generate-code-doc

name	generate-code-doc
description	Use when analyzing agno-cookbook Python source files to generate implementation principle documentation (.md). Use when the user asks to generate code analysis, implementation docs, or principle documentation for .py files.

Agno 代码原理文档生成

分析 agno-cookbook 中的 Python 源文件，生成结构化的实现原理分析文档（.md），覆盖 Agent 配置、prompt 组装、API 请求、源码索引等。

适用场景

• 用户要求对某个 .py 文件生成原理分析文档
• 用户要求对某个目录批量生成所有 .py 文件的原理文档
• 用户提到"实现原理"、"代码分析"、"原理文档"等关键词

输出规范

• 文件名：<源文件名>.md（如 few_shot_learning.py → few_shot_learning.md）
• 输出位置：与源 .py 文件同目录
• 语言：中文

文档模板结构

每个 .md 文件必须包含以下章节，按顺序排列：

1. 标题与源文件引用

# <文件名>.py — 实现原理分析

> 源文件：`<相对路径>/<文件名>.py`

2. 概述

一段话总结该示例展示的 Agno 核心机制，加粗关键特性名。末尾附「核心配置一览」表格：

## 概述

本示例展示 Agno 的 **`<核心特性名>`** 机制：<一句话描述原理和用途>。

**核心配置一览：**

| 配置项 | 值 | 说明 |
|--------|------|------|
| `name` | `"xxx"` | Agent 名称 |
| `model` | `OpenAIChat(id="gpt-4o")` | Chat Completions API |
| `instructions` | ... | ... |
| `tools` | ... | ... |
| ... | ... | ... |

配置表规则：

• 列出 Agent 构造函数的所有显式参数
• 对未设置的重要参数也要列出（值填 None，说明填"未设置"）
• model 列标注 API 类型（Chat Completions / Responses）

3. 架构分层

ASCII 文本图，展示用户代码层 → agno.agent 层 → 模型层的数据流：

## 架构分层

​```
用户代码层                agno.agent 层
┌──────────────────┐    ┌──────────────────────────────────┐
│ <文件名>.py      │    │ Agent._run()                     │
│                  │    │  ├ _messages.py                  │
│ <关键参数>       │───>│  │  get_system_message()          │
│                  │    │  │    → <处理逻辑概要>            │
│                  │    │  │                                │
│                  │    │  │  get_run_messages()            │
│                  │    │  │    <消息组装概要>              │
└──────────────────┘    └──────────────────────────────────┘
                                │
                                ▼
                        ┌──────────────┐
                        │ <Model类>    │
                        │ <model_id>   │
                        └──────────────┘
​```

规则：

• 左侧为用户代码层，展示关键参数
• 右侧为 agno 内部处理层，展示调用链
• 底部为模型层
• 如涉及工具、知识库等额外组件，在右侧或底部扩展

4. 核心组件解析

逐个分析该文件使用的 Agno 核心机制，附源码引用：

## 核心组件解析

### <组件名1>

`<组件名>` 在 `<函数名>()`（`<文件>:<行号>`）中处理：

​```python
# 关键源码片段（带中文注释）
​```

<解释这段代码的作用和原理>

### <组件名2>
...

规则：

• 每个组件单独一个 ### 子章节
• 引用 agno 源码时标注文件路径和行号
• 代码片段保留关键逻辑，添加中文注释
• 如有对比场景（如有/无某配置），用表格对比

5. System Prompt 组装

表格列出 system prompt 的所有组成部分及其在本文件中的状态：

## System Prompt 组装

| 序号 | 组成部分 | 本文件中的值/来源 | 是否生效 |
|------|---------|-----------------|---------|
| 1 | `description` | ... | 是/否 |
| 2 | `role` | ... | 是/否 |
| 3 | `instructions` | ... | 是/否 |
| 4.1 | `markdown` | ... | 是/否 |
| 4.2 | `add_datetime_to_context` | ... | 是/否 |
| 4.3 | `add_location_to_context` | ... | 是/否 |
| 4.4 | `add_name_to_context` | ... | 是/否 |
| 5-12 | 其余段落 | ... | 否 |

### 最终 System Prompt

​```text
<实际生成的 system prompt 内容>
​```

6. 完整 API 请求

模拟实际发送给 LLM 的完整请求：

## 完整 API 请求

​```python
client.chat.completions.create(
    model="<model_id>",
    messages=[
        # 1. System Message
        {"role": "developer", "content": "..."},
        # 2. 其他消息（如有 additional_input、history 等）
        ...
        # N. 当前用户输入
        {"role": "user", "content": "..."}
    ],
    tools=[...],  # 如有
    stream=True,
    stream_options={"include_usage": True}
)
​```

