Compare commits

...

10 Commits

31 changed files with 2899 additions and 48 deletions

View File

@ -16,7 +16,7 @@ API_VERSION=1.0.0
MAX_UPLOAD_SIZE_MB=5
# LibreOffice soffice service port (used by docker/soffice service)
SOFFICE_HOST=localhost
SOFFICE_HOST=rag-soffice #localhost
SOFFICE_PORT=8003
# ============================================
@ -25,15 +25,15 @@ SOFFICE_PORT=8003
# CHROMA_SERVER_HOST: ChromaDB 服务器地址
# - 使用 host 网络模式: localhost
# - 远程服务器: 192.168.1.100 或 chromadb.example.com
CHROMA_SERVER_HOST=localhost
CHROMA_SERVER_PORT=8002
CHROMA_SERVER_HOST=rag-chromadb #localhost
CHROMA_SERVER_PORT=8000 #8002
CHROMA_COLLECTION_NAME=rag_collection
# ============================================
# Ollama 配置
# ============================================
# OLLAMA_BASE_URL: Ollama 服务地址
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_BASE_URL=http://host.docker.internal:11434
OLLAMA_MODEL=qwen3:8b
OLLAMA_EMBEDDING_MODEL=qwen3-embedding:0.6b

60
.env.zkxdocker Normal file
View File

@ -0,0 +1,60 @@
# ============================================
# RAG API 环境变量配置文件
# ============================================
# 复制此文件为 .env 并根据实际情况修改
# 所有配置都可以通过此文件统一管理,方便不同机器之间移植
# docker-compose.yml 会自动读取此文件中的配置
# ============================================
# API 配置
# ============================================
API_HOST=0.0.0.0
API_PORT=8001
API_TITLE=RAG API
API_VERSION=1.0.0
# 文件上传大小限制单位MB默认5MB
MAX_UPLOAD_SIZE_MB=5
# LibreOffice soffice service port (used by docker/soffice service)
SOFFICE_HOST=rag-soffice #localhost
SOFFICE_PORT=8003
# ============================================
# ChromaDB 配置
# ============================================
# CHROMA_SERVER_HOST: ChromaDB 服务器地址
# - 使用 host 网络模式: localhost
# - 远程服务器: 192.168.1.100 或 chromadb.example.com
CHROMA_SERVER_HOST=rag-chromadb #localhost
CHROMA_SERVER_PORT=8000 #8002
CHROMA_COLLECTION_NAME=rag_collection
# ============================================
# Ollama 配置
# ============================================
# OLLAMA_BASE_URL: Ollama 服务地址
OLLAMA_BASE_URL=http://host.docker.internal:11434
OLLAMA_MODEL=qwen3:8b
OLLAMA_EMBEDDING_MODEL=qwen3-embedding:0.6b
# ============================================
# RAG 配置
# ============================================
EMBEDDING_DIMENSION=768
CHUNK_SIZE=1024
CHUNK_OVERLAP=200
TOP_K=5
# ============================================
# 同步配置
# ============================================
SYNC_INTERVAL=300
AUTO_SYNC=true
# ============================================
# NLTK 配置
# 推荐:如果你已在仓库内保存了 NLTK 数据(离线使用),可以设置为相对路径。例如:
# ./nltk_data/
# 或者使用本地绝对路径: /path/to/nltk_data
# ============================================
NLTK_DATA=./nltk_data/

60
.env.zkxlocal Normal file
View File

@ -0,0 +1,60 @@
# ============================================
# RAG API 环境变量配置文件
# ============================================
# 复制此文件为 .env 并根据实际情况修改
# 所有配置都可以通过此文件统一管理,方便不同机器之间移植
# docker-compose.yml 会自动读取此文件中的配置
# ============================================
# API 配置
# ============================================
API_HOST=0.0.0.0
API_PORT=8001
API_TITLE=RAG API
API_VERSION=1.0.0
# 文件上传大小限制单位MB默认5MB
MAX_UPLOAD_SIZE_MB=5
# LibreOffice soffice service port (used by docker/soffice service)
# SOFFICE_HOST=rag-soffice #localhost
SOFFICE_PORT=8003
# ============================================
# ChromaDB 配置
# ============================================
# CHROMA_SERVER_HOST: ChromaDB 服务器地址
# - 使用 host 网络模式: localhost
# - 远程服务器: 192.168.1.100 或 chromadb.example.com
# CHROMA_SERVER_HOST=rag-chromadb #localhost
CHROMA_SERVER_PORT=8000
CHROMA_COLLECTION_NAME=rag_collection
# ============================================
# Ollama 配置
# ============================================
# OLLAMA_BASE_URL: Ollama 服务地址
# OLLAMA_BASE_URL=http://host.docker.internal:11434 #http://localhost:11434
OLLAMA_MODEL=qwen3:8b
OLLAMA_EMBEDDING_MODEL=qwen3-embedding:0.6b
# ============================================
# RAG 配置
# ============================================
EMBEDDING_DIMENSION=768
CHUNK_SIZE=1024
CHUNK_OVERLAP=200
TOP_K=5
# ============================================
# 同步配置
# ============================================
SYNC_INTERVAL=300
AUTO_SYNC=true
# ============================================
# NLTK 配置
# 推荐:如果你已在仓库内保存了 NLTK 数据(离线使用),可以设置为相对路径。例如:
# ./nltk_data/
# 或者使用本地绝对路径: /path/to/nltk_data
# ============================================
NLTK_DATA=./nltk_data/

2
.gitignore vendored
View File

@ -40,7 +40,7 @@ llamaindex/
!.vscode/extensions.json
!.vscode/tasks.json
# Ignore user-specific VSCode files
.vscode/launch.json
!.vscode/launch.json
.vscode/*.code-workspace
# JetBrains IDEs

17
.vscode/launch.json vendored Normal file
View File

@ -0,0 +1,17 @@
{
// 使 IntelliSense
//
// 访: https://go.microsoft.com/fwlink/?linkid=830387
"version": "0.2.0",
"configurations": [
{
"name": "Python: RAG Main",
"type": "debugpy",
"request": "launch",
"program": "${workspaceFolder}/main.py", // api/main.py
"cwd": "${workspaceFolder}", // S:\research\RAG
"console": "integratedTerminal",
"justMyCode": false
}
]
}

View File

@ -29,6 +29,7 @@ RUN apt-get update && apt-get install -y --no-install-recommends \
libssl-dev \
libcrypto++-dev \
libgmp-dev \
git \
&& rm -rf /var/lib/apt/lists/*
# 配置 pip 镜像源(加速 Python 包安装)
@ -40,7 +41,7 @@ COPY requirements.txt /app/
# 安装 Python 依赖
RUN pip install --upgrade pip && \
pip install -r requirements.txt
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 复制项目文件
COPY . /app/

