Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Codestral Embed: Ενσωματώσεις Κώδικα

Μάθημα 11 / 14 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Codestral Embed: Σημασιολογική Αναζήτηση για Κώδικα
  2. Τι είναι μια Ενσωμάτωση Κώδικα;
  3. Τεχνικές Προδιαγραφές
  4. Χρήση του API
  5. Σημασιολογική Αναζήτηση σε μια Βάση Κώδικα
  6. Προηγμένες Περιπτώσεις Χρήσης
  7. Βασικά σημεία

Codestral Embed: Σημασιολογική Αναζήτηση για Κώδικα

Η δημιουργία και η συμπλήρωση κώδικα δεν αρκούν. Πρέπει επίσης να βρείτε το αρχείο σε ένα αποθετήριο εκατοντάδων αρχείων που λύνει ήδη το πρόβλημά σας. Αυτός είναι ο ρόλος του τρίτου εξειδικευμένου εργαλείου της Mistral AI: του Codestral Embed (v25.05). Αυτό το μοντέλο ενσωμάτωσης μετατρέπει αποσπάσματα κώδικα σε αριθμητικά διανύσματα, επιτρέποντας την σημασιολογική αναζήτηση σε αποθετήρια.

Τι είναι μια Ενσωμάτωση Κώδικα;

Μια ενσωμάτωση (embedding) είναι μια πυκνή αναπαράσταση διανύσματος κειμένου ή ενός αποσπάσματος κώδικα. Η βασική ιδιότητα είναι απλή: δύο σημασιολογικά παρόμοια αποσπάσματα παράγουν διανύσματα που βρίσκονται κοντά στον χώρο των διανυσμάτων, ακόμα και αν η σύνταξή τους φαίνεται εντελώς διαφορετική. Σκεφτείτε τις δύο παρακάτω συναρτήσεις. Έχουν διαφορετικά ονόματα, διαφορετικά ονόματα μεταβλητών και διαφορετικές υλοποιήσεις.

# Function 1
def calculer_moyenne(nombres):
    return sum(nombres) / len(nombres)

# Function 2
def average(values):
    total = 0
    for v in values:
        total += v
    return total / len(values)

Μια αναζήτηση grep δεν θα έβρισκε ποτέ τη δεύτερη συνάρτηση ξεκινώντας από την πρώτη. Το Codestral Embed, ωστόσο, παράγει κοντινά διανύσματα και για τις δύο, επειδή λύνουν το ίδιο πρόβλημα.

Τεχνικές Προδιαγραφές

Το ID του μοντέλου είναι codestral-embed-latest (v25.05). Το καλείτε στο endpoint /v1/embeddings. Διαχειρίζεται πηγαίο κώδικα σε όλες τις γλώσσες που υποστηρίζει το Codestral. Το χαρακτηριστικό που ξεχωρίζει είναι οι διαμορφώσιμες διαστάσεις, που κυμαίνονται από 1536 έως 3072. Η ρύθμιση 1536 διαστάσεων προσφέρει μια solide αναλογία ποιότητας-κόστους και λειτουργεί για τις περισσότερες περιπτώσεις χρήσης. Η ρύθμιση 3072 διαστάσεων στοχεύει στη μέγιστη ποιότητα για τις πιο απαιτητικές αναζητήσεις. Ο κανόνας είναι σταθερός: περισσότερες διαστάσεις σημαίνουν καλύτερη σημασιολογική ακρίβεια, αλλά και υψηλότερο κόστος αποθήκευσης και περισσότερους υπολογισμούς για κάθε σύγκριση. Για ένα αποθετήριο μεσαίου μεγέθους, ξεκινήστε με 1536 και αυξήστε το μόνο αν τα αποτελέσματα φαίνονται θολά.

Χρήση του API

Η βασική κλήση μοιάζει με το endpoint chat: δημιουργείτε τον πελάτη, περνάτε ένα απόσπασμα και λαμβάνετε ένα διάνυσμα πίσω.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

code_snippet = """
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)
"""

response = client.embeddings.create(
    model="codestral-embed-latest",
    inputs=[code_snippet],
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")
print(f"First values: {embedding[:5]}")

Σημειώστε ότι η παράμετρος inputs είναι μια λίστα. Αυτή η λεπτομέρεια έχει σημασία: για να ευρετηριάσετε ένα ολόκληρο αποθετήριο, στέλνετε πολλά αποσπάσματα σε ένα μόνο αίτημα αντί για ένα αίτημα ανά αρχείο. Σε ένα πραγματικό αποθετήριο, η διαφορά αυτή μεταφράζεται σε λεπτά που εξοικονομείτε.

code_snippets = [
    "def tri_bulle(liste): ...",
    "def tri_rapide(liste): ...",
    "def tri_fusion(liste): ...",
    "def recherche_binaire(liste, cible): ...",
]

response = client.embeddings.create(
    model="codestral-embed-latest",
    inputs=code_snippets,
)

embeddings = [item.embedding for item in response.data]

