Slučaj upotrebe: Ugradnje koda
Na ovoj stranici
Izvan pretraživanja
Ugradnje koda ne služe samo za semantičko pretraživanje. One otključavaju napredne primjene: analitiku repozitorija, grupiranje, otkrivanje duplikata i asistente za razvoj. U ovoj lekciji istražit ćeš ove slučajeve upotrebe uz konkretan Python kod.
Ova četiri slučaja upotrebe dijele zajedničku osobinu: iskorištavaju geometriju indeksa umjesto upita. Jednom kada su tvoje datoteke smještene u vektorski prostor, njihovi relativni položaji pričaju priču o samom projektu: što nalikuje čemu, što se ponavlja i što se ističe.
Analitika repozitorija
Analiziraj semantičku strukturu projekta kako bi razumio kako je kod organiziran. K-Means grupira datoteke u pet obitelji na temelju njihove vektorske blizine, bez ikakvog gledanja u stablo mapa. Rezultat je često poučan: na neurednom projektu vidjet ćeš kako datoteke iz vrlo različitih direktorija završavaju u istom klasteru jer se zapravo bave istom temom.
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}")
Parametar random_state=42 fiksira inicijalizaciju: bez njega bi dva uzastopna pokretanja dala različite brojeve klastera, što bi onemogućilo usporedbu analiza tijekom vremena.
Otkrivanje duplikata
Identificiraj duplicirani ili gotovo duplicirani kod u svojoj bazi. Za razliku od klasičnog alata za detekciju koji uspoređuje tekst, ovaj pristup također uočava prepisane duplikate – datoteku kopiranu iz jednog modula u drugi, preimenovanu, s različitim varijablama, ali istom logikom.
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']}")
Unutarnja petlja počinje od i + 1 kako bi se svaki par usporedio samo jednom. Ipak, pazi na trošak: matrica sličnosti je kvadratna, a nakon nekoliko tisuća datoteka morat ćeš prijeći na približni indeks umjesto na iscrpni izračun. Smanjenje praga s 0,95 na 0,92 baca širu mrežu za obrađene duplikate, uz cijenu od nekoliko lažno pozitivnih rezultata koje trebaš ručno sortirati.
Grupiranje po funkcionalnosti
K-Means zahtijeva da unaprijed znaš broj grupa, što je rijetko slučaj kada istražuješ projekt. DBSCAN rješava ovo ograničenje: sam određuje broj grupa i, što je ključno, dopušta da datoteka ne pripada nijednoj – što je značenje oznake „Neklasificirano“ u kodu ispod.
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}")
Pretvorba putem 1 - cosine_similarity pretvara sličnost u udaljenost, format koji DBSCAN očekuje s metric="precomputed". Parametar eps=0.3 stoga znači da su dvije datoteke susjedi počevši od kosinusne sličnosti od 0,7.
Kontekstualni asistent za kod
Ovaj posljednji primjer sastavlja prethodne gradivne blokove u pravi RAG sustav za kod: traženje relevantnih datoteka, izgradnja konteksta, a zatim poziv LLM-u. Prag od 0,5 filtrira unaprijed – bolje je modelu dati dvije datoteke koje su doista povezane s pitanjem nego tri, od kojih je jedna izvan teme i zavarat će ga.
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)
Putanja datoteke ubacuje se kao komentar iznad svakog isječka. To nije dekorativno: model to koristi za citiranje izvora, a programer koji čita odgovor odmah zna gdje provjeriti.
Metrike kvalitete koda
Konačno, ugradnje pomažu uočiti ono što strši kao neobično. Funkcija izračunava centroid indeksa – „prosječnu datoteku“ projekta – zatim mjeri koliko svaka od njih odstupa. Z-rezultat veći od 2 signalizira datoteku koja ne nalikuje ničem drugom: ponekad je to dio koda generiran ili kopiran izvana, ponekad jednostavno jedina datoteka napisana u starom stilu. U oba slučaja, to je dobar kandidat za pregled.
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']}")
Zapamti da „atipično“ ne znači „loše“. Alat ti daje popis datoteka koje trebaš pogledati, a ne presudu: to je polazište za ljudski pregled, nikada metrika za prikaz na nadzornoj ploči kvalitete.
Ključne točke
- Ugradnje koda omogućuju automatsko grupiranje po funkcionalnosti
- Otkrivanje duplikata koristi prag kosinusne sličnosti (0,92–0,95)
- Asistent za kod kombinira semantičko pretraživanje s LLM-om za kodni RAG
- Atipične datoteke (outliers) mogu signalizirati kod koji treba pregled
- DBSCAN je poželjniji od K-Meansa kada broj grupa nije poznat