View File

@ -5,13 +5,14 @@
## 功能特性
- 🔍 **智能检索**: 使用 LlamaIndex 和 ChromaDB 实现高效的向量检索
- 💾 **数据同步**: 自动同步 MySQL 数据库数据到 ChromaDB 向量库
- 💾 **数据同步**: 自动同步 MySQL 数据库、本地/远程文件夹和 Git 代码库数据到 ChromaDB 向量库
- 🌊 **流式输出**: 基于 FastAPI 的流式响应,支持实时对话
- 🤖 **本地 LLM**: 集成 Ollama 本地部署的大模型
- ⚡ **高并发**: 支持多用户同时访问
- 🔄 **自动同步**: 支持定时自动同步和手动触发同步
- 🐳 **Docker 部署**: 使用 Docker Compose 一键部署
- ⚙️ **统一配置**: 所有配置统一在 `.env` 文件中管理,方便不同机器之间移植
- 🧑‍💻 **Git 集成**: 支持 Git 代码库的自动同步和检索,包括连接测试和分支管理
## 快速开始
@ -29,7 +30,7 @@
# 检查 Ollama 是否运行
curl http://localhost:11434/api/tags
# 下载所需的模型(如果未下载)
# 下载所需的模型(如果未下载)(可以使用更小的模型)
ollama pull qwen3:235b # LLM模型用于文本生成
ollama pull qwen3-embedding:8b # Embedding模型用于向量化
```
@ -168,7 +169,20 @@ ollama pull qwen3-embedding:8b # Embedding模型用于向量化
- 点击"测试SSH连接",检查 SSH 连接是否成功。
- 点击右上角"保存"按钮,保存文件夹配置
3. 更新数据源配置
3. **Git代码库类型 (git)**
- 点击"新增数据源"-"选择类型"-"Git代码库"
- Git仓库配置
- Git仓库URL必填Git代码库的URL地址
- 分支必填要同步的Git分支默认main
- 协议选择https或ssh协议
- HTTPS Token如果使用https协议填写访问令牌
- SSH密钥如果使用ssh协议填写SSH私钥
- 点击"测试Git连接",检查 Git 连接是否成功。
- 点击右上角"保存"按钮保存Git仓库配置
4. 更新数据源配置
- 点击左侧数据源列表中的数据源
- 修改配置后点击保存,后台会自动删除原来同步的数据并重新同步
@ -313,6 +327,27 @@ docker-compose restart rag-api
- 查看同步服务日志: `docker-compose logs rag-api | grep sync`
- 手动触发同步: 在配置管理界面中点击"同步"按钮
### 8. Git连接失败
**错误**: `Git连接失败``Failed to connect to Git repository`
**解决**:
- 确保 Git 仓库 URL 正确
- 检查网络连接是否正常
- 验证 Git 凭证HTTPS Token 或 SSH 密钥)是否有效
- 确保目标 Git 仓库存在且可访问
- 查看详细错误信息: `docker-compose logs rag-api | grep git`
### 9. Git同步失败
**错误**: `Git同步失败``Failed to sync Git repository`
**解决**:
- 检查 Git 仓库是否有访问权限
- 验证本地磁盘空间是否充足
- 查看同步服务日志获取详细错误信息: `docker-compose logs rag-api | grep sync`
- 尝试手动触发同步: 在配置管理界面中点击"同步"按钮
## 性能优化建议
### 1. 调整配置参数
@ -356,6 +391,9 @@ docker-compose restart rag-api
**启动步骤**
```bash
# 0. 确保 .env 文件中的host配置准确
cp .env.zkxlocal .env
# 1. 创建虚拟环境
uv venv --python 3.13.9
source .venv/bin/activate # Windows: venv\Scripts\activate
@ -377,4 +415,6 @@ curl http://localhost:8003/health
# 7. 启动 RAG API 服务
python main.py
# 8. 如要调试,使用.vscode/launch.json 启动调试会话
```

View File

@ -77,6 +77,7 @@ async def lifespan(app: FastAPI):
logger.error(f"Failed to initialize FileParser: {e}")
raise
logger.info("✓ Core RAG services initialized")
@ -281,6 +282,9 @@ class RetrieveResponse(BaseModel):
count: int = Field(..., description="Number of documents retrieved")
class SyncRequest(BaseModel):
"""Manual sync request model"""
full_sync: bool = Field(False, description="Whether to perform full sync")
@ -919,7 +923,7 @@ async def retrieve(request: RetrieveRequest):
try:
# Get retriever (works even if collection is empty, will return empty results)
retriever = vector_store_manager.get_retriever(top_k=request.top_k or settings.TOP_K)
retriever = vector_store_manager.get_retriever(top_k=request.top_k or settings.TOP_K, query=request.query)
# Retrieve documents (run in thread pool since retriever.retrieve() is synchronous)
def retrieve_docs():
@ -972,6 +976,9 @@ async def retrieve(request: RetrieveRequest):
raise HTTPException(status_code=500, detail=f"Error retrieving documents: {str(e)}")
@app.delete("/documents/source/{source_name}")
async def delete_documents_by_source(source_name: str):
"""
@ -1365,6 +1372,18 @@ async def create_config(config: Dict[str, Any]):
config["host"].lower(),
folder_path
])
elif config_type == "git":
# Git配置需要仓库URL
if not config.get("git_url"):
raise HTTPException(status_code=400, detail="Git配置必须包含仓库URL")
# 添加Git仓库URL到唯一标识符
# 替换URL中的特殊字符为下划线
git_url = config["git_url"].lower().replace("/", "_").replace(":", "_").replace(".", "_")
# 截取URL的一部分作为唯一标识
git_url_part = git_url[:100] # 限制长度
unique_id_parts.extend([
git_url_part
])
else:
raise HTTPException(status_code=400, detail=f"不支持的配置类型: {config_type}")
@ -1403,6 +1422,13 @@ async def create_config(config: Dict[str, Any]):
status_code=409,
detail=f"已存在相同服务器和路径的文件夹配置。如需调整,请点击配置列表中的配置并修改配置内容。"
)
elif config_type == 'git':
# For git configs, same source means same git url
if existing_config_data.get('git_url') == config.get('git_url'):
raise HTTPException(
status_code=409,
detail=f"已存在相同Git仓库的配置。如需调整请点击配置列表中的配置并修改配置内容。"
)
except sqlite3.OperationalError as e:
# 表不存在的情况,会在后面创建表
logger.warning(f"SQLite table error: {e}. This is expected if the table doesn't exist yet.")
@ -1433,7 +1459,7 @@ async def create_config(config: Dict[str, Any]):
global sync_manager
if sync_manager is not None:
# Create appropriate data source config object
from config import BaseDataSourceConfig, DatabaseDataSourceConfig, FolderDataSourceConfig
from config import BaseDataSourceConfig, DatabaseDataSourceConfig, FolderDataSourceConfig, GitDataSourceConfig
if config_type == "database":
source_config = DatabaseDataSourceConfig(
@ -1470,6 +1496,20 @@ async def create_config(config: Dict[str, Any]):
recursive=config.get("recursive", True),
ignore_patterns=config.get("ignore_patterns")
)
elif config_type == "git":
source_config = GitDataSourceConfig(
name=config_id,
git_url=config.get("git_url"),
branch=config.get("branch", "main"),
protocol=config.get("protocol", "https"),
ssh_key=config.get("ssh_key"),
https_token=config.get("https_token"),
local_repo_path=config.get("local_repo_path"),
poll_interval=config.get("poll_interval", 300),
support_lang=config.get("support_lang"),
latest_commit_id=config.get("latest_commit_id"),
last_sync_time=config.get("last_sync_time")
)
else:
logger.warning(f"Unknown config type: {config_type}")
# Create a base config as fallback
@ -1540,6 +1580,55 @@ async def test_folder_connection(connection_data: Dict[str, Any]):
raise HTTPException(status_code=500, detail=f"SSH连接失败: {str(e)}")
@app.post("/git/test-connection")
async def test_git_connection(connection_data: Dict[str, Any]):
"""
Test Git connection for Git repository configuration
Args:
connection_data: Connection data including git_url, protocol, branch, https_token, ssh_key
Returns:
Success message if connection is successful
"""
try:
git_url = connection_data.get("git_url")
protocol = connection_data.get("protocol", "https")
branch = connection_data.get("branch", "main")
https_token = connection_data.get("https_token")
ssh_key = connection_data.get("ssh_key")
if not git_url:
raise HTTPException(status_code=400, detail="Git仓库URL是必填项")
# Import GitTool here to avoid circular imports
from utils.git_tool import GitTool
# Create a temporary GitTool instance to test connection
git_tool = GitTool(
git_url=git_url,
branch=branch,
protocol=protocol,
https_token=https_token,
ssh_key=ssh_key,
local_repo_path=None # 测试连接不需要本地路径
)
# Try to test connection
success = git_tool.test_connection()
if success:
return {"message": "Git连接成功"}
else:
raise HTTPException(status_code=500, detail="Git连接失败")
except HTTPException:
raise
except Exception as e:
logger.error(f"Error testing Git connection: {e}")
raise HTTPException(status_code=500, detail=f"Git连接失败: {str(e)}")
@app.post("/folder-configs/remote")
async def create_remote_folder_config(config: Dict[str, Any]):
"""

View File

@ -111,6 +111,35 @@ class FolderDataSourceConfig(BaseDataSourceConfig):
self.ignore_patterns = ignore_patterns # 忽略的文件模式列表
class GitDataSourceConfig(BaseDataSourceConfig):
"""Git data source configuration"""
def __init__(
self,
name: str,
git_url: str,
branch: str = "main",
protocol: str = "https", # https 或 ssh
ssh_key: Optional[str] = None, # SSH私钥
https_token: Optional[str] = None, # HTTPS令牌
local_repo_path: Optional[str] = None, # 本地存储路径
poll_interval: int = 300, # 轮询间隔(秒)
support_lang: Optional[List[str]] = None, # 支持的编程语言
latest_commit_id: Optional[str] = None, # 最新commit ID
last_sync_time: Optional[str] = None # 最后同步时间
):
super().__init__(name, "git")
self.git_url = git_url # Git仓库地址
self.branch = branch # 分支名称
self.protocol = protocol # 协议类型
self.ssh_key = ssh_key # SSH私钥加密存储
self.https_token = https_token # HTTPS令牌加密存储
self.local_repo_path = local_repo_path # 本地存储路径
self.poll_interval = poll_interval # 轮询间隔
self.support_lang = support_lang # 支持的编程语言
self.latest_commit_id = latest_commit_id # 最新commit ID
self.last_sync_time = last_sync_time # 最后同步时间
class Settings(BaseSettings):
"""
Application settings
@ -148,7 +177,7 @@ class Settings(BaseSettings):
# RAG Settings
EMBEDDING_DIMENSION: int = 768
CHUNK_SIZE: int = 1024
CHUNK_SIZE: int = 4000
CHUNK_OVERLAP: int = 200
TOP_K: int = 5 # Number of documents to retrieve
@ -176,6 +205,12 @@ class Settings(BaseSettings):
SOFFICE_HOST: str = "127.0.0.1"
SOFFICE_PORT: int = 8003
# Git 相关配置
GIT_LOCAL_STORAGE_ROOT: str = "./git_repos" # Git仓库本地存储根目录
GIT_DEFAULT_BRANCH: str = "main" # 默认分支
GIT_POLL_INTERVAL: int = 300 # 默认轮询间隔(秒)
GIT_MAX_REPO_SIZE_MB: int = 500 # 最大仓库大小MB
# Pydantic v2 configuration
model_config = SettingsConfigDict(
env_file=".env",
@ -260,6 +295,21 @@ class Settings(BaseSettings):
recursive=ds_config.get('recursive', True),
ignore_patterns=ds_config.get('ignore_patterns', None)
))
elif source_type == 'git':
# Create git data source
configs.append(GitDataSourceConfig(
name=name, # 使用数据库表中的name列
git_url=ds_config.get('git_url'),
branch=ds_config.get('branch', 'main'),
protocol=ds_config.get('protocol', 'https'),
ssh_key=ds_config.get('ssh_key'),
https_token=ds_config.get('https_token'),
local_repo_path=ds_config.get('local_repo_path'),
poll_interval=ds_config.get('poll_interval', 300),
support_lang=ds_config.get('support_lang'),
latest_commit_id=ds_config.get('latest_commit_id'),
last_sync_time=ds_config.get('last_sync_time')
))
else:
from loguru import logger
logger.warning(f"Unknown data source type: {source_type}, skipping")

View File

@ -2,6 +2,7 @@
Database utilities for RAG system
"""
import sqlite3
import json
from pathlib import Path
from datetime import datetime
from typing import Tuple, Optional
@ -90,6 +91,75 @@ def update_data_source_update_at(source_name: str, update_at: datetime) -> bool:
return False
def add_git_datasource(user_id: str, repo_config: dict):
"""
新增Git仓库配置
Args:
user_id: 用户ID
repo_config: 仓库配置
"""
conn, cursor = get_db_connection()
try:
cursor.execute("""
INSERT INTO datasource (user_id, name, type, git_config, create_time)
VALUES (?, ?, 'git', ?, datetime('now'))
""", (user_id, repo_config["name"], json.dumps(repo_config)))
conn.commit()
logger.info(f"新增Git数据源: {repo_config['name']}")
finally:
conn.close()
def update_git_sync_status(user_id: str, repo_id: str, sync_status: dict):
"""
更新Git仓库同步状态
Args:
user_id: 用户ID
repo_id: 仓库ID
sync_status: 同步状态
"""
conn, cursor = get_db_connection()
try:
cursor.execute("""
UPDATE datasource SET git_config = json_set(git_config, '$.latest_commit_id', ?, '$.last_sync_time', ?)
WHERE user_id = ? AND id = ?
""", (sync_status["latest_commit_id"], sync_status["last_sync_time"], user_id, repo_id))
conn.commit()
logger.info(f"更新Git同步状态: {repo_id}")
finally:
conn.close()
def update_git_repo_config(user_id: str, repo_id: str, config: dict):
"""
更新Git仓库配置
Args:
user_id: 用户ID
repo_id: 仓库ID
config: 配置信息
"""
conn, cursor = get_db_connection()
try:
# 获取当前配置
cursor.execute("SELECT git_config FROM datasource WHERE user_id = ? AND id = ?", (user_id, repo_id))
result = cursor.fetchone()
if result:
current_config = json.loads(result[0])
# 更新配置
current_config.update(config)
cursor.execute("""
UPDATE datasource SET git_config = ?
WHERE user_id = ? AND id = ?
""", (json.dumps(current_config), user_id, repo_id))
conn.commit()
logger.info(f"更新Git仓库配置: {repo_id}")
finally:
conn.close()
def init_session_db():
"""
Initialize session database with users and sessions tables

View File

@ -52,7 +52,10 @@ services:
container_name: rag-api
# 使用宿主机网络模式可以直接访问宿主机上的服务Ollama、MySQL 等)
# 注意:使用 host 网络模式时,不能使用 ports 映射,容器直接使用宿主机的网络
network_mode: host
# network_mode: host # 注释/删除host网络模式Windows下无效)
# 添加端口映射Windows下开发
ports:
- "${API_PORT:-8001}:8001"
# 自动读取 .env 文件(如果存在)
env_file:
- .env
@ -96,7 +99,7 @@ services:
# RAG 配置
- EMBEDDING_DIMENSION=${EMBEDDING_DIMENSION:-768}
- CHUNK_SIZE=${CHUNK_SIZE:-1024}
- CHUNK_SIZE=${CHUNK_SIZE:-4000}
- CHUNK_OVERLAP=${CHUNK_OVERLAP:-200}
- TOP_K=${TOP_K:-5}

View File

@ -25,7 +25,7 @@ RUN apt-get update \
WORKDIR /app
COPY requirements.txt /app/requirements.txt
RUN pip install --no-cache-dir -r requirements.txt
RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
COPY docker/soffice/app.py /app/app.py
COPY docker/soffice/README.md /app/README.md

View File

@ -0,0 +1,828 @@
# RAG智能问答助手——Git 代码库二次开发
# 新增Git代码库作为数据源的二次开发实现细节
本次二次开发核心是在原仓库**MySQL/达梦数据库/文件夹**三种数据源基础上,新增**Git代码库**数据源类型,需适配**代码拉取-解析切片-向量化存储-增量同步-代码专属检索/生成**全流程。以下结合原仓库的代码架构、文件结构,按**工程结构调整、核心模块开发、前后端适配、配置/部署修改、核心方法实现**五个维度给出可落地的实现细节完全复用原仓库的LlamaIndex/ChromaDB/Ollama基础能力仅做针对性扩展。
## 一、原仓库核心架构复用与工程结构调整
原仓库已实现**通用同步基类、ChromaDB向量操作、FastAPI接口、前端配置管理**等基础能力,本次开发仅需**新增Git相关模块、扩展原有基类/接口、适配代码场景的解析/检索逻辑**,不改动原核心代码,保证兼容性。
### 1. 原仓库核心复用模块
|原仓库模块/文件|复用功能|扩展点|
|---|---|---|
|`sync/base_sync.py`|同步基类、通用向量化、ChromaDB基础写入|新增**代码库专属的抽象方法**(如`git_clone`/`detect_git_update`让GitSync子类实现|
|`config.py`|全局环境变量读取、配置管理|新增Git代码库相关的全局配置本地存储根目录、默认分支等|
|`main.py`|FastAPI接口、流式响应、路由注册|新增Git数据源的配置路由、Git仓库手动同步路由|
|`static/config/`|前端数据源配置界面|新增Git类型的配置表单仓库地址、协议、SSH密钥等|
|`db_utils.py`|数据库工具、配置持久化|新增Git仓库同步配置的存储逻辑最后同步commit ID、分支、轮询频率等|
|原ChromaDB操作逻辑|向量增删改查、embedding配对|重构**存储结构**,适配函数级代码的元数据/业务数据如函数唯一ID、仓库名、分支等|
### 2. 新增/修改的文件结构
在原仓库基础上新增**Git同步、代码解析**专属模块,修改少量核心文件,新增文件如下(按目录分类):
```Plain Text
# 核心同步模块新增
sync/
├── git_sync.py # Git代码库同步子类继承BaseSync实现代码拉取/增量同步/函数解析
└── ast_parser.py # 代码AST解析工具类实现跨语言函数级切片核心
# 前端配置界面新增Git配置表单
static/config/
├── js/git_config.js # Git配置的前端逻辑凭证验证、仓库地址解析
└── components/
└── git-form.html # Git数据源配置的HTML组件嵌入原config/index.html
# 工具类新增
utils/
├── git_tool.py # Git命令封装工具类clone/fetch/merge/日志解析封装subprocess执行Git命令
└── func_id_generator.py # 函数全局唯一ID生成工具类按用户/仓库/分支/文件/函数生成)
