持自动提取关键事实到长期记忆
  • 实现预算管理和记忆检索，基于 jieba 分词+关键词匹配+时间衰减+来源加权来排序检索结果

项目名称：PaiCLI —— 开源 Java Agent CLI 工具

项目简介：从零构建一个类 Claude Code 的命令行 Agent 工具，支持 ReAct 推理、Plan-and-Execute 任务规划、Memory 记忆系统、RAG 代码库检索。

技术栈：Java 17、JavaParser、SQLite、Jieba 分词、OkHttp、Jackson、JUnit 5、JLine3

核心职责：

  • 基于 JavaParser AST 实现代码多粒度分块（文件/类/方法），非 Java 文件按大小分段，检索召回显著提升
  • 统一封装 Ollama 本地模型和 OpenAI 兼容远程 API，通过环境变量丝滑切换 provider，支持文本自动截断防止 API 超限
  • 基于 SQLite 实现轻量级向量存储，向量以 JSON 数组持久化，通过在内存中计算余弦相似度，单项目千行级代码块检索耗时 < 100ms
  • 实现混合检索策略：语义检索打底 + jieba 分词加权 + 代码类型加分 + 同文件限流，Top5 准确率达到可用生产级别
  • 基于 AST 提取代码关系图谱，支持通过自然语言查询类的调用链路
  • 将 RAG 封装为 search_code 工具注册到 Agent 工具，通过 LLM 系统提示词引导自动触发检索，ReAct 和 Plan-and-Execute 双模式均支持代码库理解

项目名称：PaiCLI — Java Agent CLI

项目简介：基于 ReAct 范式从零实现的 Java Agent 命令行工具，集成 Plan-and-Execute、Memory、RAG、Multi-Agent、HITL 人工审批和异步并行执行，完整覆盖 AI Agent 核心技术栈。

核心职责：

  1. 设计并实现统一的并行工具执行引擎，使用 ExecutorService + 批次超时实现最多 4 路并发，超时工具自动取消并返回可返回结果供 LLM 重新决策
  2. 将 ReAct、Plan-and-Execute、Multi-Agent 三条执行路径的工具调用统一接入并行引擎
  3. 在 Plan-and-Execute 模式中实现 DAG 批次调度，按依赖层级将独立任务并行执行，通过 ByteArrayOutputStream 缓冲实现并行输出的有序展示
  4. 使用 BlockingQueue 实现 Multi-Agent Worker 池化分配，保证同一 Worker 不被并发占用，Reviewer 按步骤独立创建避免对话历史竞争

项目名称：PaiCLI — Browser-Capable Agent CLI

项目简介：基于 Java 实现的 AI Agent 命令行工具，接入 Chrome DevTools MCP server，使 Agent 具备完整浏览器自动化能力，覆盖导航、输入、DOM 快照、截图、网络请求监控等 28 个工具。

技术栈：Java 21、MCP Protocol、Chrome DevTools Protocol、JSON-RPC 2.0、ConcurrentHashMap、CompletableFuture

核心职责：

  • 接入 chrome-devtools-mcp，设计 --isolated=true 安全隔离策略，实现 mcp.json 自动模板创建
  • 设计 web_fetch → 浏览器 MCP 自动 fallback 机制，当 web_fetch 因 SPA / 反爬墙 / 客户端渲染返回空正文时，Agent 自动切换到 Chrome DevTools MCP 通过 take_snapshot 拿取 DOM 文本，覆盖微信公众号、知乎专栏、掘金等 web_fetch 不可达场景
  • 设计 MCP server 启动进度打印线程，每 5 秒刷新未就绪 server 等待时长

项目名称：PaiCLI — Session-Aware Browser Agent CLI

项目简介：基于 Java 实现的 AI Agent 命令行工具，支持 Chrome DevTools MCP 的 isolated/shared 双模式运行，在复用用户真实浏览器登录态的同时，通过敏感页面策略和标签页保护机制确保账户安全。

核心职责：

  • 设计并实现 BrowserSession 浏览器会话状态管理器，支持 isolated/shared 双模式运行时切换，采用 synchronized 同步机制保证多线程状态一致性
  • 实现 CDP 自动连接机制，Agent 检测到需要登录态时通过 --autoConnect 自动发现并连接本机开启远程调试的 Chrome 实例，切换失败自动降级回 isolated 模式
  • 设计 BrowserGuard 策略执行层，对 chrome-devtools 28 个工具的调用实施分级安全检查，改写型工具在敏感页面命中时强制单步 HITL 审批，绕过 server 全放行许可
  • 实现 SensitivePagePolicy 敏感页面识别引擎，内置 14 条默认 glob 规则覆盖银行、支付、云控制台等高危场景，支持用户级 ~/.paicli/sensitive_patterns.txt 规则追加
  • 设计标签页所有权追踪机制，通过 agentOpenedTabs 集合记录 Agent 自创建的标签页 ID，shared 模式下 close_page 硬保护拦截非自创建标签页的关闭操作

项目名称：PaiCLI — Java Agent CLI

项目简介：基于 ReAct 范式从零实现的 Java Agent 命令行工具，集成 Plan-and-Execute、Memory、RAG、Multi-Agent 和 HITL 人工审批，完整覆盖 AI Agent 核心技术栈。

