codeqai

Codeqai

ค้นหา codebase ของคุณความหมายหรือแชทกับมันจาก CLI ทำให้ฐานข้อมูล Vector Superfast เป็นวันที่ให้กับการเปลี่ยนแปลงรหัสล่าสุด การสนับสนุนในท้องถิ่น 100% โดยไม่มี dataleaks ใด ๆ
สร้างขึ้นด้วย Langchain, Treesitter, Sentence-Transformers, ผู้สอน, Faiss, Lama.cpp, Ollama, Streamlit

คุณสมบัติ

• - การค้นหารหัสความหมาย
• การแชทเหมือน GPT กับ codebase ของคุณ
• ซิงโครไนซ์เวกเตอร์และการเปลี่ยนแปลงรหัสล่าสุดได้อย่างง่ายดาย
• การฝังตัวในท้องถิ่น 100% และ LLMS
  • ประโยค-ฟอร์ฟฟอร์, ผู้สอน-embeddings, llama.cpp, ollama
• Openai, Azure Openai และมานุษยวิทยา
• - การบูรณาการต้นไม้

บันทึก

จะมีผลลัพธ์ที่ดีกว่าหากรหัสได้รับการบันทึกไว้อย่างดี คุณอาจพิจารณา doc-comments-AI สำหรับการสร้างเอกสารรหัส

การใช้งาน

เริ่มการค้นหาความหมาย:

 codeqai search

เริ่มต้นกล่องโต้ตอบ:

 codeqai chat

ซิงโครไนซ์ร้านค้าเวกเตอร์กับการชำระเงิน GIT ปัจจุบัน:

 codeqai sync

เริ่มแอป Streamlit:

 codeqai app

บันทึก

ในการใช้งานครั้งแรกที่เก็บข้อมูลจะได้รับการจัดทำดัชนีด้วยโมเดล Embeddings ที่กำหนดค่าซึ่งอาจใช้เวลาสักครู่

- ความต้องการ

• Python> = 3.9, <3.12

- การติดตั้ง

ติดตั้งในสภาพแวดล้อมที่แยกได้ด้วย pipx :

 pipx install codeqai

ตรวจสอบให้แน่ใจว่า Pipx ใช้ Python> = 3.9, <3.12
ในการระบุเวอร์ชัน Python อย่างชัดเจนด้วย PIPX ให้เปิดใช้งานเวอร์ชัน Python ที่ต้องการ (เช่นกับ pyenv shell 3.XX ) และติดตั้งด้วย:

 pipx install codeqai --python $(which python)

หากคุณยังคงประสบปัญหาโดยใช้ PIPX คุณสามารถติดตั้งโดยตรงจากแหล่งที่มาผ่าน PYPI ด้วย:

 pip install codeqai

อย่างไรก็ตามขอแนะนำให้ใช้ PIPX เพื่อรับประโยชน์จากสภาพแวดล้อมที่แยกได้สำหรับการพึ่งพา
เยี่ยมชมส่วนการแก้ไขปัญหาสำหรับการแก้ไขปัญหาที่ทราบระหว่างการติดตั้ง

บันทึก

บางแพ็คเกจไม่ได้ติดตั้งโดยค่าเริ่มต้น ในตอนแรกการใช้งานจะถูกขอให้ติดตั้ง faiss-cpu หรือ faiss-gpu แนะนำให้ใช้ FAISS-GPU หากฮาร์ดแวร์รองรับ CUDA 7.5+ หากการใช้งานในท้องถิ่นและ LLMS ถูกใช้จะถูกขอให้ติดตั้งผู้แปลประโยคผู้สอนหรือ llama.cpp

- การกำหนดค่า

ในตอนแรกการใช้งานหรือการวิ่ง

 codeqai configure

กระบวนการกำหนดค่าเริ่มต้นขึ้นซึ่งสามารถเลือก embeddings และ LLM ได้

สำคัญ

หากคุณต้องการเปลี่ยนโมเดล EMBEDDINGS ในการกำหนดค่าในภายหลังให้ลบไฟล์แคชใน ~/.cache/codeqai หลังจากนั้นไฟล์ vector store จะถูกสร้างขึ้นอีกครั้งด้วยโมเดล Embeddings ที่กำหนดค่าล่าสุด นี่เป็นสิ่งจำเป็นเนื่องจากการค้นหาความคล้ายคลึงกันไม่ทำงานหากโมเดลแตกต่างกัน

รุ่นระยะไกล

หากใช้แบบจำลองระยะไกลจำเป็นต้องใช้ตัวแปรสภาพแวดล้อมต่อไปนี้ หากตั้งค่าตัวแปรสภาพแวดล้อมที่ต้องการแล้วพวกเขาจะถูกใช้มิฉะนั้นคุณจะได้รับแจ้งให้ป้อนซึ่งจะถูกเก็บไว้ใน ~/.config/codeqai/.env

Openai

 export OPENAI_API_KEY = " your OpenAI api key "

Azure Openai

 export OPENAI_API_TYPE = " azure "
export AZURE_OPENAI_ENDPOINT = " https://<your-endpoint>.openai.azure.com/ "
export OPENAI_API_KEY = " your Azure OpenAI api key "
export OPENAI_API_VERSION = " 2023-05-15 "

มานุษยวิทยา

 export ANTHROPIC_API_KEY= " your Anthropic api key " 

บันทึก

หากต้องการเปลี่ยนตัวแปรสภาพแวดล้อมในภายหลังให้อัปเดต ~/.config/codeqai/.env ด้วยตนเอง

