RepoChat 200k

REPOCHAT EM 200K - SEM RAG!

⚡Chat com repo Github usando Janela de contexto de 200k de Claude em vez de Rag! ⚡

Por que repocat - sem pano?

Aproveite o Claude 200k! Coloque todos os exemplos e códigos nos contextos!

Precisamos copilotar em vez de agente às vezes!

1. Não apenas converse, mas escreva códigos com os últimos documentos

Ter problemas memorizando todas as APIs no Index ou Langchain de Llama?

Não se preocupe, basta incluir os exemplos dos componentes e os documentos do repositório e deixar Claude Opus - o modelo mais forte e a longa janela de contexto de 200k para escrever seu agente para você!

2. Nenhuma pasta de cópia, basta selecionar

Faça o download/clone o seu repositório do github e basta selecionar os arquivos que você gostaria, eu o abordei na construção do prompt.

3. sem pano, você decide

Eu já vi muitos bate -papo com projetos de repo, todos eles têm os pontos de dor:

Which files do this query need?

Eles usam a incorporação de pesquisa no banco de dados de código, mas na maioria das vezes eu já sabia quais documentos estou me referindo ... então faça suas próprias escolhas sempre que você está codificando.

• Frontend de codificação? Basta selecionar componentes e exemplos.

• Agentes de codificação? Basta selecionar Jupyter Notebook of Langgraph.

• Codificação de pano? Basta selecionar Jupyter Notebook of Llamaindex.

4. Mais casos de uso!

Use Llamaindex Doc

Selecione o exemplo do pipeline Llandeindex para gravar gráfico de pano.

Use Shadcn Doc para escrever front -end

Selecione Exemplos e Definição de Componentes.

Sugestões!

1. Você pode usar o haiku na maior parte do caso.
2. Alterar modelos com base em tarefas.
3. Altere arquivos com base em tarefas.
4. Repos clone que você gosta!
5. Normalmente, incluirei o ReadMe of Repo para ajudar Claude a entender melhor
6. Use COUNT TOKENS na barra lateral para ver quantos tokens você enviará !!!

Características

1. Download do repositório : os usuários podem fornecer um URL do repositório do GitHub e o aplicativo baixará e analisará automaticamente o repositório.
2. Seleção de arquivos e pastas : os usuários podem selecionar arquivos ou pastas específicas do repositório para incluir na entrada do LLM.
3. Filtragem de idiomas : os usuários podem filtrar os arquivos programando a linguagem para focar o entendimento do LLM em partes específicas da base de código.
4. Limite de token : os usuários podem definir um limite de token para controlar a quantidade de informações enviadas ao LLM, que pode ser útil para considerações de desempenho ou custo.
5. Interface de bate-papo : os usuários podem interagir com o LLM através de uma interface no estilo de bate-papo, permitindo que eles façam perguntas ou solicitem geração de código com base no conteúdo do repositório.
6. Saída de streaming : as respostas do LLM são exibidas de maneira de streaming, proporcionando uma experiência de usuário mais envolvente e em tempo real.

Atualmente, eu só apoiei o OpenRouter. Planejando para adicionar mais e refatorar algum dia.

Comece

1. Configurações do ambiente : Execute pip install -r requirements.txt para configurar o ambiente.

2. Crie um arquivo .env : Crie um arquivo .env no diretório raiz do projeto e adicione sua chave da API do OpenRouter (recomendado):

OPENROUTER_API_KEY=your_openrouter_api_key_here

Eu recomendo o OpenRouter porque tem todos os modelos!

Se você deseja usar os modelos OpenAI GPT, adicione sua openai api key também.

OPENAI_API_KEY=your_openai_api_key_here

3. Execute o aplicativo : execute o script app.py usando o streamlit:

streamlit run app.py

4. Use o aplicativo : siga as instruções no aplicativo para baixar um repositório do GitHub, selecionar arquivos e pastas e conversar com o LLM.

Se você encontrar alguns problemas com o repositório, sempre poderá excluir o repo no ./repos Dir e baixá -lo novamente.

Configuração

O comportamento do aplicativo pode ser personalizado através das seguintes opções de configuração:

• Modelo : o modelo LLM específico a ser usado (por exemplo, "antropic/claude-3-haiku", "antropic/claude-3-opus").
• Temperatura : o parâmetro de temperatura que controla a "criatividade" das respostas do LLM.
• Prompt do sistema : o prompt inicial fornecido ao LLM para definir o comportamento desejado.

Essas configurações podem ser ajustadas na barra lateral do aplicativo StreamLit.

Contribuindo

Se você quiser contribuir para o projeto Repochat-200k, sinta-se à vontade para enviar questões ou obter solicitações no repositório do GitHub.

Licença

Este projeto está licenciado sob a licença do MIT.