# 原文件修改(仅扩展,不改动原有逻辑)
sync/base_sync.py # 扩展基类,新增代码向量化专属方法
config.py # 新增Git相关全局配置
main.py # 新增Git数据源路由
db_utils.py # 新增Git同步配置持久化
Dockerfile # 安装git命令容器内需要执行Git操作
.env.example # 新增Git相关环境变量配置项
```
## 二、核心模块开发(按技术流程拆解)
按**代码拉取与存储→代码解析与向量化→增量同步→代码专属检索/生成**的技术流程,结合原仓库代码实现核心功能,每个环节均给出**原仓库对接点+代码实现思路**。
### 阶段1代码拉取与存储Git仓库专属
核心实现**用户Git配置验证、多协议克隆、本地结构化存储**,封装为`git_tool.py`工具类,在`git_sync.py`中调用,复用原仓库的**数据源配置管理**能力。
#### 1. 原仓库对接点
- 前端配置界面提交的Git配置信息仓库地址、协议、SSH私钥/HTTPS令牌、分支通过原仓库的`/api/config/datasource`路由接收,新增`type: git`标识,与`mysql/folder`区分;
- 配置信息通过`db_utils.py`持久化到原仓库的配置库SQLite/MySQL新增`git_config`字段存储Git专属配置commit ID、存储路径、轮询间隔等
#### 2. 核心实现细节
##### 1Git工具类封装`utils/git_tool.py`
封装所有Git原生命令避免硬编码处理**SSH/HTTPS/git**多协议,实现**克隆、远程更新检测、增量拉取、文件变更解析**等核心功能,示例核心方法:
```Python
import subprocess
import os
from config import settings # 原仓库的全局配置
class GitTool:
def __init__(self, user_id: str, repo_id: str, git_config: dict):
self.user_id = user_id
self.repo_id = repo_id
self.git_url = git_config["git_url"] # 用户配置的Git仓库地址
self.branch = git_config.get("branch", settings.GIT_DEFAULT_BRANCH)
self.ssh_key = git_config.get("ssh_key") # SSH私钥base64加密存储
# 本地结构化存储路径(按文档规范:根目录/用户ID/仓库ID
self.local_repo_path = os.path.join(settings.GIT_LOCAL_STORAGE_ROOT, user_id, repo_id)
self._init_git_env() # 初始化Git环境SSH密钥配置
# 初始化Git SSH环境核心解决容器内SSH密钥验证
def _init_git_env(self):
if self.ssh_key:
# 解密SSH私钥写入临时文件配置Git SSH
os.environ["GIT_SSH_COMMAND"] = f"ssh -i /tmp/ssh_key_{self.user_id} -o StrictHostKeyChecking=no"
with open(f"/tmp/ssh_key_{self.user_id}", "w") as f:
f.write(self.ssh_key)
os.chmod(f"/tmp/ssh_key_{self.user_id}", 0o600)
# 克隆Git仓库适配多协议复用文档的git clone命令
def clone_repo(self) -> bool:
if not os.path.exists(self.local_repo_path):
os.makedirs(os.path.dirname(self.local_repo_path), exist_ok=True)
# 执行git clone --depth=none --single-branch --branch <分支> <地址> <本地路径>
cmd = [
"git", "clone", "--depth=none", "--single-branch",
"--branch", self.branch, self.git_url, self.local_repo_path
]
res = subprocess.run(cmd, capture_output=True, text=True)
if res.returncode != 0:
raise Exception(f"Git克隆失败: {res.stderr}")
# 克隆后校验git fsck + 语言检测)
self._check_repo_integrity()
return True
return False
# 仓库完整性校验git fsck+ 支持的编程语言检测
def _check_repo_integrity(self):
# 执行git fsck
subprocess.run(["git", "fsck"], cwd=self.local_repo_path, check=True)
# 扫描文件类型,记录支持的编程语言(如.py/.java/.go存入配置库
from utils.lang_detect import detect_support_lang # 简单的文件后缀检测工具
support_lang = detect_support_lang(self.local_repo_path)
from db_utils import update_git_repo_config
update_git_repo_config(self.user_id, self.repo_id, {"support_lang": support_lang})
# 远程更新检测(对比本地/远程commit ID复用文档逻辑
def detect_remote_update(self) -> tuple[bool, str, str]:
# 拉取远程commit记录仅拉取不拉取文件
subprocess.run(["git", "fetch", "origin", f"{self.branch}:{self.branch}"], cwd=self.local_repo_path, check=True)
# 获取本地/远程commit ID
local_commit = subprocess.run(["git", "rev-parse", "HEAD"], cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
remote_commit = subprocess.run(["git", "rev-parse", f"origin/{self.branch}"], cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
return local_commit != remote_commit, local_commit, remote_commit
# 增量拉取代码+解析文件变更(新增/修改/删除)
def incremental_pull(self) -> dict:
# 快进合并到远程最新版本
subprocess.run(["git", "merge", "--ff-only", f"origin/{self.branch}"], cwd=self.local_repo_path, check=True)
# 提取增量commit的文件变更
delta_commits = subprocess.run(["git", "log", "--pretty=format:%H", f"{self.local_commit}..{self.remote_commit}"], cwd=self.local_repo_path, capture_output=True, text=True).stdout.split()
# 解析文件变更为ADD/MODIFY/DELETE
delta_files = self._parse_delta_files(delta_commits)
return delta_files
# 解析文件变更集复用文档的parse_delta_files.py逻辑
def _parse_delta_files(self, delta_commits: list) -> dict:
add_files, modify_files, delete_files = [], [], []
for commit in delta_commits:
# git show --name-status 获取文件变更
res = subprocess.run(["git", "show", "--name-status", commit], cwd=self.local_repo_path, capture_output=True, text=True).stdout
for line in res.splitlines():
if not line: continue
status, file_path = line.split("\t", 1)
file_path = os.path.join(self.local_repo_path, file_path)
if status == "A": add_files.append(file_path)
elif status == "M": modify_files.append(file_path)
elif status == "D": delete_files.append(file_path)
# 去重并返回
return {
"ADD": list(set(add_files)),
"MODIFY": list(set(modify_files)),
"DELETE": list(set(delete_files))
}
```
##### 2Git配置持久化修改`db_utils.py`
原仓库已实现数据源配置的持久化,新增**Git仓库专属配置字段**,存储:
- 仓库基础配置:`git_url`/`protocol`/`branch`/`ssh_key`AES256加密/`https_token`(加密);
- 同步状态配置:`local_repo_path`/`latest_commit_id`/`support_lang`/`poll_interval`(轮询间隔)/`last_sync_time`
- 示例新增方法:
```Python
# 新增Git仓库配置存储
def add_git_datasource(user_id: str, repo_config: dict):
# 原仓库的配置表新增git_config字段存储json格式的配置
conn = get_sqlite_conn() # 原仓库的SQLite连接方法
cursor = conn.cursor()
cursor.execute("""
INSERT INTO datasource (user_id, name, type, git_config, create_time)
VALUES (?, ?, 'git', ?, datetime('now'))
""", (user_id, repo_config["name"], json.dumps(repo_config)))
conn.commit()
conn.close()
# 更新Git仓库同步状态最后同步commit ID、时间
def update_git_sync_status(user_id: str, repo_id: str, sync_status: dict):
conn = get_sqlite_conn()
cursor = conn.cursor()
cursor.execute("""
UPDATE datasource SET git_config = json_set(git_config, '$.latest_commit_id', ?, '$.last_sync_time', ?)
WHERE user_id = ? AND id = ?
""", (sync_status["latest_commit_id"], sync_status["last_sync_time"], user_id, repo_id))
conn.commit()
conn.close()
```
### 阶段2代码解析与向量化代码场景核心改造
核心实现**函数级AST切片、LLM标准化生成函数描述、ChromaDB函数级存储**,是本次开发的**核心改造点**,需扩展原仓库的`base_sync.py`向量化逻辑,新增`ast_parser.py`和函数ID生成工具。
#### 1. 原仓库对接点
- 复用原仓库的**Ollama向量化能力**`qwen3-embedding:8b`),仅修改向量化的**源数据**从普通文本→LLM生成的函数描述
- 复用原仓库的ChromaDB基础操作`add/delete/query`**重构ChromaDB的存储结构**,适配函数级代码的元数据/业务数据;
- 继承`sync/base_sync.py`的`BaseSync`基类,实现`extract_data`(函数切片)、`vectorize_data`(函数描述向量化)、`save_to_chroma`(函数级存入)方法。
#### 2. 核心实现细节
##### 1AST函数级切片`sync/ast_parser.py`
摒弃正则,采用**编程语言专属AST解析库**,实现跨语言函数提取,输出**标准化函数字典**(复用文档的格式),示例核心方法:
```Python
import ast
import libcst # Python AST解析支持代码修改
from typing import List, Dict
class ASTParser:
def __init__(self, file_path: str, lang: str):
self.file_path = file_path
self.lang = lang # 编程语言python/java/go等
self.func_list: List[Dict] = [] # 提取的函数列表
# 统一入口:根据语言调用对应解析方法
def parse_functions(self) -> List[Dict]:
if not os.path.exists(self.file_path):
raise Exception(f"文件不存在: {self.file_path}")
with open(self.file_path, "r", encoding="utf-8") as f:
self.code = f.read()
# 按语言解析
if self.lang == "python":
self._parse_python()
# 后续扩展java/go此处先实现Python
return self.func_list
# Python函数解析基于ast+libcst
def _parse_python(self):
try:
tree = ast.parse(self.code)
for node in ast.walk(tree):
# 提取函数定义(普通函数/类方法)
if isinstance(node, ast.FunctionDef) or isinstance(node, ast.AsyncFunctionDef):
