Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Codestral Embed: Code Embeddings

Lezzjoni 11 / 14 Aġġornat 2 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Codestral Embed: Tiftix Semantiku għall-Kodiċi
  2. X’inhu Code Embedding?
  3. Speċifikazzjonijiet Tekniċi
  4. L-Użu tal-API
  5. Tiftix Semantiku f’Codebase
  6. Każijiet ta’ Użu Avvanzati
  7. Punti Ewlenin

Codestral Embed: Tiftix Semantiku għall-Kodiċi

Il-ġenerazzjoni u t-tlestija tal-kodiċi mhumiex biżżejjed. Trid ukoll issib il-fajl f’repożitorju ta’ mijiet li diġà jsolvi l-problema tiegħek. Din hija x-xogħol tat-tielet għodda speċjalizzata ta’ Mistral AI: Codestral Embed (v25.05). Dan il-mudell ta’ embedding jikkonverti frammenti ta’ kodiċi f’vetturi numeriċi, u jippermetti tiftix semantiku madwar ir-repożitorji.

X’inhu Code Embedding?

Embedding huwa rappreżentazzjoni vettorali densa ta’ test jew framment ta’ kodiċi. Il-proprjetà ewlenija hija sempliċi: żewġ frammenti semantikament simili jipproduċu vetturi li huma qrib xulxin fl-ispazju vettorali, anke jekk is-sintassi tagħhom tidher kompletament differenti. Ikkunsidra ż-żewġ funzjonijiet hawn taħt. Għandhom ismijiet differenti, ismijiet ta’ varjabbli differenti, u implimentazzjonijiet differenti.

# 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)

Tiftixa grep qatt ma ssib it-tieni funzjoni billi tibda mill-ewwel. Codestral Embed, madankollu, jipproduċi vetturi viċini għat-tnejn għax isolvu l-istess problema.

Speċifikazzjonijiet Tekniċi

L-ID tal-mudell huwa codestral-embed-latest (v25.05). Tsejjaħlu fuq l-endpoint /v1/embeddings. Jipproċessa kodiċi sors fil-lingwi kollha appoġġjati minn Codestral. Il-karatteristika ewlenija tiegħu hija d-dimensjonijiet konfigurabbli, li jvarjaw minn 1536 sa 3072. L-issettjar ta’ 1536 dimensjoni joffri proporzjon solidu bejn il-kwalità u l-ispiża u jaħdem għall-biċċa l-kbira tal-każijiet ta’ użu. L-issettjar ta’ 3072 dimensjoni jimmira għall-kwalità massima għat-tiftix l-aktar eżiġenti. Ir-regola hija kostanti: aktar dimensjonijiet ifissru preċiżjoni semantika aħjar, iżda wkoll kostijiet ta’ ħażna ogħla u aktar kalkolu għal kull tqabbil. Għal repożitorju ta’ daqs medju, ibda b’1536 u żid biss jekk ir-riżultati jidhru mċajpra.

L-Użu tal-API

Is-sejħa bażika tidher bħall-endpoint taċ-chat: istanzja l-klijent, għaddi framment, u erġa’ ikseb vettur.

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]}")

Innota li l-parametru inputs huwa lista. Dan id-dettall huwa importanti: biex tindiċizza repożitorju sħiħ, tibgħat diversi frammenti f’talba waħda minflok talba waħda għal kull fajl. Fuq repożitorju reali, id-differenza tiżdied sa minuti ffurmati.

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]

Tiftix Semantiku f’Codebase

Il-każ ta’ użu primarju jsegwi direttament minn dan: minflok tfittex bil-kliem kjavi, tfittex bl-intenzjoni. Il-pipeline għandu żewġ passi. L-ewwel, indika l-codebase darba, billi twaħħal embedding ma’ kull fajl. Imbagħad, ittrasforma l-mistoqsija f’vettur u kklassifika l-fajls skont is-similarità tal-kożinu, il-kejl standard tal-prossimità bejn żewġ vetturi.

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
)

Ara l-mistoqsija finali: “function that validates an email address”. Ma fihi l-ebda identifikatur tal-proġett, l-ebda isem ta’ fajl, u l-ebda keyword tal-kodiċi. Dik hija d-differenza kollha meta mqabbla mat-tiftix tat-test, u tagħmel l-għodda użabbli anke għal xi ħadd ġdid fir-repożitorju.

Każijiet ta’ Użu Avvanzati

L-aktar kombinazzjoni qawwija tgħaqqad Codestral Embed ma’ Codestral jew mudell għal skop ġenerali bħal Mistral Small 4. Dan huwa l-mudell RAG (Retrieval-Augmented Generation) applikat għall-kodiċi. L-ewwel tirkupra fajls rilevanti, tinjettahom fil-messaġġ tas-sistema, u mbagħad tagħmel il-mistoqsija tiegħek. Il-mudell imbagħad iwieġeb ibbażat fuq il-codebase tiegħek, mhux biss fuq il-għarfien ġenerali tiegħu tal-lingwa.

# 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?"}
    ],
)

L-istess indiċi jservi għal kompitu inqas impressjonanti iżda ta’ valur għoli ħafna: id-detezzjoni ta’ kodiċi duplikat. Billi tqabbel kull par ta’ funzjonijiet u timmarka dawk b’similarità ‘l fuq minn limitu (threshold), tikseb lista ta’ kandidati għar-refactoring li ħadd fit-tim ma nnuta.

# 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']}")

Għandek taġġusta l-limitu ta’ 0.90 fuq il-kodiċi tiegħek stess qabel ma tasal għal konklużjonijiet. Jekk tissettjah baxx wisq, jimmarka funzjonijiet li jidhru simili iżda jagħmlu affarijiet differenti. Jekk tissettjah għoli wisq, jaqbad biss kopji letterali—dawk li kont issib xorta waħda.

Punti Ewlenin

  • Codestral Embed (v25.05) jikkonverti l-kodiċi f’vetturi għat-tiftix semantiku
  • Jappoġġja minn 1536 sa 3072 dimensjoni skont il-ħtiġijiet ta’ preċiżjoni tiegħek
  • It-tiftix semantiku jippermettilek tfittex bl-intenzjoni, mhux bil-kliem kjavi
  • Il-mudell RAG (irkupru + ġenerazzjoni) huwa l-aktar każ ta’ użu qawwi
  • L-embeddings jippermettu wkoll id-detezzjoni ta’ duplikati u l-klustering tal-kodiċi