Розробка мультиагентної АІ-системи для рев'ю та аналізу коду з використанням фреймворку LangGraph

Abstract

Метою роботи є розробка мультиагентної АІ-системи для автоматизованого рев'ю коду на основі LangGraph із паралельною роботою семи спеціалізованих агентів, REST API на FastAPI та розширенням для VS Code. У першому розділі проаналізовано сучасні інструменти статичного аналізу та рев'ю коду, розглянуто принципи побудови мультиагентних AI-систем, сформульовано мету й задачі роботи. У другому розділі спроектовано мультиагентний граф LangGraph із маршрутизатором і сімома паралельними агентами, а також розширення VS Code. У третьому розділі описано юніт-, інтеграційні та end-to-end проведено верифікацію системи. У четвертому розділі розглянуто питання безпеки життєдіяльності при роботі з комп'ютерною технікою та основи охорони праці розробника. Об'єктом дослідження є процес автоматизованого рев'ю та аналізу програмного коду засобами мультиагентних AI-систем. Предметом дослідження є методи та технології побудови мультиагентних систем для аналізу коду на основі LangGraph і великих мовних моделей. Методи дослідження включають: аналіз аналогів, UML-моделювання, агентну оркестрацію та оцінювання якості агентів за кількісними метриками.

The purpose of the work is to develop a multi-agent AI system for automated code review based on LangGraph with seven parallel specialized agents, a REST API built with FastAPI, and a VS Code extension. This paper covers the analysis of the subject domain, including modern static analysis and code review tools and multi-agent AI system principles, followed by goal formulation, actor identification, and key use case description. The system architecture is designed around a LangGraph multi-agent graph with a central router and seven parallel agents; PostgreSQL database schemas and UML class diagrams are constructed; a REST API and a VS Code extension with an interactive report and inline diagnostics are implemented. The quality of the system is evaluated through unit, integration, and end-to-end with system verification. Workplace safety guidelines for software developers are also discussed. The object of the study is the process of automated code review and analysis using multi-agent AI systems. The subject of the study is methods and technologies for building multi-agent systems for code analysis based on LangGraph and large language models. The research methods include: analysis of analogues, UML architecture modeling, agent orchestration, and quantitative evaluation of agent quality metrics.