func_info = self._extract_python_func_info(node)
self.func_list.append(func_info)
except SyntaxError as e:
raise Exception(f"Python代码语法错误: {e}")
# 提取Python函数的标准化信息
def _extract_python_func_info(self, node) -> Dict:
# 提取函数名、参数、返回值、函数体等
func_name = node.name
params = [arg.arg for arg in node.args.args] # 简化参数提取,可扩展类型注解
return_type = ast.unparse(node.returns) if node.returns else "None"
# 提取函数体代码
func_body = libcst.parse_module(self.code).code_for_node(node)
return {
"file_path": self.file_path,
"func_name": func_name,
"params": params,
"return_type": return_type,
"func_body": func_body,
"class_name": None # 类方法需额外解析,此处简化
}
```
##### 2函数全局唯一ID生成`utils/func_id_generator.py`
为每个函数生成**全局唯一ID**核心用于增量同步时精准定位ChromaDB条目复用文档的ID格式`用户ID_仓库ID_分支_文件相对路径_类名_函数名`
```Python
import os
from config import settings
def generate_func_unique_id(user_id: str, repo_id: str, branch: str, file_path: str, class_name: str, func_name: str) -> str:
# 将本地绝对路径转为仓库根目录的相对路径
local_repo_root = os.path.join(settings.GIT_LOCAL_STORAGE_ROOT, user_id, repo_id)
rel_file_path = os.path.relpath(file_path, local_repo_root).replace(os.sep, "_")
# 类名为None则拼接空字符串
class_name = class_name if class_name else "None"
# 生成唯一ID
unique_id = f"{user_id}_{repo_id}_{branch}_{rel_file_path}_{class_name}_{func_name}"
# 替换特殊字符避免ChromaDB主键冲突
unique_id = unique_id.replace("/", "_").replace("\\", "_").replace(":", "_")
return unique_id
```
##### 3LLM生成标准化函数描述修改`sync/base_sync.py`
复用原仓库的Ollama LLM调用能力`qwen3:235b`**新增标准化Prompt模板**(复用文档),为每个函数生成描述,示例方法:
```Python
# 在sync/base_sync.py的BaseSync类中新增方法
def generate_func_desc(self, func_info: Dict) -> str:
"""调用LLM生成标准化函数描述"""
# 文档中的标准化Prompt模板
prompt = f"""
### 任务要求
你是资深程序员,需要为给定的代码函数生成**简洁、准确、结构化的自然语言描述**,用于代码语义检索,严格遵循以下规则:
1. 描述仅包含「函数功能+入参作用+返回值意义」,无额外冗余内容;
2. 语言为中文,字数控制在50-100字;
3. 若为类中的方法,需体现方法与类的关联;
4. 不添加代码、注释、表情,仅纯自然语言描述。
### 待描述函数信息
文件路径:{func_info['file_path']}
所属类:{func_info['class_name']}
函数名:{func_info['func_name']}
参数:{func_info['params']}
返回值类型:{func_info['return_type']}
函数代码:
{func_info['func_body']}
### 输出示例
示例1(全局函数):该函数为工具函数,接收两个整数类型的参数a和b,实现两数相加的功能,返回相加后的整数结果。
### 请输出你的描述
""".strip()
# 调用原仓库的Ollama LLM调用方法
from utils.ollama_client import call_ollama # 原仓库的Ollama客户端
desc = call_ollama(prompt, model=self.ollama_model)
return desc.strip()
```
##### 4ChromaDB函数级存储重构`base_sync.py`的`save_to_chroma`,贴合检索需求)
核心贴合你的需求:**按func_desc检索、返回对应func_body**改造核心是明确「func_desc向量化生成embedding检索核心+ 业务数据关联存储返回func_body依据复用原仓库ChromaDB客户端仅重构入参结构确保检索时通过func_desc匹配精准返回对应func_body具体改造如下
**核心改造原仓库的ChromaDB存储结构**,按文档要求设计**向量字段+元数据字段+业务数据字段**复用原仓库的ChromaDB客户端仅修改入参结构示例方法
```Python
# 重构sync/base_sync.py的save_to_chroma方法完全贴合「按func_desc检索、返回func_body」需求
def save_to_chroma(self, func_data_list: List[Dict], embeddings: List[List[float]]):
"""
核心设计:
1. 检索核心embeddings仅基于func_desc生成与检索逻辑完全对齐
2. 关联存储将func_body及关键信息存入metadatas结构化存储便于检索后直接提取
3. 检索匹配documents仅存func_desc确保检索时仅匹配函数描述提升精准度
"""
# 初始化ChromaDB客户端复用原仓库配置不做修改
import chromadb
client = chromadb.HttpClient(host=settings.CHROMA_SERVER_HOST, port=settings.CHROMA_SERVER_PORT)
# 按用户隔离集合(复用原仓库多用户隔离逻辑,避免数据冲突)
collection = client.get_or_create_collection(name=f"code_rag_{self.user_id}")
# 构造ChromaDB入参核心重构贴合需求
# 1. 唯一ID沿用函数全局唯一ID用于精准定位和增量更新复用原生成逻辑
ids = [func["func_unique_id"] for func in func_data_list]
# 2. 元数据核心关联存储存入func_body及关键信息作为检索后返回func_body的直接依据
metadatas = [
{
"user_id": self.user_id,
"repo_id": self.repo_id,
"branch": self.branch,
"file_path": func["file_path"],
"func_name": func["func_name"],
"func_body": func["func_body"], # 关键存储func_body检索后直接提取返回
"latest_commit_id": self.latest_commit_id
} for func in func_data_list
]
# 3. 检索匹配字段仅存func_desc确保检索时仅基于函数描述进行向量匹配提升精准度
documents = [func["func_desc"] for func in func_data_list]
# 4. 向量核心embeddings仅基于func_desc生成与documents完全对应检索核心
# embeddings由外部传入对应vectorize_data方法中func_desc的向量化结果
# 批量存入ChromaDB复用原仓库批量操作逻辑不做修改
collection.add(
ids=ids,
embeddings=embeddings,
metadatas=metadatas,
documents=documents
)
# 补充检索逻辑对应调整后续检索时通过func_desc生成embedding查询从metadatas提取func_body
# 此处提前预留检索逻辑适配说明,确保存储与检索闭环
```
##### 5GitSync子类实现`sync/git_sync.py`
继承原仓库的`BaseSync`基类,整合**Git拉取、AST切片、LLM描述、向量化、ChromaDB存储**全流程,实现基类的抽象方法:
```Python
from sync.base_sync import BaseSync
from utils.git_tool import GitTool
from sync.ast_parser import ASTParser
from utils.func_id_generator import generate_func_unique_id
from config import settings
class GitSync(BaseSync):
def __init__(self, user_id: str, repo_id: str, git_config: dict):
super().__init__(user_id)
self.repo_id = repo_id
self.git_config = git_config
self.branch = git_config.get("branch", settings.GIT_DEFAULT_BRANCH)
self.git_tool = GitTool(user_id, repo_id, git_config)
self.latest_commit_id = git_config.get("latest_commit_id")
# 实现基类的extract_data拉取代码+AST函数切片
def extract_data(self) -> List[Dict]:
# 1. 克隆/拉取代码
self.git_tool.clone_repo()
# 2. 获取仓库支持的编程语言
support_lang = self.git_config.get("support_lang", ["python"])
# 3. 遍历仓库文件AST切片提取函数
func_data_list = []
for root, _, files in os.walk(self.git_tool.local_repo_path):
for file in files:
file_path = os.path.join(root, file)
# 匹配支持的编程语言
lang = self._get_file_lang(file_path)
if lang not in support_lang:
continue
# 4. AST解析函数
ast_parser = ASTParser(file_path, lang)
func_list = ast_parser.parse_functions()
# 5. 为每个函数生成唯一ID+LLM描述
for func in func_list:
func["func_unique_id"] = generate_func_unique_id(
self.user_id, self.repo_id, self.branch,
file_path, func["class_name"], func["func_name"]
)
func["func_desc"] = self.generate_func_desc(func) # 调用基类的LLM描述方法
func["latest_commit_id"] = self.latest_commit_id
func_data_list.append(func)
return func_data_list
# 实现基类的vectorize_data函数描述向量化复用原仓库Ollama
def vectorize_data(self, func_data_list: List[Dict]) -> List[List[float]]:
func_descs = [func["func_desc"] for func in func_data_list]
# 调用原仓库的向量化方法复用qwen3-embedding:8b
return self._ollama_embedding(func_descs)
# 实现基类的run_sync整合全流程
def run_sync(self):
# 1. 提取函数数据
func_data_list = self.extract_data()
if not func_data_list:
return "无函数数据可同步"
# 2. 函数描述向量化
embeddings = self.vectorize_data(func_data_list)
# 3. 存入ChromaDB
self.save_to_chroma(func_data_list, embeddings)
# 4. 更新同步状态最后commit ID
from db_utils import update_git_sync_status
update_git_sync_status(self.user_id, self.repo_id, {
"latest_commit_id": self.latest_commit_id,
"last_sync_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
})
return f"同步成功,共处理{len(func_data_list)}个函数"
# 辅助方法:根据文件后缀判断编程语言
def _get_file_lang(self, file_path: str) -> str:
suffix = os.path.splitext(file_path)[1].lower()
lang_map = {".py": "python", ".java": "java", ".go": "go", ".js": "javascript"}
return lang_map.get(suffix, "unknown")
```
### 阶段3代码增量同步Git仓库核心亮点
核心实现**定期轮询、Git增量拉取、函数级增删改识别、ChromaDB精准增量更新**,复用原仓库的**定时同步框架**`sync_service.py`),在`git_sync.py`中新增增量同步方法,**全程避免全量解析/向量化**。
