RepoChat 200k

Repochat en 200K - pas de chiffon!

⚡Chat avec Github Repo en utilisant la fenêtre de contexte de 200K de Claude au lieu de Rag! ⚡

Pourquoi se déplorer - pas de chiffon?

Profitez de Claude 200K! Mettez tous les exemples et codes dans les contextes!

Nous avons parfois besoin de copilote plutôt que d'agent!

1. Pas seulement pour discuter, mais écrire des codes avec les derniers documents

Les problèmes ont-ils mémorisé toutes les API de Llama-Index ou Langchain?

Pas de soucis, incluez simplement les exemples de composants et les documents du dépôt et laissez Claude Opus - le modèle le plus fort et la longue fenêtre de contexte de 200K pour écrire votre agent pour vous!

2. Aucune copie de la pâte, sélectionnez juste

Téléchargez / clone votre dépôt à partir de GitHub, puis sélectionnez simplement les fichiers que vous souhaitez, je vous ai couvert dans la construction de l'invite.

3. Pas de chiffon, vous décidez

J'ai vu beaucoup de discussions avec des projets Repo, ils ont tous les points de douleur:

Which files do this query need?

Ils utilisent la recherche d'intégration dans la base de données de code, mais la plupart du temps, je savais déjà quels documents je fais référence ... alors faites vos propres choix chaque fois que vous codiez.

• Frontend codant? Sélectionnez simplement les composants et les exemples.

• Agents de codage? Sélectionnez simplement Jupyter Notebook of Langgraph.

• Rag de codage? Sélectionnez simplement Jupyter Notebook of Llamaindex.

4. Plus de cas d'utilisation!

Utilisez Llamaindex Doc

Sélectionnez Llamaindex Exemple de pipeline pour écrire un graphique de chiffon.

Utilisez Shadcn Doc pour écrire Frontend

Sélectionnez la définition d'exemples et de composants.

Suggestions!

1. Vous pouvez utiliser Haiku pour la plupart du cas.
2. Changer des modèles basés sur les tâches.
3. Modifier des fichiers en fonction des tâches.
4. Clone Reposs que vous aimez!
5. Habituellement, j'inclurai Readme of Repo pour aider Claude à mieux comprendre
6. Utilisez COUNT TOKENS sur la barre latérale pour voir combien de jetons vous enverrez !!!

Caractéristiques

1. Téléchargement du référentiel : les utilisateurs peuvent fournir une URL du référentiel GitHub et l'application téléchargera et analysera automatiquement le référentiel.
2. Sélection de fichiers et de dossiers : les utilisateurs peuvent sélectionner des fichiers ou des dossiers spécifiques dans le référentiel à inclure dans l'entrée de LLM.
3. Filtrage linguistique : les utilisateurs peuvent filtrer les fichiers par le langage de programmation pour concentrer la compréhension du LLM sur des parties spécifiques de la base de code.
4. Limite de jeton : les utilisateurs peuvent définir une limite de jeton pour contrôler la quantité d'informations envoyées au LLM, ce qui peut être utile pour les performances ou les considérations de coûts.
5. Interface de chat : les utilisateurs peuvent interagir avec le LLM via une interface de style Chat, leur permettant de poser des questions ou de demander la génération de code en fonction du contenu du référentiel.
6. Sortie en streaming : les réponses de la LLM sont affichées de façon en streaming, offrant une expérience utilisateur plus engageante et en temps réel.

Actuellement, je n'ai pris en charge OpenRouter. Planage pour en ajouter plus et refactor un jour.

Commencer

1. Paramètres de l'environnement : exécutez pip install -r requirements.txt pour configurer l'environnement.

2. Créez un fichier .env : créez un fichier .env dans le répertoire racine du projet et ajoutez votre touche API OpenRouter (recommandée):

OPENROUTER_API_KEY=your_openrouter_api_key_here

Je recommande OpenRouter car il a tous les modèles!

Si vous souhaitez utiliser des modèles Openai GPT, ajoutez également votre openai api key .

OPENAI_API_KEY=your_openai_api_key_here

3. Exécutez l'application : exécutez le script app.py à l'aide de Streamlit:

streamlit run app.py

4. Utilisez l'application : suivez les instructions de l'application pour télécharger un référentiel GitHub, sélectionner des fichiers et des dossiers et discuter avec le LLM.

Si vous rencontrez des problèmes avec Repo, vous pouvez toujours supprimer le repo dir dans ./repos dir et le télécharger à nouveau.

Configuration

Le comportement de l'application peut être personnalisé via les options de configuration suivantes:

• Modèle : le modèle LLM spécifique à utiliser (par exemple, "anthropic / claude-3-haiku", "anthropic / claude-3-opus").
• Température : le paramètre de température qui contrôle la "créativité" des réponses du LLM.
• Invite du système : l'invite initiale donnée au LLM pour définir le comportement souhaité.

Ces paramètres peuvent être ajustés dans la barre latérale de l'application rationalisée.

Contributif

Si vous souhaitez contribuer au projet Rebochat-200K, n'hésitez pas à soumettre des problèmes ou à tirer des demandes sur le référentiel GitHub.

Licence

Ce projet est autorisé sous la licence du MIT.