软件仓库中蕴含大量代码提交、缺陷报告和项目活动数据，但非技术人员和开发者往往缺乏查询经验，难以直接获取所需信息。为此我们提出一种新型聊天机器人架构，核心采用 OpenAI 的 GPT-4 模型并结合工具选择机制，实现对仓库数据的自动抽取与分析。整体流程分三步：首先解析用户提问，抽取关键参数；其次依据参数匹配合适的工具（如 Issue 检索、Pull Request 查询、Commit 列表等）；最后将工具返回的原始结果作为上下文输入 GPT-4，生成细致且可操作的答案。与以往依赖嵌入模型和文档检索器的多组件系统不同，我们通过精心设计的 Prompt 与工具调度，使查询意图直接驱动工具调用，避免了检索阶段的语义漂移。实验覆盖 Issues、Pull Requests、Commits、复合问句以及通用仓库信息五类问题，评估了针对不同查询的 Prompt 对模型回答准确性的提升。结果表明，该架构不仅提升了回答的准确率，还显著降低了非技术用户获取仓库洞察的门槛，能够为多类用户提供可执行的分析结论。
点评