#### 1. 原仓库对接点
- 复用原仓库的**定时同步能力**`SYNC_INTERVAL`/`AUTO_SYNC`为Git数据源新增**自定义轮询间隔**(用户可配置);
- 复用原仓库的**手动同步路由**,新增`/api/sync/git`路由支持手动触发Git仓库增量同步
- 基于ChromaDB的`delete`+`add`实现增量更新原仓库已支持ChromaDB的增删操作
#### 2. 核心实现细节(在`git_sync.py`中新增增量同步方法)
ps. 「 2. 增量拉取代码解析文件变更集ADD/MODIFY/DELETE」更细粒度的处理 新增一个path_change_files识别仅「路径变、内容不变」的文件在增量更新时仅更新元数据复用原有向量和业务数据。
```Python
# 在GitSync类中新增增量同步方法
def run_incremental_sync(self) -> str:
"""Git仓库增量同步检测更新→增量拉取→函数级变更→ChromaDB增量更新"""
# 1. 检测远程更新
has_update, local_commit, remote_commit = self.git_tool.detect_remote_update()
if not has_update:
return "无远程更新,无需同步"
self.latest_commit_id = remote_commit # 更新为最新commit ID
# 2. 增量拉取代码解析文件变更集ADD/MODIFY/DELETE
delta_files = self.git_tool.incremental_pull(local_commit, remote_commit)
add_files, modify_files, delete_files = delta_files["ADD"], delta_files["MODIFY"], delta_files["DELETE"]
# 3. 函数级增删改识别(核心)
func_change = self._detect_func_change(add_files, modify_files, delete_files)
add_funcs, modify_funcs, delete_func_ids = func_change["ADD"], func_change["MODIFY"], func_change["DELETE"]
# 4. ChromaDB增量更新复用文档的先删后加逻辑
self._chroma_incremental_update(add_funcs, modify_funcs, delete_func_ids)
# 5. 更新同步状态
from db_utils import update_git_sync_status
update_git_sync_status(self.user_id, self.repo_id, {
"latest_commit_id": remote_commit,
"last_sync_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
})
return f"增量同步成功:新增{len(add_funcs)}个函数,修改{len(modify_funcs)}个函数,删除{len(delete_func_ids)}个函数"
# 函数级增删改识别:文件变更→函数变更
def _detect_func_change(self, add_files: list, modify_files: list, delete_files: list) -> dict:
add_funcs, modify_funcs = [], []
# 初始化ChromaDB客户端获取当前仓库的函数数据
client = chromadb.HttpClient(host=settings.CHROMA_SERVER_HOST, port=settings.CHROMA_SERVER_PORT)
collection = client.get_collection(name=f"code_rag_{self.user_id}")
# 过滤当前仓库的所有函数ID
repo_funcs = collection.query(
where={"$and": [{"user_id": self.user_id}, {"repo_id": self.repo_id}]},
ids_only=True
)
repo_func_ids = set(repo_funcs["ids"])
# 处理新增/修改文件重解析→对比函数ID
all_change_files = add_files + modify_files
support_lang = self.git_config.get("support_lang", ["python"])
for file in all_change_files:
lang = self._get_file_lang(file)
if lang not in support_lang:
continue
# AST解析最新函数
ast_parser = ASTParser(file, lang)
latest_funcs = ast_parser.parse_functions()
# 生成函数唯一ID
for func in latest_funcs:
func["func_unique_id"] = generate_func_unique_id(
self.user_id, self.repo_id, self.branch,
file, func["class_name"], func["func_name"]
)
func["func_desc"] = self.generate_func_desc(func)
func["latest_commit_id"] = self.latest_commit_id
# 新增函数ID不在仓库函数ID中
if func["func_unique_id"] not in repo_func_ids:
add_funcs.append(func)
# 修改函数ID存在代码不一致
else:
modify_funcs.append(func)
# 处理删除文件过滤ChromaDB中该文件的所有函数ID
delete_func_ids = []
for file in delete_files:
rel_file_path = os.path.relpath(file, self.git_tool.local_repo_path).replace(os.sep, "_")
# 按文件路径过滤函数ID
del_funcs = collection.query(
where={"$and": [{"user_id": self.user_id}, {"repo_id": self.repo_id}, {"file_path": file}]},
ids_only=True
)
delete_func_ids.extend(del_funcs["ids"])
return {"ADD": add_funcs, "MODIFY": modify_funcs, "DELETE": list(set(delete_func_ids))}
# ChromaDB增量更新删→增修改函数先删后加
def _chroma_incremental_update(self, add_funcs: list, modify_funcs: list, delete_func_ids: list):
client = chromadb.HttpClient(host=settings.CHROMA_SERVER_HOST, port=settings.CHROMA_SERVER_PORT)
collection = client.get_collection(name=f"code_rag_{self.user_id}")
# 1. 删除函数:批量删除
if delete_func_ids:
collection.delete(ids=delete_func_ids)
# 2. 新增函数:向量化+批量添加
if add_funcs:
embeddings = self.vectorize_data(add_funcs)
self.save_to_chroma(add_funcs, embeddings)
# 3. 修改函数先删后加ChromaDB无更新API
if modify_funcs:
# 删除旧版本
old_func_ids = [func["func_unique_id"] for func in modify_funcs]
collection.delete(ids=old_func_ids)
# 添加新版本
embeddings = self.vectorize_data(modify_funcs)
self.save_to_chroma(modify_funcs, embeddings)
```
#### 3. 定时同步整合(修改`sync_service.py`
原仓库的`sync_service.py`实现了定时同步的核心逻辑,新增**Git数据源的同步调度**,在`sync_service.py`的main函数里启动所有的同步`GitSync`/`MySQLSync`/`FolderSync`
### 阶段4代码专属检索与生成查询阶段改造
核心实现**代码意图识别、查询优化、ChromaDB元数据过滤、代码专属Prompt生成**,修改原仓库的`main.py`中`/api/chat/stream`接口逻辑,复用原仓库的**流式响应**能力同时确保检索函数code_retrieve与`git_sync.py`存储逻辑完全适配,形成「存储-检索」闭环。
#### 1. 原仓库对接点
- 复用原仓库的**Ollama生成能力**和**流式响应逻辑**,仅修改**检索逻辑**和**Prompt模板**
- 复用原仓库的ChromaDB`query`方法,新增**元数据过滤条件**user_id/repo_id/branch
- 前端聊天界面新增**代码仓库/分支选择器**,传递仓库/分支参数到后端。
#### 2. 核心实现细节(修改`main.py`的聊天接口)
```Python
# 新增代码专属检索ChromaDB元数据过滤+向量匹配)- 已适配git_sync.py存储逻辑
def code_retrieve(user_id: str, repo_id: str, branch: str, query: str, top_k: int) -> list:
"""ChromaDB检索代码函数
核心逻辑通过用户查询生成embedding匹配存储的func_desc向量从metadatas中提取func_body贴合存储逻辑
适配性说明与git_sync.py存储逻辑对应
1. 向量匹配与git_sync.py中vectorize_data方法一致均调用BaseSync._ollama_embedding生成embedding确保检索与存储的向量逻辑统一
2. 元数据过滤where条件user_id/repo_id/branch与git_sync.py.save_to_chroma存入的metadatas字段完全对应确保数据隔离精准
3. 数据提取从metadatas提取func_body/file_path/func_name均为git_sync.py中明确存入的字段无字段缺失
4. 集合命名collection命名code_rag_{user_id}与git_sync.py中存储时的集合命名规则完全一致避免集合错乱。
返回包含func_body及溯源信息的列表供后续生成回答使用
"""
import chromadb
client = chromadb.HttpClient(host=settings.CHROMA_SERVER_HOST, port=settings.CHROMA_SERVER_PORT)
collection = client.get_collection(name=f"code_rag_{self.user_id}")
# 调用原仓库的向量化方法生成查询embedding与git_sync.py中func_desc向量化逻辑完全一致
from sync.base_sync import BaseSync
embedding = BaseSync(user_id)._ollama_embedding([query])[0]
# 元数据过滤:仅检索当前用户/仓库/分支与git_sync.py存入的metadatas字段精准对应
results = collection.query(
query_embeddings=[embedding], # 基于用户查询生成的embedding匹配git_sync.py存储的func_desc向量
n_results=top_k,
where={
"$and": [
{"user_id": user_id},
{"repo_id": repo_id},
{"branch": branch}
]
},
include=["metadatas"] # 明确指定获取metadatas对应git_sync.py中存储func_body的核心位置无需额外获取documents
)
# 从metadatas中提取func_body字段与git_sync.py存入的metadatas完全匹配确保能精准提取
retrieved_funcs = []
for metadata in results["metadatas"][0]: # results["metadatas"]是二维列表外层对应查询次数内层对应top-k结果
func_info = f"文件路径:{metadata['file_path']}
函数名:{metadata['func_name']}
函数代码:{metadata['func_body']}"
retrieved_funcs.append(func_info)
return retrieved_funcs # 返回提取的func_body列表替代原有的documents列表与git_sync.py存储逻辑闭环
# 适配性补充说明与git_sync.py存储逻辑强关联
def retrieve_storage_compatibility_check() -> bool:
"""校验code_retrieve与git_sync.py存储逻辑的适配性可用于启动时自检"""
# 1. 校验集合命名规则一致(确保检索与存储使用同一集合)
from sync.git_sync import GitSync
mock_sync = GitSync(user_id="test", repo_id="test_repo", git_config={})
sync_collection_name = f"code_rag_{mock_sync.user_id}"
retrieve_collection_name = f"code_rag_test"
if sync_collection_name != retrieve_collection_name:
raise Exception("适配异常code_retrieve与git_sync.py的ChromaDB集合命名规则不一致")
# 2. 校验元数据字段一致确保检索时提取的字段均在git_sync.py中已存入
sync_metadata_fields = ["user_id", "repo_id", "branch", "file_path", "func_name", "func_body"]
retrieve_extract_fields = ["file_path", "func_name", "func_body"]
