RepoChat 200k

Repochat in 200k - kein Lappen!

⚡Chat mit Github Repo mit 200K -Kontextfenster von Claude anstelle von Rag! ⚡

Warum Repochat - kein Lappen?

Nutzen Sie Claude 200K! Setzen Sie alle Beispiele und Codes in die Kontexte!

Wir brauchen manchmal eher Copilot als Agent!

1. Chatten Sie nicht nur, sondern schreiben Sie Codes mit den neuesten Dokumenten

Haben Sie Probleme, alle APIs in Lama-Index oder Langchain auswendig zu lernen?

Keine Sorge, schließen Sie einfach die Komponentenbeispiele und die Dokumente des Repo ein und lassen Sie Claude Opus - das stärkste Modell und das lange Kontextfenster von 200K, um Ihren Agenten für Sie zu schreiben!

2. KEINE KOPIEREN SIE, Wählen Sie einfach aus

Laden Sie Ihr Repo von Github herunter/klonen Sie und wählen Sie einfach die Dateien aus, die Sie möchten.

3. Kein Lappen, du entscheide dich

Ich habe viele Chat mit Repo -Projekten gesehen, alle haben die Schmerzpunkte:

Which files do this query need?

Sie verwenden die Einbettungssuche in die Code -Datenbank, aber die meiste Zeit wusste ich bereits, welche Dokumente ich beziehe. Treffen Sie also jedes Mal Ihre eigenen Entscheidungen, wenn Sie codieren.

• Codierungsfrontend? Wählen Sie einfach Komponenten und Beispiele aus.

• Codierungsagenten? Wählen Sie einfach das Jupyter -Notizbuch von Langgraph aus.

• Codieren Lappen? Wählen Sie einfach das Jupyter -Notizbuch von llamaindex aus.

4. Mehr Anwendungsfälle!

Verwenden Sie Llamaindex doc

Wählen Sie LlamaNdex Beispiel für Pipeline, um Lappendiagramme zu schreiben.

Verwenden Sie Shadcn Doc, um Frontend zu schreiben

Wählen Sie Beispiele und Komponenten Definition.

Vorschläge!

1. Sie können Haiku für den größten Teil des Falles verwenden.
2. Modelle ändern basierend auf Aufgaben.
3. Ändern Sie Dateien basierend auf Aufgaben.
4. Klon -Repos, die Sie mögen!
5. Normalerweise füge ich Readme von Repo ein, um Claude besser zu verstehen
6. Verwenden Sie COUNT TOKENS in der Seitenleiste, um zu sehen, wie viele Token Sie senden werden !!!

Merkmale

1. Repository -Download : Benutzer können eine GitHub -Repository -URL angeben, und die Anwendung wird das Repository automatisch herunterladen und analysieren.
2. Datei- und Ordnerauswahl : Benutzer können im Repository bestimmte Dateien oder Ordner auswählen, die in die Eingabe des LLM einbezogen werden.
3. Sprachfilterung : Benutzer können die Dateien durch Programmiersprache filtern, um das Verständnis des LLM in bestimmten Teilen der Codebasis zu konzentrieren.
4. Token -Limit : Benutzer können eine Token -Grenze festlegen, um die an die LLM gesendete Informationen zu steuern, was für die Leistung oder Kosten für die Kosten nützlich sein kann.
5. CHAT-Schnittstelle : Benutzer können über eine Schnittstelle im Chat-Stil mit dem LLM interagieren, sodass sie Fragen stellen oder Codegenerierung basierend auf dem Repository-Inhalt anfordern können.
6. Streaming-Ausgabe : Die Antworten des LLM werden in Streaming-Weise angezeigt und bieten ein ansprechenderes und in Echtzeit genauerer Benutzererlebnis.

Derzeit habe ich nur OpenRouter unterstützt. Planung, mehr hinzuzufügen und eines Tages Refactor.

Fangen an

1. Umgebungseinstellungen : Führen Sie pip install -r requirements.txt aus, um die Umgebung einzurichten.

2. Erstellen einer .env -Datei : Erstellen Sie eine .env -Datei im Stammverzeichnis des Projekts und fügen Sie Ihren OpenRouter -API -Schlüssel (empfohlen) hinzu:

OPENROUTER_API_KEY=your_openrouter_api_key_here

Ich empfehle OpenRouter, weil es alle Modelle hat!

Wenn Sie OpenAI -GPT -Modelle verwenden möchten, fügen Sie auch Ihre openai api key hinzu.

OPENAI_API_KEY=your_openai_api_key_here

3. Führen Sie die Anwendung aus : Führen Sie das Skript app.py mit streamlit aus:

streamlit run app.py

4. Verwenden Sie die Anwendung : Befolgen Sie die Anweisungen in der Anwendung, um ein Github -Repository herunterzuladen, Dateien und Ordner auszuwählen und mit dem LLM zu chatten.

Wenn Sie auf einige Probleme mit Repo stoßen, können Sie das Repo Dir in ./Repos Dir jederzeit löschen und erneut herunterladen.

Konfiguration

Das Verhalten der Anwendung kann über die folgenden Konfigurationsoptionen angepasst werden:

• Modell : Das spezifische LLM-Modell (z. B. "Anthropisch/Claude-3-Haiku", "Anthropic/Claude-3-Opus").
• Temperatur : Der Temperaturparameter, der die "Kreativität" der LLM -Antworten steuert.
• Systemaufforderung : Die anfängliche Eingabeaufforderung, die dem LLM zur Verfügung gestellt wird, um das gewünschte Verhalten festzulegen.

Diese Einstellungen können in der Seitenleiste der stromlitischen Anwendung eingestellt werden.

Beitragen

Wenn Sie zum Repochat-200K-Projekt beitragen möchten, können Sie Probleme beim Github-Repository senden oder anfragen.

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert.