Il y a quelque temps, nous avons entrepris de construire la meilleure plateforme de recherche sémantique de code possible : un pipeline RAG qui fournit aux agents LLM des preuves précises et citables provenant de dépôts réels, au lieu de ce que grep peut remonter. La solution finale a été Air Context. Nous l'avons fait fonctionner, nous l'avons mise en production, et nous avons accumulé beaucoup d'expérience en cours de route. Dans cette série d'articles, nous partagerons les parties que nous aurions aimé que quelqu'un nous dise dès le premier jour.
Les agents de codage sont sans aucun doute la plus grande avancée technologique pour le développement logiciel de notre décennie. Cependant, à mesure que de plus en plus de processus de développement deviennent pilotés par des agents, l'efficacité de l'agent et la qualité du code produit deviennent de plus en plus importantes. Pour les bases de code à grande échelle en particulier, l'agent passerait beaucoup de temps à rechercher les morceaux de code pertinents.
En tentant de localiser les bons extraits de code, l'agent aura recours à des outils de recherche de code traditionnels tels que la recherche par mots-clés et grep. Ces outils exigent que l'agent sache à l'avance quel texte exact rechercher. C'est là qu'intervient la génération augmentée par récupération (RAG). Si nous pouvons indexer le code source d'une manière qui capture sa sémantique, puis permettre à l'agent de récupérer les morceaux pertinents à la demande en utilisant la recherche en texte libre, nous créons une interface qui joue sur les forces de l'agent.
Comme beaucoup de grandes idées à l'ère des agents, une implémentation prototype native est extrêmement simple. Une solution de qualité production bien évaluée ne l'est certainement pas. Cette première partie de la série couvrira les étapes initiales du pipeline : l'analyse et le découpage, où les fichiers source bruts sont divisés en unités de portée appropriée, et la vectorisation, où ces unités sont transformées en une représentation qui prend en charge la recherche sémantique.
Source: Hacker News · Résumé par HeadlinesBriefing