技术栈：Java 17、Maven、GLM-5.1 大模型、Jackson、JLine、SQLite（向量存储）、JUnit 5、Mockito

核心职责：

  1. 基于静态规则实现 HITL 危险操作拦截策略（ApprovalPolicy），将 write_file、execute_command、create_project 标记为需要人工确认的工具，避免 Agent 无监督覆写文件或执行 shell 命令
  2. 设计并实现继承式拦截层，通过覆写 executeTool() 注入审批逻辑，HITL 关闭时零开销，共享于 ReAct、Plan-and-Execute 和 Multi-Agent 三条执行路径
  3. 使用 Record 定义数据类型，实现显示宽度算法（CJK/全角/emoji 按 2 列计算）确保中文内容在 ASCII 审批框中渲染对齐
  4. 通过 synchronized + ConcurrentHashMap 保证多 Agent 并发场景下审批请求串行展示，支持“全部放行”会话级缓存降低重复确认频率
  5. 使用 Mockito 验证拦截逻辑、策略覆盖率和 fail-safe 行为，随项目总测试用例数增至 152 个

项目名称：PaiCLI - Agent CLI

项目简介：从零构建的生产级 Agent 命令行工具，支持联网搜索、网页抓取、MCP 协议、多 Agent 协作等能力

技术栈：Java 21、JSON-RPC 2.0、OkHttp、SSE、ProcessBuilder、MCP 2025-03-26 规范

核心职责：

  • 手写 JSON-RPC 2.0 客户端，基于 CompletableFuture + ConcurrentHashMap 实现请求响应异步配对，支持超时调度和通知广播
  • 设计 McpTransport 传输层抽象，实现 stdio（子进程管道通信）和 Streamable HTTP（OkHttp + SSE 流式解析）两种传输方式
  • 实现 MCP 协议完整生命周期：initialize 握手 + capabilities 协商 + tools/list 工具发现 + tools/call 工具调用
  • 设计 McpServerManager 多 Server 并行启动框架，基于固定线程池和 CompletableFuture.allOf() 实现启动加速，单 Server 故障不影响全局
  • 实现 MCP 工具命名空间隔离（mcp__server__tool），与 HITL 审批和 AuditLog 审计系统协同，第三方工具默认纳入安全管控

项目名称：PaiCLI - Java Agent CLI

项目简介：基于主从架构的 Multi-Agent，实现规划者、执行者、检查者三个角色分工与协作。

核心职责：

  • 设计并实现 Multi-Agent 主从协作架构，解决单 Agent 处理复杂任务的瓶颈，可通过斜杠命令 /team 主动开启，支持 Planner / Worker / Reviewer 3 类角色。
  • 基于 BlockingQueue + ExecutorService 实现 Worker 子 Agent 的并行执行引擎，解决多步骤任务串行执行效率低的问题，并按依赖顺序推进工作流。
  • 落地 6 类 AgentMessage 消息类型、审查反馈和自动重试机制，保证多 Agent 执行结果可复核、可回退。
  • 基于 ProcessBuilder + Future + 超时控制 重构 Shell 执行路径，解决 execute_command 长时间阻塞影响主流程的问题，并完成真实 /team 端到端验证及 119 个测试全量通过。

项目名称：PaiCLI — Java Agent CLI

项目简介：基于 ReAct 范式从零实现的 Java Agent 命令行工具，集成 Plan-and-Execute、Memory、RAG、Multi-Agent、HITL 人工审批、异步并行和多模型运行时切换，完整覆盖 AI Agent 核心技术栈。

核心职责：

  1. 基于策略模式设计 LlmClient 统一接口，将 GLMClient 的内部类型（Message、ToolCall、ChatResponse）提升为接口级公共类型，实现 Agent 层与模型实现层的完全解耦
  2. 使用模板方法模式实现 AbstractOpenAiCompatibleClient 基类，共享 SSE 流式解析、请求构建和工具调用增量合并逻辑，新增模型适配只需 20 行子类代码
  3. 通过工厂模式 LlmClientFactory 封装客户端创建，结合三层配置回退（config.json → 环境变量 → .env 文件），支持运行时 /model 命令一键切换 GLM-5.1 和 DeepSeek V4
  4. 在 Agent 执行循环中集成 Token 消耗统计，累计每轮 LLM 调用的输入/输出 token 数和耗时，方便不同模型间的成本和性能对比

项目名称：PaiCLI - Java Agent CLI

项目简介：从零构建的生产级 Java Agent 命令行工具，支持联网搜索、网页抓取、RAG 检索、多 Agent 协作等能力

技术栈：Java 21、OkHttp、Jsoup、GLM-5.1/DeepSeek V4、策略模式、工厂模式

核心职责：

  • 基于策略模式设计了 SearchProvider 搜索引擎抽象层，支持智谱/SerpAPI/SearXNG，可在运行时自动选择和热切换
  • 实现了基于 Jsoup 的 Readability 正文提取算法，通过语义标签优先+链接密度评分的两阶段策略准确提取网页正文
  • 设计 NetworkPolicy 网络安全策略，包括 SSRF 防护（scheme 白名单+host 黑名单+DNS 解析校验）和令牌桶限流
  • 基于工厂模式实现了 SearchProviderFactory，支持从环境变量、系统属性、.env 文件三级回退读取配置，实现零额外配置的开箱即用体验
  • 将 web_search 和 web_fetch 作为 Function Calling 工具注册到 Agent 的工具链中，实现了 LLM 自主判断联网时机的智能工具选择