ภาษาที่รองรับ

• งูหลาม
• ตัวพิมพ์ใหญ่
• จาวาสคริปต์
• ชวา
• สนิม
• Kotlin
• ไป
• C ++
• C
• C#
• ทับทิม

มันทำงานอย่างไร

Repo Git ทั้งหมดถูกแยกวิเคราะห์ด้วยต้นไม้เพื่อแยกวิธีทั้งหมดด้วยเอกสารและบันทึกลงในฐานข้อมูลเวกเตอร์ FAISS ในท้องถิ่นที่มีทั้งการแปลงประโยคผู้สอน-embedings หรือ OpenAI ของ OpenAi-embedding-ADA-002
ฐานข้อมูลเวกเตอร์จะถูกบันทึกลงในไฟล์ในระบบของคุณและจะโหลดในภายหลังอีกครั้งหลังจากการใช้งานเพิ่มเติม หลังจากนั้นก็เป็นไปได้ที่จะทำการค้นหาความหมายบน codebase ตามโมเดล Embeddings
หากต้องการแชทกับ codebase localaly llama.cpp หรือ ollama ถูกใช้โดยการระบุรุ่นที่ต้องการ สำหรับการซิงโครไนซ์ของการเปลี่ยนแปลงล่าสุดในพื้นที่เก็บข้อมูล GIT commit hashes ของแต่ละไฟล์พร้อมกับ ID เวกเตอร์จะถูกบันทึกลงในแคช เมื่อซิงโครไนซ์ฐานข้อมูลเวกเตอร์กับสถานะ GIT ล่าสุดแฮช cached cached จะถูกเปรียบเทียบกับแฮช Git ปัจจุบันของแต่ละไฟล์ในที่เก็บ หาก GIT commit hash แตกต่างกันเวกเตอร์ที่เกี่ยวข้องจะถูกลบออกจากฐานข้อมูลและแทรกอีกครั้งหลังจากการสร้างเวกเตอร์ฝังตัวใหม่ การใช้ llama.cpp โมเดลที่ระบุจะต้องมีอยู่ในระบบล่วงหน้า การใช้ Ollama ตู้คอนเทนเนอร์ Ollama กับรุ่นที่ต้องการจะต้องใช้งานได้ล่วงหน้าในพอร์ต 11434 นอกจากนี้ยังสามารถใช้ OpenAI หรือ Azure-Openai สำหรับโมเดลแชทระยะไกลได้

？ คำถามที่พบบ่อย

ฉันจะหานางแบบสำหรับ llama.cpp ที่ไหน

ติดตั้ง huggingface-cli และดาวน์โหลดรุ่นที่คุณต้องการจาก Model Hub ตัวอย่างเช่น

 huggingface-cli download TheBloke/CodeLlama-13B-Python-GGUF codellama-13b-python.Q5_K_M.gguf

จะดาวน์โหลดรุ่น codellama-13b-python.Q5_K_M หลังจากการดาวน์โหลดเสร็จสิ้นเส้นทางที่สมบูรณ์ของไฟล์ .gguf รุ่นจะถูกพิมพ์ลงในคอนโซล

สำคัญ

รุ่นที่เข้ากันได้ของ llama.cpp จะต้องอยู่ในรูปแบบ .gguf

- การแก้ไขปัญหา

• ระหว่างการติดตั้งด้วย pipx

   pip failed to build package: tiktoken
  
  Some possibly relevant errors from pip install:
    error: subprocess-exited-with-error
    error: can't find Rust compiler
  

  ตรวจสอบให้แน่ใจว่ามีการติดตั้งคอมไพเลอร์สนิมบนระบบของคุณจากที่นี่

• ในระหว่างการติดตั้ง faiss

   × Building wheel for faiss-cpu (pyproject.toml) did not run successfully.
  │ exit code: 1
  ╰─> [12 lines of output]
      running bdist_wheel
      ...
  note: This error originates from a subprocess, and is likely not a problem with pip.
  ERROR: Failed building wheel for faiss-cpu
  Failed to build faiss-cpu
  ERROR: Could not build wheels for faiss-cpu, which is required to install pyproject.toml-based projects
  

  ตรวจสอบให้แน่ใจว่าได้ติดตั้ง CodeQai ด้วย Python <3.12 ยังไม่มีล้อ Faiss สำหรับ Python 3.12

- การบริจาค

หากคุณขาดคุณสมบัติหรือเผชิญกับข้อผิดพลาดอย่าลังเลที่จะเปิดปัญหาหรือเพิ่มการประชาสัมพันธ์ การบริจาคทุกประเภทได้รับการชื่นชมอย่างมาก!

ในการสร้างและเรียกใช้โครงการในโหมดการพัฒนาตรวจสอบให้แน่ใจว่ามีการติดตั้ง conda , conda-lock หรือ poetry

โดยใช้ conda Run:

 conda env create -f environment.yml -n codeqai

หรือโดยใช้ conda-lock run:

 conda-lock install --name codeqai conda-<YOUR_PLATFORM>.lock

เปิดใช้งานสภาพแวดล้อมและติดตั้งการพึ่งพาด้วย:

 conda activate codeqai && poetry install

โดยใช้ poetry รัน:

 poetry install && poetry shell

เรียกใช้ EG codeqai chat ภายในสภาพแวดล้อมการพัฒนาด้วย:

 poetry run codeqai chat

เรียกใช้การทดสอบด้วย:

 poetry run pytest -s -vv