منذ بعض الوقت، شرعنا في بناء أفضل منصة للبحث الدلالي عن الكود يمكننا: خط أنابيب RAG يمنح وكلاء LLM أدلة دقيقة وقابلة للاستشهاد من المستودعات الحقيقية بدلاً من أي شيء يظهره grep. كان الحل النهائي هو Air Context. لقد جعلناه يعمل، وأدخلناه في الإنتاج، وجمعنا الكثير من الخبرات على طول الطريق. في هذه السلسلة من المنشورات، سنشارك الأجزاء التي كنا نتمنى أن يخبرنا بها أحد في اليوم الأول.
وكلاء البرمجة هم بلا شك أكبر قفزة تكنولوجية لتطوير البرمجيات في عقدنا. ومع ذلك، مع ازدياد العمليات التطويرية التي تعتمد على الوكلاء، تصبح كفاءة الوكيل وجودة الكود المنتج أكثر أهمية. بالنسبة لقواعد الكود واسعة النطاق على وجه الخصوص، سيقضي الوكيل قدرًا كبيرًا من الوقت في البحث عن أجزاء الكود ذات الصلة.
في محاولة لتحديد مقتطفات الكود الصحيحة، سيلجأ الوكيل إلى أدوات البحث التقليدية عن الكود مثل البحث بالكلمات الرئيسية و grep. تتطلب هذه الأدوات من الوكيل أن يعرف مسبقًا النص المحدد الذي يبحث عنه. هذا هو المكان الذي يأتي فيه دور التوليد المعزز بالاسترجاع (RAG). إذا تمكنا من فهرسة الكود المصدري بطريقة تلتقط دلالاته ثم السماح للوكيل باسترجاع الأجزاء ذات الصلة عند الطلب باستخدام البحث النصي الحر، فإننا ننشئ واجهة تلعب لصالح نقاط قوة الوكيل.
مثل العديد من الأفكار العظيمة في عصر الوكلاء، فإن التنفيذ النموذجي الأصلي بسيط للغاية. أما الحل الجيد التقييم على مستوى الإنتاج فليس كذلك بالتأكيد. سيغطي هذا الجزء الأول من السلسلة المراحل الأولية لخط الأنابيب: التحليل والتقطيع، حيث يتم تقسيم ملفات المصدر الخام إلى وحدات ذات نطاق مناسب، والتحويل إلى متجهات، حيث يتم تحويل تلك الوحدات إلى تمثيل يدعم البحث الدلالي.
المصدر: Hacker News · لخّصه HeadlinesBriefing