Případová studie: Vnoření kódu
Na této stránce
Víc než jen vyhledávání
Vnoření kódu neslouží pouze k sémantickému vyhledávání. Otevírají dveře pokročilým aplikacím: analýze repozitářů, shlukování, detekci duplicit a asistentům pro vývoj. V této lekci si tyto případy použití projdeš na konkrétních příkladech v Pythonu.
Tyto čtyři scénáře mají společného jmenovatele: využívají geometrii indexu místo dotazu. Jakmile jsou tvé soubory umístěny do vektorového prostoru, jejich vzájemné polohy vyprávějí příběh o samotném projektu: co se čemu podobá, co se opakuje a co vyčnívá.
Analýza repozitáře
Analyzuj sémantickou strukturu projektu, abys pochopil, jak je kód organizován. Algoritmus K-Means seskupí soubory do pěti rodin na základě jejich vektorové blízkosti, aniž by se kdy podíval na strom složek. Výsledek bývá často poučný: u nepřehledného projektu uvidíš, že soubory z velmi odlišných adresářů skončí ve stejném shluku, protože se ve skutečnosti zabývají stejným tématem.
import numpy as np
from sklearn.cluster import KMeans
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def analyze_repo(code_files, n_clusters=5):
"""Analyze the semantic structure of a repository."""
# Encode all files
inputs = [f["content"][:3000] for f in code_files]
response = client.embeddings.create(
model="codestral-embed",
inputs=inputs,
)
embeddings = np.array([d.embedding for d in response.data])
# K-Means Clustering
kmeans = KMeans(n_clusters=n_clusters, random_state=42, n_init=10)
labels = kmeans.fit_predict(embeddings)
# Group files by cluster
clusters = {}
for i, label in enumerate(labels):
if label not in clusters:
clusters[label] = []
clusters[label].append(code_files[i]["path"])
return clusters
# Usage
clusters = analyze_repo(code_files, n_clusters=5)
for cluster_id, files in clusters.items():
print(f"\nCluster {cluster_id} ({len(files)} files):")
for f in files[:5]:
print(f" - {f}")
Parametr random_state=42 fixuje inicializaci: bez něj by dva po sobě jdoucí běhy vrátily různá čísla shluků, což by znemožnilo porovnávání analýz v čase.
Detekce duplicit
Identifikuj zdvojený nebo téměř zdvojený kód ve své bázi. Na rozdíl od klasických nástrojů pro detekci, které porovnávají text, tento přístup odhalí i přepsané duplicity – soubor zkopírovaný z jednoho modulu do druhého, přejmenovaný, s jinými proměnnými, ale stejnou logikou.
from sklearn.metrics.pairwise import cosine_similarity
def find_duplicates(code_files, embeddings, threshold=0.95):
"""Find pairs of near-identical files."""
sim_matrix = cosine_similarity(embeddings)
duplicates = []
for i in range(len(code_files)):
for j in range(i + 1, len(code_files)):
if sim_matrix[i][j] >= threshold:
duplicates.append({
"file_a": code_files[i]["path"],
"file_b": code_files[j]["path"],
"similarity": float(sim_matrix[i][j]),
})
# Sort by decreasing similarity
duplicates.sort(key=lambda x: x["similarity"], reverse=True)
return duplicates
# Find duplicates
dupes = find_duplicates(code_files, embeddings, threshold=0.92)
print(f"{len(dupes)} potential duplicate pairs found:")
for d in dupes[:10]:
print(f" {d['similarity']:.3f} : {d['file_a']} <-> {d['file_b']}")
Vnitřní smyčka začíná na i + 1, aby se každý pár porovnal pouze jednou. Měj však na paměti náklady: matice podobnosti je kvadratická a u více než několika tisíc souborů budeš muset přejít na přibližný index místo vyčerpávajícího výpočtu. Snížení prahu z 0,95 na 0,92 zachytí širší síť pro přepracované duplicity, za cenu několika falešně pozitivních výsledků, které budeš muset ručně vytřídit.
Shlukování podle funkcionality
K-Means vyžaduje, abys předem znal počet skupin, což je při objevování projektu zřídka případ. DBSCAN toto omezení řeší: sám určí počet skupin a co je klíčové, umožňuje, aby soubor nepatřil k žádné z nich – to je význam štítku „Unclassified“ (Nezařazeno) v níže uvedeném kódu.
from sklearn.cluster import DBSCAN
def cluster_by_functionality(code_files, embeddings, eps=0.3, min_samples=2):
"""Group code by functionality using DBSCAN."""
