我构建了一个开源的多智能体SDLC工具，通过一次性学习仓库，在大型仓库上胜过冷启动的Claude Code运行。内含真实基准测试（包括其失败案例）。[P]

构建了一个开源AI编码智能体，在多达约8.2万行代码的仓库上，针对6/6个定位良好的任务，其成本比冷启动的"claude -p"运行低7%至75%。最大的区别：冷启动智能体：6.83美元，207次交互；AutoDev Studio：对于同一个bug仅需约1.70美元。完整基准测试（包括其失败案例）可在README中查看。那么有何不同？大多数AI编码智能体在每个任务中都从头重新探索仓库，只是为了找出更改归属何处。AutoDev Studio一次性支付了该定位成本。它通过静态分析和本地嵌入索引来摄入仓库并构建持久化的知识库。未来的每个任务都复用该知识，将定位从冷搜索转变为查找。它的功能：PM智能体提出澄清性问题并草拟工单；Dev智能体在隔离分支上编写代码；QA运行测试；另一个模型系列审查差异（作者≠审查者）；如有需要，会进行受限的修订循环；打开一个真实的GitHub PR。它还包含一个实时看板，并跟踪每个工单/智能体的token使用情况和成本。它不擅长的场景：对于微小且容易找到的编辑，单次智能体可能更便宜，因为存在流水线开销。在一个复杂的横切bug上，它生成了比基线更便宜但范围更窄的修复方案。其他特性：与提供商无关（Anthropic、Claude Code、兼容OpenAI的API、Groq、Gemini、xAI、OpenRouter、Ollama等）；默认完全免费/离线运行（使用Groq的免费层+本地嵌入）；FastAPI + SQLite；自研UI；测试+CI；MIT许可证。仓库（截图+完整基准测试）：https://github.com/krishagarwal314/autodev-studio 。欢迎任何反馈、批评或贡献。乐意回答关于架构或基准测试的问题。