Σημασιολογική Αναζήτηση σε μια Βάση Κώδικα

Η κύρια περίπτωση χρήσης προκύπτει άμεσα από αυτό: αντί να αναζητάτε με λέξεις-κλειδιά, αναζητάτε με βάση την πρόθεση. Ο σωλήνας επεξεργασίας έχει δύο βήματα. Πρώτον, ευρετηριάζετε τη βάση κώδικα μία φορά, attaching μια ενσωμάτωση σε κάθε αρχείο. Στη συνέχεια, μετατρέπετε το ερώτημα σε διάνυσμα και κατατάσσετε τα αρχεία με βάση την ομοιότητα συνημιτόνου, το πρότυπο μέτρο εγγύτητας μεταξύ δύο διανυσμάτων.

import numpy as np
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# 1. Index the codebase (do this once)
def index_codebase(files: list[dict]) -> list[dict]:
    """Indexes a list of files with their embeddings."""
    contents = [f["content"] for f in files]

    response = client.embeddings.create(
        model="codestral-embed-latest",
        inputs=contents,
    )

    for i, file in enumerate(files):
        file["embedding"] = response.data[i].embedding

    return files

# 2. Search by intent
def search_code(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
    """Semantic search in the indexed codebase."""
    response = client.embeddings.create(
        model="codestral-embed-latest",
        inputs=[query],
    )
    query_vector = np.array(response.data[0].embedding)

    # Calculate cosine similarity
    results = []
    for file in index:
        file_vector = np.array(file["embedding"])
        similarity = np.dot(query_vector, file_vector) / (
            np.linalg.norm(query_vector) * np.linalg.norm(file_vector)
        )
        results.append({**file, "score": similarity})

    results.sort(key=lambda x: x["score"], reverse=True)
    return results[:top_k]

# 3. Usage
results = search_code(
    "function that validates an email address",
    index=my_index
)

Κοιτάξτε το τελικό ερώτημα: «function that validates an email address». Δεν περιέχει αναγνωριστικά έργου, ονόματα αρχείων ή λέξεις-κλειδιά κώδικα. Αυτή είναι όλη η διαφορά σε σχέση με την αναζήτηση κειμένου και καθιστά το εργαλείο usable ακόμα και για κάποιον που είναι νέος στο αποθετήριο.

Προηγμένες Περιπτώσεις Χρήσης

Ο πιο ισχυρός συνδυασμός αλυσοδένει το Codestral Embed με το Codestral ή ένα μοντέλο γενικής χρήσης όπως το Mistral Small 4. Αυτό είναι το μοτίβο RAG (Retrieval-Augmented Generation) εφαρμοσμένο στον κώδικα. Πρώτα ανακτάτε σχετικά αρχεία, τα εισάγετε στο μήνυμα συστήματος και στη συνέχεια κάνετε την ερώτησή σας. Το μοντέλο απαντά τότε με βάση τη δική σας βάση κώδικα και όχι μόνο με βάση τις γενικές γνώσεις του για τη γλώσσα.

# 1. Find relevant files with Codestral Embed
results = search_code("HTTP error handling", index)

# 2. Build context
context = "\n\n".join([r["content"] for r in results[:3]])

# 3. Generate a response with Codestral
response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "system", "content": f"Here is the relevant code from the project:\n{context}"},
        {"role": "user", "content": "How can I improve HTTP error handling in this project?"}
    ],
)

Το ίδιο ευρετήριο εξυπηρετεί ένα λιγότερο εντυπωσιακό αλλά εξαιρετικά πολύτιμο έργο: την ανίχνευση διπλότυπου κώδικα. Συγκρίνοντας κάθε ζεύγος συναρτήσεων και επισημαίνοντας εκείνες με ομοιότητα πάνω από ένα κατώφλι, λαμβάνετε μια λίστα υποψηφίων για refactoring που κανείς στην ομάδα δεν είχε εντοπίσει.

# Compare every pair of functions
for i, func_a in enumerate(functions):
    for j, func_b in enumerate(functions):
        if i >= j:
            continue
        similarity = cosine(func_a["embedding"], func_b["embedding"])
        if similarity > 0.90:
            print(f"Potential duplication: {func_a['name']} <-> {func_b['name']}")

Πρέπει να ρυθμίσετε το κατώφλι 0.90 στον δικό σας κώδικα πριν βγάλετε συμπεράσματα. Αν το ορίσετε πολύ χαμηλά, θα επισημάνει συναρτήσεις που μοιάζουν αλλά κάνουν διαφορετικά πράγματα. Αν το ορίσετε πολύ υψηλά, θα εντοπίσει μόνο κυριολεκτικά αντιγραφές-επικολλήσεις—αυτές που θα βρίσκατε ούτως ή άλλως.

Βασικά σημεία

  • Το Codestral Embed (v25.05) μετατρέπει τον κώδικα σε διανύσματα για σημασιολογική αναζήτηση
  • Υποστηρίζει 1536 έως 3072 διαστάσεις ανάλογα με τις ανάγκες ακρίβειάς σας
  • Η σημασιολογική αναζήτηση σας επιτρέπει να αναζητάτε με βάση την πρόθεση, όχι λέξεις-κλειδιά
  • Το μοτίβο RAG (ανάκτηση + δημιουργία) είναι η πιο ισχυρή περίπτωση χρήσης
  • Οι ενσωματώσεις επιτρέπουν επίσης την ανίχνευση διπλοτύπων και τη συσταδοποίηση κώδικα