for field in retrieve_extract_fields:
if field not in sync_metadata_fields:
raise Exception(f"适配异常code_retrieve提取的{field}字段未在git_sync.py存储逻辑中定义")
# 3. 校验向量化逻辑一致确保检索与存储的embedding生成方法统一
sync_embedding_logic = "基于func_desc调用BaseSync._ollama_embedding"
retrieve_embedding_logic = "基于用户query调用BaseSync._ollama_embedding"
if not sync_embedding_logic.split("调用")[1] == retrieve_embedding_logic.split("调用")[1]:
raise Exception("适配异常code_retrieve与git_sync.py的向量化方法不一致")
return True
# 新增构建代码专属Prompt
def build_code_prompt(optimized_query: str, retrieved_funcs: list) -> str:
"""复用文档的代码回答Prompt模板适配新的retrieved_funcsfunc_body列表"""
retrieved_context = "\n".join([f"{i+1}. {func}" for i, func in enumerate(retrieved_funcs)])
prompt = f"""
### 角色
你是资深程序员,负责解答用户关于指定代码仓库的技术问题,回答必须严格基于提供的代码上下文,不得编造代码/信息。
### 核心规则
1. 回答需「先给出核心结论,再补充详细解释」,逻辑清晰;
2. 若询问函数功能,需结合函数代码说明功能、参数作用、返回值意义;
3. 若询问实现逻辑,需逐行/分模块解析代码的执行流程;
4. 若询问使用方式,需给出具体的调用示例(基于函数参数);
5. 若提供的代码中无相关答案,明确告知「未检索到相关代码,无法解答」,不做猜测;
6. 代码相关的回答需附带「所属文件路径+函数名」,方便用户溯源。
### 检索到的相关代码(共{len(retrieved_funcs)}个,含完整函数体)
{retrieved_context}
### 用户问题
{optimized_query}
### 请输出你的回答
""".strip()
return prompt
```
## 三、前后端适配新增Git配置+代码聊天界面)
### 1. 后端接口扩展(修改`main.py`
在原仓库的数据源配置路由中,**新增Git类型的配置支持**,无需新增独立路由,仅在入参中判断`type: git`,示例:
```Python
# 修改/api/config/datasource的POST接口
@router.post("/config/datasource")
async def add_datasource(ds_config: DataSourceConfig):
if ds_config.type == "git":
from db_utils import add_git_datasource
add_git_datasource(ds_config.user_id, ds_config.git_config)
return {"code": 200, "msg": "Git数据源配置成功"}
elif ds_config.type == "mysql":
# 原仓库的MySQL配置逻辑
elif ds_config.type == "folder":
# 原仓库的文件夹配置逻辑
```
新增**Git仓库手动同步路由**
```Python
# 新增Git手动同步路由
@router.post("/sync/git")
async def sync_git(user_id: str, repo_id: str):
from db_utils import get_git_datasource
git_config = get_git_datasource(user_id, repo_id)
git_sync = GitSync(user_id, repo_id, git_config)
res = git_sync.run_incremental_sync()
return {"code": 200, "msg": res}
```
### 2. 前端适配(修改`static/config/`和`static/chat/`
#### 1配置界面新增Git配置表单
在`static/config/index.html`中嵌入`git-form.html`组件,实现**Git仓库地址、协议选择、SSH密钥/HTTPS令牌、分支、轮询间隔**的配置,新增:
- 协议选择SSH/HTTPS/git动态显示对应的凭证输入框SSH私钥/HTTPS令牌
- **Git配置验证按钮**:调用`/api/config/verify/git`接口,验证仓库地址和凭证的有效性;
- 分支输入框,默认填充`main/master`。
#### 2聊天界面
无需特别改动。
暂时对代码问答和基于其他知识库的问答不做区分。先简单粗暴把相关代码搜出来即可,让模型判断是否在回答中用搜出来的代码进行增强。
- 知识库检索:按照现在处理,即只是后台无差别检索。
- 围绕知识库回答按照现在处理即“根据参考消息x”。
## 四、配置与部署修改
### 1. 环境变量配置(修改`.env.example`
新增Git代码库相关的全局配置项所有配置通过`config.py`读取,示例:
```TOML
# Git代码库配置
GIT_LOCAL_STORAGE_ROOT=/opt/rag-code-repo # 本地Git仓库存储根目录
GIT_DEFAULT_BRANCH=main # 默认克隆分支
GIT_DEFAULT_POLL_INTERVAL=300 # 默认轮询间隔(秒)
CODE_TOP_K=5 # 代码检索top-k值
LIGHT_LLM_MODEL=qwen2:0.5b # 代码意图识别的轻量LLM模型
# SSH密钥加密配置
AES_KEY=xxxxxxxxxxxxxxxx # AES256加密密钥用于加密SSH/HTTPS凭证
```
### 2. Docker部署修改修改`Dockerfile`和`docker-compose.yml`
原仓库的Docker容器内需要执行Git命令因此**修改Dockerfile安装git**
```Dockerfile
# 原仓库的Dockerfile新增
RUN apt-get update && apt-get install -y git && apt-get clean
# 新建SSH临时目录
RUN mkdir -p /tmp/ssh && chmod 777 /tmp/ssh
```
`docker-compose.yml`中**挂载Git本地存储目录**,实现数据持久化:
```YAML
# 新增卷挂载
volumes:
- ./chroma_db_data:/chroma_db_data
- ./data:/data
- ./rag-code-repo:/opt/rag-code-repo # Git仓库存储目录
```
## 五、异常处理与性能优化(补充)
### 1. 核心异常处理(新增到`git_tool.py`和`git_sync.py`
按文档要求处理Git操作的常见异常示例
- **SSH密钥验证失败**:捕获`subprocess.CalledProcessError`,返回凭证无效提示;
- **Git强制推送**:检测到版本分叉时,执行`git fetch --force`,触发全量同步;
- **网络故障**:采用**指数退避重试**机制重试3次失败后暂停轮询
- **ChromaDB写入失败**捕获ChromaDB的API异常回滚操作记录告警日志。
### 2. 性能优化(复用文档建议)
- **异步分批次解析**大仓库首次解析时按文件分片借助Celery实现异步解析
- **Redis缓存**:将高频检索的函数向量/代码缓存到Redis减少ChromaDB查询压力
- **解析白名单**:支持用户配置需要解析的目录(如`src/`),忽略`node_modules/`/`dist/`等无效目录;
- **LLM描述缓存**函数代码未变更时复用原有LLM描述避免重复调用。
## 六、二次开发后整体流程验证
1. **前端配置**用户新增Git数据源填写仓库地址、SSH密钥、分支点击验证并保存
2. **首次同步**系统自动克隆Git仓库AST切片提取函数LLM生成描述向量化后存入ChromaDB
3. **增量同步**定时轮询远程Git仓库检测到新commit后增量拉取代码识别函数级增删改精准更新ChromaDB
4. **代码查询**用户在代码聊天界面提问系统识别代码意图优化查询后检索ChromaDB基于代码生成精准回答并流式返回。
本次开发完全**复用原仓库的核心架构和能力**仅做Git代码库的专属扩展保证了代码的兼容性和可维护性同时实现了文档中要求的**企业级代码RAG核心能力**。
> (注:文档部分内容可能由 AI 生成)

View File

@ -0,0 +1,201 @@
# 代码检索模块性能调优文档
## 1. 存储结构设计
### 1.1 核心设计原则
```
向量化文本: func_desc (函数描述,语义丰富)
元数据存储: func_body (完整函数代码,供问答使用)
```
### 1.2 存储格式
```python
Document(
text=func_desc, # 用于 embedding 的文本
metadata={
"func_body": "...", # 完整函数代码(核心)
"func_name": "...",
"file_path": "...",
"repo_id": "...",
# ... 其他元数据
}
)
```
## 2. 检索性能优化
### 2.1 Top-K 参数调优
| 场景 | 推荐 top_k | 说明 |
|------|-----------|------|
| 精确查找特定函数 | 3-5 | 减少噪声,提高精确度 |
| 探索性查询 | 10-15 | 获取更多上下文 |
| 复杂问题 | 20+ | 需要多个函数协作回答 |
### 2.2 元数据过滤
**优势**:在向量检索前过滤,减少计算量
```python
# 按仓库过滤
results = code_retrieve(query, repo_id="git_https___gitee_com_xxx")
# 按函数名精确查找
results = code_retrieve(query, func_name="push")
```
**性能提升**
- 无过滤:全库扫描 O(N)
- 有过滤:仅扫描子集 O(M)M << N
### 2.3 Embedding 模型选择
| 模型 | 维度 | 速度 | 适用场景 |
|------|------|------|----------|
| nomic-embed-text | 768 | 快 | 通用代码检索 |
| qwen3-embedding | 768 | 中等 | 中文代码理解 |
| text-embedding-3 | 1536 | 慢 | 高精度需求 |
## 3. 检索质量优化
### 3.1 函数描述生成策略
当前实现:
```python
def generate_func_desc(func_info):
parts = []
# 1. 函数类型和名称
if func_info.get("class_name"):
parts.append(f"{func_info['class_name']}类的{func_info['func_name']}方法")
else:
parts.append(f"{func_info['func_name']}函数")
# 2. 参数信息
if params:
parts.append(f"接收参数: {', '.join(param_str)}")
# 3. 返回值
if return_type:
parts.append(f"返回类型: {return_type}")
# 4. 文档字符串
if docstring:
parts.append(f"功能描述: {docstring}")
return ". ".join(parts)
```
**优化建议**
1. **添加函数调用关系**"调用 xx 函数"
2. **添加代码复杂度**"包含 xx 行代码"
3. **添加关键 API**"使用 requests 库"
### 3.2 相似度阈值
```python
# 过滤低质量结果
MIN_SIMILARITY_SCORE = 0.5
results = [r for r in results if r['score'] >= MIN_SIMILARITY_SCORE]
```
### 3.3 结果重排序
```python
def rerank_results(results, query):
"""
基于额外特征重排序:
1. 函数名匹配度
2. 文档字符串相关性
3. 代码长度适中度
"""
for r in results:
# 函数名完全匹配加分
if query.lower() in r['func_name'].lower():
r['score'] += 0.2
# 有文档字符串加分
if r['docstring']:
r['score'] += 0.1
return sorted(results, key=lambda x: x['score'], reverse=True)
```
## 4. 增量同步优化
### 4.1 变更检测
```python
def detect_changes(repo_path, last_sync_time):
"""
只检测变更的文件,避免全量扫描
"""
changed_files = []
for file in get_tracked_files(repo_path):
if get_file_mtime(file) > last_sync_time:
changed_files.append(file)
return changed_files
```
### 4.2 增量更新策略
1. **新增函数**:直接添加
2. **修改函数**:更新 embedding 和 metadata
3. **删除函数**:从向量库删除
## 5. 性能监控指标
### 5.1 关键指标
| 指标 | 目标值 | 监控方式 |
|------|--------|----------|
| 检索延迟 | < 500ms | 日志记录 |
| 准确率@5 | > 80% | 人工评估 |
| 覆盖率 | > 95% | 自动化测试 |
| 存储空间 | < 10GB | 系统监控 |
### 5.2 日志记录
```python
logger.info(f"[CodeRetrieve] 查询: '{query}', 找到 {len(results)} 个结果, 耗时 {elapsed_time:.2f}s")
```
## 6. 最佳实践
### 6.1 查询优化
**好的查询**
- "push 函数的功能是什么"
- "如何处理 GitHub issue"
- "webhook.py 中的 run 方法"
**差的查询**
- "代码"(太宽泛)
- "问题"(无针对性)
