CodePhoenix

System-Agent-Analysis Microservice 🔍

Descrizione

Il microservizio di Analisi utilizza un sistema multi-agente per analizzare il codice. Esistono due agenti principali che collaborano per eseguire un’analisi approfondita e valutare la complessità del codice.

Architettura del Microservizio

Il microservizio è progettato per eseguire i task in maniera sequenziale. I task sono assegnati rispettivamente a Code Analyzer e Complex Analyzer, garantendo che l’analisi del codice venga effettuata in due fasi distinte ma complementari.

Code Analyzer

Questo agente si occupa di analizzare il codice legacy, applicando la sua vasta esperienza per identificare problemi, suggerire miglioramenti e garantire la qualità del codice.

1. Input: Riceve il codice legacy da analizzare.
2. Analisi: Applica tecniche di analisi statica per identificare problemi nel codice, come bug, vulnerabilità di sicurezza e violazioni delle best practice.
3. Output: Fornisce un report dettagliato con i problemi identificati e suggerimenti per miglioramenti.

code_analyst = Agent(
        role='Legacy Code Analyst',
        goal='Analyze and understand legacy code structure and functionality',
        backstory="""You are an experienced developer with decades of experience in analyzing legacy systems.
        Your expertise lies in dissecting complex programs and understanding their core logic.""",
        verbose=True,
        allow_delegation=False,
        llm=os.environ["LLM"],
    )

WorkFlow - Code Analyzer

Complex Analyzer

Questo agente valuta la complessità del codice, fornendo metriche dettagliate che aiutano a comprendere meglio le aree più critiche e complesse del progetto.

1. Input: Riceve il codice da analizzare insieme al report prodotto dal Code Analyzer.
2. Valutazione della Complessità: Calcola varie metriche di complessità, come la complessità ciclomatica, la profondità dei blocchi nidificati e il numero di linee di codice.
3. Output: Fornisce un report con le metriche di complessità e suggerisce aree del codice che potrebbero beneficiare di un refactoring per ridurre la complessità.

    complexity_assessor = Agent(
        role='Code Complexity Assessor',
        goal='Evaluate the overall complexity of the legacy codebase',
        backstory="""You are an expert in software metrics and complexity analysis.
        You specialize in assessing code complexity across different languages and providing actionable insights.""",
        verbose=True,
        allow_delegation=False,
        llm=os.environ["LLM"],
    )

WorkFlow - Code Analyzer

Parametri - Code Analyzer & Complex Analyzer

• role : Descrive il ruolo che l’agente deve avere all’interno
• goal : Descrive l’obiettivo che l’agente deve raggiungere all’interno del microservizio
• backstory : Riguarda l’aspetto del prompt engineering utilizzato per poter dare attributi in più agli agenti
• allow_delegation : permette agli altri agenti che fanno parte di una Crew di poter scambiare gli output tra di loro.
• LLM: rappresenta il core del tipo di Large Language Model che abbiamo utilizzato

Task - Code Analyzer

task1 = Task(
    description=f"""Analyze the structure and functionality of the legacy code.
    Identify key modules, data structures, and business logic implementations.
    Code: {code}""",
    expected_output="Detailed report on code structure and functionality",
    agent=code_analyst,
)

Parametri - Task

• description: Descrive il compito che deve essere eseguito.
  • Esempio: “Analyze the structure and functionality of the legacy code. Identify key modules, data structures, and business logic implementations. Code: {code}”
• expected_output: Descrive l’output atteso dopo l’esecuzione del task.
  • Esempio: “Detailed report on code structure and functionality”
• agent: L’agente responsabile dell’esecuzione del task.
  • Esempio: code_analyst

Task - Evaluation Analyzer

task2 = Task(
    description=f"""Using the insights from the code analysis, assess the overall complexity of the legacy codebase.
    Provide metrics and recommendations for refactoring priorities.
    Code: {code}""",
    expected_output="Comprehensive complexity assessment report with refactoring suggestions" if not number_response else "A single digit number, from 0 to 9 inclusive, indicating the complexity of the code.",
    agent=complexity_assessor
)

Parametri - Task

• description: Descrive il compito che deve essere eseguito.
  • Esempio: “Using the insights from the code analysis, assess the overall complexity of the legacy codebase. Provide metrics and recommendations for refactoring priorities. Code: {code}”
• expected_output: Descrive l’output atteso dopo l’esecuzione del task.
  • Esempio: “Comprehensive complexity assessment report with refactoring suggestions” if not number_response else “A single digit number, from 0 to 9 inclusive, indicating the complexity of the code.”
• agent: L’agente responsabile dell’esecuzione del task.
  • Esempio: complexity_assessor

Crew - System Agent Analysis

La crew risulta essere l’insieme degli agenti che vengono creati e a cui vengono assegnati i task :

    # Instantiate the crew for legacy code analysis
    analysis_crew = Crew(
        agents=[code_analyst, complexity_assessor],
        tasks=[task1, task2],
        verbose=True,
        process=Process.sequential
    )

    # Execute the analysis
    analysis_result = analysis_crew.kickoff()

Parametri - Crew

• agents: L’insieme di agenti che vengono creati per eseguire il compito
• tasks: L’insieme dei vari task che sono stati assegnati ai vari agenti.
• process: Indica se il tipo di processo può essere sequenziale oppure no