Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Használati eset: Kód beágyazások

8. lecke 18 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. A keresésen túl
  2. Tárhelyelemzés (Repository Analytics)
  3. Duplikáció-észlelés
  4. Funkció szerinti klaszterezés
  5. Kontextuális kódasszisztens
  6. Kódminőségi mutatók
  7. Főbb megállapítások

A keresésen túl

A kód beágyazások nem csupán szemantikus keresésre valók. Haladó alkalmazásokat tesznek lehetővé: tárhelyelemzést, klaszterezést, duplikáció-észlelést és fejlesztői asszisztenseket. Ebben a leckében ezeket a használati eseteket konkrét Python kódokkal vizsgálod meg.

Ez a négy alkalmazási terület közös tulajdonsággal bír: az index geometriáját használják ki lekérdezés helyett. Ha a fájljaid elhelyezkednek a vektortérben, relatív pozícióik történetet mesélnek magáról a projektről: mi hasonlít mire, mi ismétlődik, és mi lóg ki a sorból.

Tárhelyelemzés (Repository Analytics)

Elemezd egy projekt szemantikus szerkezetét, hogy megértsd, hogyan szerveződik a kód. A K-Means algoritmus a vektorok közelsége alapján öt csoportba rendezi a fájlokat anélkül, hogy valaha is megnézné a mappafát. Az eredmény gyakran tanulságos: egy rendezetlen projektnél látni fogod, hogy nagyon különböző könyvtárakból származó fájlok kerülnek ugyanabba a klaszterbe, mert valójában ugyanarról a témáról szólnak.

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}")

A random_state=42 rögzíti az inicializálást: enélkül két egymást követő futtatás eltérő klaszterszámokat eredményezne, lehetetlenné téve az elemzések időbeli összehasonlítását.

Duplikáció-észlelés

Azonosítsd az ismétlődő vagy közel azonos kódot az állományaidban. Ellentétben egy klasszikus észlelőeszközzel, amely szöveget hasonlít össze, ez a megközelítés az átírt duplikációkat is felfedezi: azt a fájlt, amelyet egyik modulból a másikba másoltak, átneveztek, más változókat kapott, de a logika ugyanaz maradt.

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']}")

A belső ciklus az i + 1 értéknél indul, hogy minden párt csak egyszer hasonlítson össze. Legyél azonban óvatos a költségekkel: a hasonlósági mátrix négyzetes méretű, és néhány ezer fájl felett közelítő indexre kell váltanod a kimerítő számítás helyett. Ha 0,95-ről 0,92-re csökkented a küszöböt, szélesebb hálót vetsz az átírt duplikációkra, néhány manuálisan szűrendő hamis pozitív eredmény árán.

Funkció szerinti klaszterezés

A K-Means megköveteli, hogy előre tudd a csoportok számát, ami egy projekt felfedezésekor ritkán áll fenn. A DBSCAN kezeli ezt a korlátot: maga határozza meg a csoportok számát, és ami még fontosabb, lehetővé teszi, hogy egy fájl egyik csoportba se tartozzon – ez jelenti az alábbi kódban szereplő „Unclassified“ (Nem osztályozott) címkét.

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}")

Az 1 - cosine_similarity átalakítás a hasonlóságot távolsággá változtatja, ami a formátum, amit a DBSCAN elvár a metric="precomputed" paraméterrel. Az eps=0.3 paraméter tehát azt jelenti, hogy két fájl akkor szomszédos, ha a koszinusz-hasonlóságuk legalább 0,7.

Kontextuális kódasszisztens

Ez az utolsó példa az előző építőköveket egy valódi, kódra specializálódott RAG-rendszerbe állítja össze: releváns fájlok keresése, kontextus felépítése, majd az LLM meghívása. A 0,5-ös küszöbérték szűrőként működik a folyamat elején – jobb két, a kérdéssel valóban összefüggő fájlt adni a modellnek, mint hármat, amelyek közül az egyik témán kívül esik, és félrevezeti azt.

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)

A fájl elérési útját megjegyzésként illesztjük be minden kódrészlet fölé. Ez nem csupán dekoráció: a modell ezt használja forrásmegjelölésre, és a választ olvasó fejlesztő azonnal tudja, hol ellenőrizze az információt.

Kódminőségi mutatók

Végezetül a beágyazások segítenek felfedezni azt, ami szokatlanul kiemelkedik. A függvény kiszámítja az index centroidját – a projekt „átlagos fájlját“ –, majd méri, mennyire tér el ettől az egyes fájlok. A 2-nél nagyobb z-score olyan fájlt jelez, amely semmi másra nem hasonlít: néha kívülről generált vagy másolt kódrészlet, néha egyszerűen az egyetlen régi stílusban írt fájl. Mindkét esetben jó jelölt a felülvizsgálatra.

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']}")

Ne feledd: az „atipikus“ nem azt jelenti, hogy „rossz“. Az eszköz egy listát ad a megtekintendő fájlokról, nem pedig ítéletet hoz: ez kiindulópont az emberi felülvizsgálathoz, sosem egy minőségi irányítópulton megjelenítendő mutató.

Főbb megállapítások

  • A kód beágyazások lehetővé teszik a funkciók szerinti automatikus klaszterezést
  • A duplikáció-észlelés koszinusz-hasonlósági küszöböt használ (0,92–0,95)
  • A kódasszisztens egyesíti a szemantikus keresést az LLM-mel kód-RAG céljából
  • Az atipikus fájlok (kilógó értékek) átvizsgálandó kódot jelezhetnek
  • A DBSCAN előnyösebb a K-Meansszel szemben, ha a csoportok száma ismeretlen