Przypadek użycia: Embeddingi kodu
Na tej stronie
Poza wyszukiwaniem
Embeddingi kodu służą nie tylko do wyszukiwania semantycznego. Otwierają one drogę do zaawansowanych zastosowań: analityki repozytorium, grupowania, wykrywania duplikatów oraz asystentów programistycznych. W tej lekcji poznasz te przypadki użycia na konkretnych przykładach w Pythonie.
Te cztery scenariusze mają jedną wspólną cechę: wykorzystują geometrię indeksu, a nie konkretne zapytanie. Gdy pliki znajdą się już w przestrzeni wektorowej, ich wzajemne położenie opowiada historię samego projektu: co do czego jest podobne, co się powtarza i co wyróżnia się na tle reszty.
Analityka repozytorium
Przeanalizuj semantyczną strukturę projektu, aby zrozumieć, jak zorganizowany jest kod. Algorytm K-Means grupuje pliki w pięć rodzin na podstawie ich bliskości wektorowej, całkowicie ignorując drzewo folderów. Wynik bywa pouczający: w nieuporządkowanym projekcie zobaczysz, jak pliki z zupełnie różnych katalogów lądują w tym samym klastrze, ponieważ tak naprawdę dotyczą tego samego zagadnienia.
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 ustala inicjalizację: bez niego dwa kolejne uruchomienia dałyby różne numery klastrów, co uniemożliwiłoby porównywanie analiz w czasie.
Wykrywanie duplikatów
Zidentyfikuj zduplikowany lub niemal zduplikowany kod w swojej bazie. W przeciwieństwie do klasycznych narzędzi porównujących tekst, to podejście wykrywa również duplikaty przerobione – plik skopiowany z jednego modułu do drugiego, przemianowany, z innymi nazwami zmiennych, ale tą samą logiką.
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']}")
Pętla wewnętrzna zaczyna się od i + 1, aby porównać każdą parę tylko raz. Miej jednak na uwadze koszt: macierz podobieństwa ma złożoność kwadratową i przy kilku tysiącach plików będziesz musiał przejść na indeks przybliżony zamiast obliczeń wyczerpujących. Obniżenie progu z 0,95 do 0,92 zarzuca szerszą sieć na przerobione duplikaty, kosztem kilku fałszywych trafień do ręcznej weryfikacji.
Grupowanie według funkcjonalności
K-Means wymaga wcześniejszej znajomości liczby grup, co rzadko ma miejsce podczas odkrywania projektu. DBSCAN rozwiązuje ten problem: sam określa liczbę grup i, co kluczowe, pozwala plikowi nie należeć do żadnej z nich – właśnie to oznacza etykieta „Unclassified“ w poniższym kodzie.
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}")
Konwersja przez 1 - cosine_similarity zamienia podobieństwo na odległość, czyli format oczekiwany przez DBSCAN z parametrem metric="precomputed". Parametr eps=0.3 oznacza więc, że dwa pliki są sąsiadami począwszy od podobieństwa kosinusowego wynoszącego 0,7.
Kontekstowy asystent kodu
Ten ostatni przykład łączy poprzednie elementy w prawdziwy system RAG dla kodu: wyszukiwanie odpowiednich plików, budowanie kontekstu, a następnie wywołanie LLM. Próg 0,5 filtruje dane na wstępie – lepiej podać modelowi dwa pliki naprawdę związane z pytaniem niż trzy, z których jeden jest niezgodny z tematem i wprowadzi go w błąd.
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)
Ścieżka pliku jest wstrzykiwana jako komentarz nad każdym fragmentem kodu. Nie jest to ozdobnik: model używa jej do cytowania źródeł, a programista czytający odpowiedź od razu wie, gdzie udać się po weryfikację.
Metryki jakości kodu
Na koniec embeddingi pomagają wykryć to, co wyróżnia się jako nietypowe. Funkcja oblicza centroid indeksu – „średni plik“ projektu – a następnie mierzy, jak bardzo każdy z nich odbiega od niego. Wynik z-score większy niż 2 sygnalizuje plik, który nie przypomina niczego innego: czasem jest to kod wygenerowany lub skopiowany z zewnątrz, a czasem po prostu jedyny plik napisany w starym stylu. W obu przypadkach jest to dobry kandydat do przeglądu.
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']}")
Pamiętaj, że „nietypowy“ nie oznacza „zły“. Narzędzie dostarcza listę plików do przejrzenia, a nie wyrok: jest to punkt wyjścia do ludzkiej weryfikacji, nigdy metryka do wyświetlania na dashboardzie jakości.
Kluczowe wnioski
- Embeddingi kodu umożliwiają automatyczne grupowanie według funkcjonalności
- Wykrywanie duplikatów opiera się na progu podobieństwa kosinusowego (0,92–0,95)
- Asystent kodu łączy wyszukiwanie semantyczne z LLM w ramach RAG dla kodu
- Nietypowe pliki (odstające) mogą sygnalizować kod wymagający przeglądu
- DBSCAN jest preferowany nad K-Means, gdy liczba grup jest nieznana