> <补充说明>

规则：

• 展示完整的 messages 数组
• 如有 tools 参数，也要展示
• 用注释标注每部分消息的来源
• 末尾用引用块补充说明

7. Mermaid 流程图

## Mermaid 流程图

​```mermaid
flowchart TD
    A["用户代码<br/>agent.print_response(...)"] --> B["Agent._run()"]
    B --> C["get_system_message()"]

    subgraph System Prompt 组装
        C --> C1[...]
        ...
    end

    ... --> E["<Model>.invoke()"]
    E --> F["模型响应"]
    F --> G["流式输出"]

    style A fill:#e1f5fe
    style G fill:#e8f5e9
    style <关键节点> fill:#fff3e0
​```

规则：

• 用 subgraph 分组相关步骤
• 入口节点用 #e1f5fe（浅蓝），出口节点用 #e8f5e9（浅绿）
• 关键机制节点用 #fff3e0（浅橙）
• 如涉及条件分支，用菱形节点
• 如涉及工具调用循环，展示 agentic loop

8. 关键源码文件索引

## 关键源码文件索引

| 文件 | 关键函数/类 | 作用 |
|------|------------|------|
| `agno/agent/agent.py` | `<属性名>` L<行号> | <作用> |
| `agno/agent/_messages.py` | `<函数名>()` L<行号> | <作用> |
| ... | ... | ... |

规则：

• 只列与本文件核心机制直接相关的源码
• 标注行号（格式 L<起始>-<结束> 或 L<行号>）
• 按调用链顺序排列

分析工作流程

单文件模式

1. Read 目标 .py 文件，理解代码逻辑
2. 定位核心 Agno 特性：识别 Agent 构造参数中的关键机制
3. 追踪 agno 源码：
   • Grep 搜索 agno 库中相关属性/函数的实现
   • Read 关键源码文件（_messages.py、agent.py、_tools.py 等）
   • 记录行号
4. 组装文档：按模板结构依次生成各章节
5. Write 输出到同目录的 .md 文件

批量模式（整个目录）

1. Glob 目标目录下所有 .py 文件
2. 过滤：排除 __init__.py、__pycache__ 等非示例文件
3. 统计文件数量，决定策略：

Python 文件数	策略	Agent 数
≤ 5	直接处理，不启动 Agent	0
6-15	启动 2 个 Agent 并行	2
16-30	启动 3 个 Agent 并行	3
> 30	启动 4 个 Agent 并行	4

4. 分组：按文件数均匀分配到各 Agent
5. 每个 Agent 的提示词模板：

分析以下 agno-cookbook Python 文件，为每个文件生成实现原理文档。

文件列表（共 <N> 个）：
- <文件路径1>
- <文件路径2>
- ...

对每个文件执行以下步骤：
1. Read 文件，理解代码逻辑
2. 识别使用的 Agno 核心特性（Agent 参数、tools、knowledge、storage 等）
3. Grep agno 源码追踪相关实现（_messages.py、agent.py、_tools.py 等），记录行号
4. 按以下模板结构生成 .md 文件（Write 到源文件同目录）：
   - 标题 + 源文件引用
   - 概述 + 核心配置一览表格
   - 架构分层（ASCII 图）
   - 核心组件解析（附源码片段和行号）
   - System Prompt 组装表格 + 最终 prompt
   - 完整 API 请求
   - Mermaid 流程图
   - 关键源码文件索引

语言：中文
输出位置：与源 .py 文件同目录，文件名为 <源文件名>.md

【重要】处理完列表中所有文件后再报告，不要中途停止。
完成后报告已生成的文件数和文件列表。

Agno 源码追踪指南

分析时需要追踪的 agno 核心源码文件：

机制	关键源码文件	关键函数
System Prompt	agno/agent/_messages.py	get_system_message()
消息组装	agno/agent/_messages.py	get_run_messages()
Agent 属性	agno/agent/agent.py	Agent 类定义
工具处理	agno/agent/_tools.py	get_tools()
可调用工厂	agno/utils/callables.py	invoke_callable_factory()
知识库	agno/knowledge/	各 KnowledgeBase 子类
存储	agno/storage/	各 Storage 子类
记忆	agno/memory/	Memory 类
模型适配	agno/models/	各模型的 invoke() / ainvoke()
Team	agno/team/	Team 类
Workflow	agno/workflow/	Workflow 类

追踪技巧：

• 用 Grep 搜索属性名在 _messages.py 中的处理位置
• 关注 get_system_message() 的分段注释（# 3.1, # 3.2 等）
• 记录行号时使用 L<行号> 格式

注意事项

• 不要虚构行号：必须通过实际 Read/Grep 确认源码行号
• 不要遗漏配置项：核心配置一览表要列出所有显式参数
• API 请求要准确：根据实际的模型类型确定 role（developer for OpenAI Chat，user for Responses API 等）
• Mermaid 节点 ID 不能有空格：用驼峰或下划线命名
• 跳过已存在的 .md 文件：批量模式下，如果同名 .md 已存在则跳过