RepoChat 200k

Repochat en 200k, ¡sin trapo!

⚡Chat con Repo GitHub utilizando la ventana de contexto de 200k de Claude en lugar de trapo! ⚡

¿Por qué reposchat, sin trapo?

¡Aproveche el Claude 200k! ¡Pon todos los ejemplos y códigos a los contextos!

¡Necesitamos copiloto en lugar de agente a veces!

1. No solo chatear, sino que escriba códigos con los últimos documentos

¿Tiene problemas memorizando todas las API en el índice de Llama o Langchain?

No se preocupe, solo incluya los ejemplos de componentes y los documentos del repositorio y deje que Claude Opus, ¡el modelo más fuerte y la larga ventana de contexto de 200k para escribir su agente para usted!

2. Sin copia, solo seleccione

Descargue/Clone su repositorio de GitHub y luego seleccione los archivos que desea, lo cubrí para construir el mensaje.

3. Sin trapo, tú decides

He visto muchos chatear con proyectos de reposio, todos tienen los puntos de dolor:

Which files do this query need?

Utilizan la búsqueda de incrustación en la base de datos de código, pero la mayoría de las veces ya sabía a qué documentos estoy referido ... así que tome sus propias decisiones cada vez que esté codificando.

• ¿Codificar frontend? Simplemente seleccione componentes y ejemplos.

• Agentes de codificación? Simplemente seleccione Jupyter Notebook de Langgraph.

• ¿Codificación de trapo? Simplemente seleccione Jupyter Notebook de Llamaindex.

4. ¡Más casos de uso!

Use llameAndex doc

Seleccione Llamaindex Ejemplo de Pipeline para escribir gráfico de trapo.

Use shadcn doc para escribir frontend

Seleccione ejemplos y definición de componentes.

¡Sugerencias!

1. Puede usar Haiku para la mayor parte del caso.
2. Cambiar modelos basados ​​en tareas.
3. Cambiar archivos según las tareas.
4. ¡Clone te repose!
5. Por lo general, incluiré Readme of Repo para ayudar a Claude a comprender mejor
6. ¡Use COUNT TOKENS en la barra lateral para ver cuántas fichas enviará!

Características

1. Descarga del repositorio : los usuarios pueden proporcionar una URL de repositorio de GitHub, y la aplicación descargará y analizará automáticamente el repositorio.
2. Selección de archivo y carpeta : los usuarios pueden seleccionar archivos o carpetas específicas del repositorio para incluir en la entrada de la LLM.
3. Filtrado de lenguaje : los usuarios pueden filtrar los archivos programando el lenguaje para enfocar la comprensión de la LLM en partes específicas de la base de código.
4. Límite del token : los usuarios pueden establecer un límite de token para controlar la cantidad de información enviada al LLM, que puede ser útil para el rendimiento o las consideraciones de costos.
5. Interfaz de chat : los usuarios pueden interactuar con la LLM a través de una interfaz de estilo de chat, lo que les permite hacer preguntas o solicitar la generación de código en función del contenido del repositorio.
6. Salida de transmisión : las respuestas de la LLM se muestran de manera transmisión, proporcionando una experiencia de usuario más atractiva y en tiempo real.

Actualmente solo admití OpenRouter. Planeando agregar más y refactor algún día.

Empezar

1. Configuración del entorno : ejecute pip install -r requirements.txt para configurar el entorno.

2. Cree un archivo .env : cree un archivo .env en el directorio raíz del proyecto y agregue su clave API OpenRouter (recomendada):

OPENROUTER_API_KEY=your_openrouter_api_key_here

¡Recomiendo OpenRouter porque tiene todos los modelos!

Si desea usar modelos OpenAI GPT, agregue su openai api key también.

OPENAI_API_KEY=your_openai_api_key_here

3. Ejecute la aplicación : ejecute el script app.py usando Streamlit:

streamlit run app.py

4. Use la aplicación : siga las instrucciones en la aplicación para descargar un repositorio de GitHub, seleccionar archivos y carpetas, y chatear con el LLM.

Si encuentra algunos problemas con Repo, siempre puede eliminar el Repo Dir en ./Repos Dir y descargarlo nuevamente.

Configuración

El comportamiento de la aplicación se puede personalizar a través de las siguientes opciones de configuración:

• Modelo : el modelo LLM específico para usar (por ejemplo, "antrópico/Claude-3-Haiku", "Anthricic/Claude-3-Opus").
• Temperatura : el parámetro de temperatura que controla la "creatividad" de las respuestas de la LLM.
• Solicitud del sistema : el mensaje inicial dado al LLM para establecer el comportamiento deseado.

Estas configuraciones se pueden ajustar en la barra lateral de la aplicación de transmisión.

Que contribuye

Si desea contribuir al proyecto Repochat-200k, no dude en enviar problemas o extraer solicitudes en el repositorio de GitHub.

Licencia

Este proyecto tiene licencia bajo la licencia MIT.