代码库 RAG：语义检索

代码库 RAG（Retrieval-Augmented Generation）先把仓库切分为片段并建立向量索引，回答问题时先检索相关代码再生成答案，避免模型凭空编造、贴合真实仓库。

是什么

RAG 是「先检索后生成」的范式。代码库 RAG 针对源码做分块（函数、类、文件）、嵌入与向量存储，问答或补全时先用问题检索最相关片段，再交给模型生成。

为什么有用

大模型训练数据未必包含你的私有仓库，直接问答容易幻觉。引入仓库检索后，答案有据可依，适合「这个函数在哪里调用」「如何接入某模块」等定位型问题。

怎么用

可用 LlamaIndex 或 LangChain 搭建索引。下面是用 LlamaIndex 建立代码索引的片段：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

docs = SimpleDirectoryReader("./src", recursive=True).load_data()
index = VectorStoreIndex.from_documents(docs)
query_engine = index.as_query_engine()
print(query_engine.query("用户登录在哪里校验？"))

注意点

分块粒度影响召回质量：太碎丢失上下文，太大引入噪声。敏感代码上云前评估合规，私有部署可配合本地向量库。定期重建索引以跟上代码变更。

小结

代码库 RAG 通过切分、嵌入与检索，让模型回答基于真实仓库，减少幻觉；关键是分块粒度、合规与索引更新。

参考与延伸阅读

• LlamaIndex 官方文档。已核验。https://docs.llamaindex.ai/
• LangChain 检索增强生成文档。已核验。https://python.langchain.com/docs/concepts/rag/