RepoChat 200k

repochat ใน 200k - ไม่มีผ้าขี้ริ้ว!

⚡chatกับ GitHub repo โดยใช้หน้าต่างบริบท 200k ของ Claude แทน Rag! ⚡

ทำไมต้อง repochat - ไม่มีผ้าขี้ริ้ว?

ใช้ประโยชน์จาก Claude 200K! ใส่ตัวอย่างและรหัสทั้งหมดลงในบริบท!

เราต้องการ Copilot มากกว่า Agent บางครั้ง!

1. ไม่ใช่แค่แชท แต่เขียนรหัสด้วยเอกสารล่าสุด

มีปัญหาในการจดจำ APIs ทั้งหมดในดัชนี Llama หรือ Langchain หรือไม่?

ไม่ต้องกังวลเพียงแค่รวมตัวอย่างส่วนประกอบและเอกสารจาก repo และให้ Claude Opus - โมเดลที่แข็งแกร่งที่สุดและหน้าต่างบริบทที่ยาวนานของ 200K เพื่อเขียนตัวแทนของคุณให้คุณ!

2. ไม่มีสำเนาวางเพียงแค่เลือก

ดาวน์โหลด/โคลน repo ของคุณจาก GitHub จากนั้นเลือกไฟล์ที่คุณต้องการฉันให้คุณครอบคลุมในการสร้างพรอมต์

3. ไม่มีผ้าขี้ริ้วคุณตัดสินใจ

ฉันเคยเห็นการแชทมากมายกับโครงการ repo พวกเขาทั้งหมดมีความเจ็บปวด:

Which files do this query need?

พวกเขาใช้ การค้นหาการค้นหา ในฐานข้อมูลโค้ด แต่ส่วนใหญ่ฉันรู้แล้วว่าเอกสารใดที่ฉันอ้างถึง ... ดังนั้นให้เลือกตัวเลือกของคุณเองทุกครั้งที่คุณเขียนโค้ด

• การเข้ารหัสส่วนหน้า? เพียงเลือกส่วนประกอบและตัวอย่าง

• ตัวแทนการเข้ารหัส? เพียงเลือก Jupyter Notebook ของ Langgraph

• การเขียนโค้ดผ้าขี้ริ้ว? เพียงเลือกสมุดบันทึก Jupyter ของ Llamaidex

4. ใช้กรณีเพิ่มเติม!

ใช้ llamaidex doc

เลือกตัวอย่าง llamaidex ของไปป์ไลน์เพื่อเขียนกราฟ RAG

ใช้ Shadcn Doc เพื่อเขียน Frontend

เลือกตัวอย่างและคำจำกัดความส่วนประกอบ

คำแนะนำ!

1. คุณสามารถใช้ไฮกุเป็นกรณีส่วนใหญ่
2. เปลี่ยนโมเดลตามงาน
3. เปลี่ยนไฟล์ตามงาน
4. โคลน repos ที่คุณชอบ!
5. โดยปกติฉันจะรวม readme ของ repo เพื่อช่วยให้ Claude เข้าใจดีขึ้น
6. ใช้ COUNT TOKENS บนแถบด้านข้างเพื่อดูจำนวนโทเค็นที่คุณจะส่ง !!!

คุณสมบัติ

1. การดาวน์โหลดที่เก็บข้อมูล : ผู้ใช้สามารถให้ URL ที่เก็บ GitHub และแอปพลิเคชันจะดาวน์โหลดและวิเคราะห์ที่เก็บโดยอัตโนมัติ
2. การเลือกไฟล์และโฟลเดอร์ : ผู้ใช้สามารถเลือกไฟล์หรือโฟลเดอร์เฉพาะจากที่เก็บเพื่อรวมไว้ในอินพุตของ LLM
3. การกรองภาษา : ผู้ใช้สามารถกรองไฟล์โดยการเขียนโปรแกรมภาษาเพื่อมุ่งเน้นความเข้าใจของ LLM ในส่วนเฉพาะของ codebase
4. ขีด จำกัด โทเค็น : ผู้ใช้สามารถกำหนดขีด จำกัด โทเค็นเพื่อควบคุมปริมาณข้อมูลที่ส่งไปยัง LLM ซึ่งอาจเป็นประโยชน์สำหรับการพิจารณาประสิทธิภาพหรือค่าใช้จ่าย
5. อินเทอร์เฟซแชท : ผู้ใช้สามารถโต้ตอบกับ LLM ผ่านอินเทอร์เฟซสไตล์แชททำให้พวกเขาสามารถถามคำถามหรือการสร้างรหัสการร้องขอตามเนื้อหาที่เก็บ
6. การสตรีมมิ่งเอาท์พุท : การตอบสนองของ LLM จะแสดงในแฟชั่นสตรีมมิ่งให้ประสบการณ์การใช้งานที่น่าสนใจและเรียลไทม์มากขึ้น

ขณะนี้ฉันรองรับ OpenRouter เท่านั้น วางแผนที่จะเพิ่มมากขึ้นและ refactor สักวันหนึ่ง

เริ่มต้นใช้งาน

1. การตั้งค่าสภาพแวดล้อม : เรียกใช้ pip install -r requirements.txt เพื่อตั้งค่าสภาพแวดล้อม

2. สร้างไฟล์. env : สร้างไฟล์ .env ในไดเรกทอรีรูทของโครงการและเพิ่มคีย์ OpenRouter API ของคุณ (แนะนำ):

OPENROUTER_API_KEY=your_openrouter_api_key_here

ฉันแนะนำ OpenRouter เพราะมีทุกรุ่น!

หากคุณต้องการใช้โมเดล OpenAI GPT ให้เพิ่ม openai api key ของคุณด้วย

OPENAI_API_KEY=your_openai_api_key_here

3. เรียกใช้แอปพลิเคชัน : เรียกใช้สคริปต์ app.py โดยใช้ Streamlit:

streamlit run app.py

4. ใช้แอปพลิเคชัน : ทำตามคำแนะนำในแอปพลิเคชันเพื่อดาวน์โหลดที่เก็บ GitHub เลือกไฟล์และโฟลเดอร์และแชทกับ LLM

หากคุณพบปัญหาบางอย่างเกี่ยวกับ repo คุณสามารถลบ repo dir ใน./repos dir และดาวน์โหลดอีกครั้ง

การกำหนดค่า

พฤติกรรมของแอปพลิเคชันสามารถปรับแต่งได้ผ่านตัวเลือกการกำหนดค่าต่อไปนี้:

• แบบจำลอง : รุ่น LLM เฉพาะที่จะใช้ (เช่น "anthropic/claude-3-haiku", "anthropic/claude-3-opus")
• อุณหภูมิ : พารามิเตอร์อุณหภูมิที่ควบคุม "ความคิดสร้างสรรค์" ของการตอบสนองของ LLM
• พรอมต์ระบบ : พรอมต์เริ่มต้นที่มอบให้กับ LLM เพื่อตั้งค่าพฤติกรรมที่ต้องการ

การตั้งค่าเหล่านี้สามารถปรับได้ในแถบด้านข้างของแอปพลิเคชัน Streamlit

การบริจาค

หากคุณต้องการมีส่วนร่วมในโครงการ RepoChat-200K โปรดส่งปัญหาหรือดึงคำขอในที่เก็บ GitHub

ใบอนุญาต

โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT