Há algum tempo, decidimos construir a melhor plataforma de pesquisa semântica de código que pudéssemos: um pipeline RAG que fornece aos agentes LLM evidências precisas e citáveis de repositórios reais, em vez do que quer que o grep possa trazer à tona. A solução final foi o Air Context. Conseguimos fazê-lo funcionar, colocá-lo em produção e coletamos muita experiência ao longo do caminho. Nesta série de posts, compartilharemos as partes que gostaríamos que alguém nos tivesse dito no primeiro dia.
Os agentes de codificação são, sem dúvida, o maior salto tecnológico para o desenvolvimento de software da nossa década. No entanto, à medida que mais e mais processos de desenvolvimento se tornam orientados por agentes, a eficiência do agente e a qualidade do código produzido tornam-se cada vez mais importantes. Para bases de código de grande escala, especificamente, o agente gastaria muito tempo procurando as peças de código relevantes.
Ao tentar localizar os trechos de código corretos, o agente recorrerá a ferramentas tradicionais de pesquisa de código, como pesquisa por palavras-chave e grep. Essas ferramentas exigem que o agente saiba antecipadamente qual texto exato pesquisar. É aqui que entra a geração aumentada por recuperação (RAG). Se pudermos indexar o código-fonte de uma forma que capture sua semântica e depois permitir que o agente recupere as peças relevantes sob demanda usando pesquisa de texto livre, criamos uma interface que joga a favor dos pontos fortes do agente.
Como muitas grandes ideias na era dos agentes, uma implementação nativa de protótipo é extremamente simples. Uma solução de nível de produção bem avaliada certamente não é. Esta primeira parte da série cobrirá os estágios iniciais do pipeline: análise e fragmentação, onde os arquivos de origem brutos são divididos em unidades de escopo adequado, e vetorização, onde essas unidades são transformadas em uma representação que suporta pesquisa semântica.
Fonte: Hacker News · Resumido por HeadlinesBriefing