CI Agent 示例（GitHub Actions + Python）

这个示例展示了一个最小可用的 CI Agent：在 CI 运行中捕获测试/构建日志， 由 Agent（Python 脚本）自动分析失败原因，生成可读的结论与修复建议， 并将结果自动评论到 Pull Request。

作用：让传统 CI 的“固定流程”升级为“智能化决策 + 自我解释 + 建议修复”。

目录结构

.
├── agent/
│   └── ci_agent.py           # 核心智能分析器（Agent）
├── .github/
│   └── workflows/
│       └── ci-agent.yml      # 工作流，运行测试并调用 Agent，回帖到 PR
└── README.md

使用方法

1. 将本目录内容提交到你的 GitHub 仓库。
2. 在 Pull Request 上，工作流会自动触发：
   • 运行测试（示例用 pytest -q，你可以替换为构建/其他脚本）
   • 将测试输出保存到 pytest_output.txt（即使失败也不中断，便于 Agent 分析）
   • 调用 agent/ci_agent.py 生成 analysis.md
   • 将 analysis.md 自动评论到 Pull Request

你可以根据自己的技术栈（.NET、Playwright、前端等）修改测试命令与分析规则。

环境变量（可选）

• CI_AGENT_MODE：默认 basic。你也可以设置为 suggest-only（仅建议）或 strict（发现失败即标红）。
• PYTEST_CMD：覆盖默认的 pytest -q。

本示例的智能能力

• 识别典型失败模式：
  • Playwright TimeoutError / 选择器不存在 / iframe 问题
  • Playwright 浏览器未安装（Executable doesn't exist）
  • .NET 常见路径问题：Illegal characters in path
  • 包管理/网络波动导致的临时失败（建议重试策略）
• 给出 根因推断、修复建议 与 后续行动。

注意：本示例不直接修改代码，仅自动评论到 PR。你可以在此基础上扩展为自动提交修复 PR。

自定义扩展建议

• 将 ci_agent.py 的规则改为 正则 + 领域知识（例如 WinForms/设计时异常）
• 接入 LLM（OpenAI/Azure OpenAI）增强推理：
  • 通过环境变量注入 API Key
  • 增加“日志 → 结论”生成的自然语言质量
• 增加自动修复：
  • 在建议稳定后，自动生成 patch 并通过 create-pull-request action 发起修复 PR

---

欢迎按实际项目需求迭代这个 Agent，逐步把 CI 的失败率和人工排查时间降到最低。