# DBSCAN on cosine distances
distance_matrix = 1 - cosine_similarity(embeddings)
clustering = DBSCAN(eps=eps, min_samples=min_samples, metric="precomputed")
labels = clustering.fit_predict(distance_matrix)
# Organize by cluster
groups = {}
for i, label in enumerate(labels):
group_name = f"Group {label}" if label >= 0 else "Unclassified"
if group_name not in groups:
groups[group_name] = []
groups[group_name].append(code_files[i]["path"])
return groups
groups = cluster_by_functionality(code_files, embeddings)
for name, files in groups.items():
print(f"\n{name} ({len(files)} files):")
for f in files[:3]:
print(f" - {f}")
Převod pomocí 1 - cosine_similarity změní podobnost na vzdálenost, což je formát, který DBSCAN očekává s parametrem metric="precomputed". Parametr eps=0.3 tedy znamená, že dva soubory jsou sousedy od kosinové podobnosti 0,7 výše.
Kontextový asistent pro kód
Tento poslední příklad skládá předchozí stavební kameny do skutečného systému RAG pro kód: vyhledání relevantních souborů, sestavení kontextu a následné volání LLM. Práh 0,5 filtruje dopředu – je lepší dát modelu dva soubory skutečně související s otázkou než tři, z nichž jeden je mimo téma a model zmátne.
def code_assistant(question, code_files, embeddings, top_k=3):
"""Find relevant code to answer a question."""
# Encode the question
response = client.embeddings.create(
model="codestral-embed",
inputs=[question],
)
query_emb = np.array(response.data[0].embedding)
# Find the most relevant code
sims = cosine_similarity([query_emb], embeddings)[0]
top_indices = np.argsort(sims)[::-1][:top_k]
context_parts = []
for idx in top_indices:
if sims[idx] > 0.5: # Minimum threshold
context_parts.append(
f"# File: {code_files[idx]['path']}\n"
f"{code_files[idx]['content'][:1500]}"
)
context = "\n\n---\n\n".join(context_parts)
# Build the prompt for the LLM
prompt = f"""Here is relevant code from our project:
{context}
Developer question: {question}
Answer based on the code above."""
# Call the LLM with context
chat_response = client.chat.complete(
model="mistral-large-latest",
messages=[{"role": "user", "content": prompt}],
)
return chat_response.choices[0].message.content
# Usage
answer = code_assistant(
"How does authentication work in this project?",
code_files,
embeddings,
)
print(answer)
Cesta k souboru je vložena jako komentář nad každý úryvek. Není to jen ozdoba: model ji používá k citaci zdrojů a vývojář čtoucí odpověď okamžitě ví, kam se má jít podívat pro ověření.
Metriky kvality kódu
Nakonec vnoření pomáhají odhalit to, co vyčnívá jako neobvyklé. Funkce vypočítá centroid indexu – „průměrný soubor“ projektu – a poté změří, jak moc se od něj každý soubor liší. Z-skóre větší než 2 signalizuje soubor, který se ničemu jinému nepodobá: někdy jde o kód vygenerovaný nebo zkopírovaný zvenčí, jindy prostě o jediný soubor napsaný ve starém stylu. V obou případech je to dobrý kandidát na revizi.
def detect_outliers(code_files, embeddings, threshold=2.0):
"""Detect atypical code files."""
# Calculate the centroid (mean vector)
centroid = embeddings.mean(axis=0)
# Distance of each file to the centroid
distances = np.linalg.norm(embeddings - centroid, axis=1)
# Files beyond N standard deviations
mean_dist = distances.mean()
std_dist = distances.std()
outliers = []
for i, dist in enumerate(distances):
z_score = (dist - mean_dist) / std_dist
if z_score > threshold:
outliers.append({
"path": code_files[i]["path"],
"z_score": float(z_score),
})
outliers.sort(key=lambda x: x["z_score"], reverse=True)
return outliers
outliers = detect_outliers(code_files, embeddings)
print(f"{len(outliers)} atypical files:")
for o in outliers:
print(f" z={o['z_score']:.2f} : {o['path']}")
Pamatuj, že „atypický“ neznamená „špatný“. Nástroj ti dává seznam souborů k prohlédnutí, nikoliv rozsudek: je to výchozí bod pro lidskou revizi, nikdy metrika pro zobrazení na dashboardu kvality.
Klíčové poznatky
- Vnoření kódu umožňují automatické shlukování podle funkcionality
- Detekce duplicit využívá práh kosinové podobnosti (0,92–0,95)
- Asistent pro kód kombinuje sémantické vyhledávání s LLM pro kódové RAG
- Atypické soubory (odlehlé hodnoty) mohou signalizovat kód potřebující revizi
- DBSCAN je vhodnější než K-Means, když není znám počet skupin