- "怎么写"(不明确)
### 6.2 索引维护
1. **定期重建索引**:每月一次
2. **清理孤立文档**:每周检查
3. **监控存储增长**:设置告警
## 7. 故障排查
### 7.1 检索不到结果
1. 检查向量库是否为空
2. 检查 embedding 模型是否正常
3. 检查查询文本是否有效
### 7.2 结果质量差
1. 检查 func_desc 生成质量
2. 调整 top_k 参数
3. 考虑更换 embedding 模型
### 7.3 性能下降
1. 检查 ChromaDB 连接
2. 检查 embedding 服务负载
3. 考虑增加缓存层

35
docs/手工debug记录.md Normal file
View File

@ -0,0 +1,35 @@
1. 没找到id。
错因:字典用的字段错了。
解法debug找到纠正。
2. metadata类型错误。
self.collection.add(
ids=valid_batch_ids,
embeddings=valid_batch_embeddings,
documents=valid_batch_texts,
metadatas=valid_batch_metadatas
)
Traceback (most recent call last):
File "<string>", line 1, in <module>
File "s:\research\RAG\.venv\Lib\site-packages\chromadb\api\models\Collection.py", line 106, in add
self._client._add(
~~~~~~~~~~~~~~~~~^
collection_id=self.id,
^^^^^^^^^^^^^^^^^^^^^^
...<6 lines>...
database=self.database,
^^^^^^^^^^^^^^^^^^^^^^^
)
^
File "s:\research\RAG\.venv\Lib\site-packages\chromadb\api\rust.py", line 452, in _add
return self.bindings.add(
~~~~~~~~~~~~~~~~~^
ids,
^^^^
...<6 lines>...
database,
^^^^^^^^^
)
^
TypeError: argument 'metadatas': Cannot convert Python object to MetadataValue
错因是因为valid_batch_metadatas 中包含了 None 值,而 ChromaDB 不允许 None 值作为元数据。
解法:将 None 值设置为 "None" 字符串。

@ -0,0 +1 @@
Subproject commit c22e97f255c92b61ad6014ef74ec662d9f5f6325

@ -0,0 +1 @@
Subproject commit 18ae6d9bcefae1a1b2d6d98ef002cdb9e823e834

@ -0,0 +1 @@
Subproject commit 31c3f4bc08e848cb34760d3cdf9065d385ecca14

BIN
install/V1.0.0.0.zip Normal file

Binary file not shown.

BIN
install/soffice.tar.gz Normal file

Binary file not shown.

View File

@ -174,7 +174,7 @@ class RAGEngine:
except:
pass
async def query_stream(self, query: str, history: str, top_k: Optional[int] = None) -> AsyncIterator[str]:
async def query_stream(self, query: str, history: str, top_k: Optional[int] = None, filters: Optional[dict] = None) -> AsyncIterator[str]:
"""
Query the RAG system and stream the response
@ -182,20 +182,25 @@ class RAGEngine:
query: User query string
history: Chat history string
top_k: Number of documents to retrieve (optional)
filters: Metadata filters for pre-filtering documents (optional)
Yields:
Response text chunks
"""
try:
# Create query engine with streaming mode
retriever = self.vector_store_manager.get_retriever(top_k=top_k or settings.TOP_K)
retriever = self.vector_store_manager.get_retriever(top_k=top_k or settings.TOP_K, filters=filters)
# query index
retrieved_nodes = await retriever.aretrieve(query)
# 2. 构建上下文
context_parts = []
for i, node in enumerate(retrieved_nodes[:top_k or settings.TOP_K], 1): # 限制数量
text = node.text if hasattr(node, 'text') else str(node)
# 优先使用metadata中的func_body字段
if hasattr(node, 'metadata') and 'func_body' in node.metadata:
text = node.metadata['func_body']
else:
text = node.text if hasattr(node, 'text') else str(node)
# 清理和截断
text = text.strip()
if len(text) > 400:
@ -233,7 +238,7 @@ class RAGEngine:
except Exception as e:
logger.error(f"Error in RAG query: {e}")
async def query(self, query: str, history: str, top_k: Optional[int] = None) -> str:
async def query(self, query: str, history: str, top_k: Optional[int] = None, filters: Optional[dict] = None) -> str:
"""
Query the RAG system and return complete response
@ -241,20 +246,25 @@ class RAGEngine:
query: User query string
history: Chat history string
top_k: Number of documents to retrieve (optional)
filters: Metadata filters for pre-filtering documents (optional)
Returns:
Complete response string
"""
try:
# Create query engine with streaming mode
retriever = self.vector_store_manager.get_retriever(top_k=top_k or settings.TOP_K)
retriever = self.vector_store_manager.get_retriever(top_k=top_k or settings.TOP_K, filters=filters)
# query index
retrieved_nodes = await retriever.aretrieve(query)
# 2. 构建上下文
context_parts = []
for i, node in enumerate(retrieved_nodes[:top_k or settings.TOP_K], 1): # 限制数量
text = node.text if hasattr(node, 'text') else str(node)
# 优先使用metadata中的func_body字段
if hasattr(node, 'metadata') and 'func_body' in node.metadata:
text = node.metadata['func_body']
else:
text = node.text if hasattr(node, 'text') else str(node)
# 清理和截断
text = text.strip()
if len(text) > 400:

View File

@ -695,10 +695,17 @@ class VectorStoreManager:
logger.error(f"写入剩余文档到 ChromaDB 失败: {write_error}")
total_elapsed = time.time() - start_time
logger.info(
f"[Embedding进度] ✓ 单个生成完成: 成功写入 {total_added}/{total_count} 个文档 "
f"(耗时: {total_elapsed:.1f}秒, 平均: {total_elapsed/total_added*1000:.1f}ms/个, 跳过: {skipped_count}个)"
)
if total_added > 0:
avg_time = total_elapsed/total_added*1000
logger.info(
f"[Embedding进度] ✓ 单个生成完成: 成功写入 {total_added}/{total_count} 个文档 "
f"(耗时: {total_elapsed:.1f}秒, 平均: {avg_time:.1f}ms/个, 跳过: {skipped_count}个)"
)
else:
logger.info(
f"[Embedding进度] ✓ 单个生成完成: 成功写入 {total_added}/{total_count} 个文档 "
f"(耗时: {total_elapsed:.1f}秒, 跳过: {skipped_count}个)"
)
if total_added == 0:
raise ValueError(f"Failed to add any valid documents to ChromaDB: {e}")
@ -815,12 +822,64 @@ class VectorStoreManager:
logger.warning(f"Error checking document count: {e}")
return False
def get_retriever(self, top_k: int = None):
def extract_filters_from_query(self, query: str) -> dict:
"""
从查询中提取元数据筛选条件
Args:
query: 用户查询字符串
Returns:
提取的元数据筛选条件字典
"""
import re
filters = {}
# 提取文件路径筛选条件
# 模式1直接的文件路径以常见代码文件扩展名结尾
file_path_pattern = r'\b([\w\-/\\]+\.(?:py|java|go|js|ts|jsx|tsx|c|cpp|h|hpp|cs|rs|php|rb|swift|kt|scala))\b'
file_path_matches = re.findall(file_path_pattern, query)
if file_path_matches:
filters['file_path'] = file_path_matches[0]
# 提取函数名筛选条件
# 模式:"函数名" + "函数" 或 "方法"
func_name_pattern = r'(\w+)\s*(?:函数|方法)'
func_name_matches = re.findall(func_name_pattern, query)
if func_name_matches:
filters['func_name'] = func_name_matches[0]
# 提取类名筛选条件
# 模式:"类" + "类名"
class_name_pattern = r'类[:]\s*(\w+)'
class_name_matches = re.findall(class_name_pattern, query)
if class_name_matches:
filters['class_name'] = class_name_matches[0]
# 提取仓库ID筛选条件
# 模式:"仓库" + "名称"
repo_id_pattern = r'仓库[:]\s*(\w+)'
repo_id_matches = re.findall(repo_id_pattern, query)
if repo_id_matches:
filters['repo_id'] = repo_id_matches[0]
# 提取语言筛选条件
# 模式:"语言" + "语言名称"
lang_pattern = r'语言[:]\s*(\w+)'
lang_matches = re.findall(lang_pattern, query)
if lang_matches:
filters['lang'] = lang_matches[0]
return filters
def get_retriever(self, top_k: int = None, filters: dict = None, query: str = None):
"""
Get a retriever for querying the vector store
Args:
top_k: Number of documents to retrieve (defaults to settings.TOP_K)
filters: Metadata filters for retrieval, e.g., {"repo_id": "test_repo", "lang": "python"}
query: User query string to extract filters from
Returns:
VectorStoreRetriever instance
@ -834,7 +893,25 @@ class VectorStoreManager:
if top_k is None:
top_k = settings.TOP_K
retriever = self.index.as_retriever(similarity_top_k=top_k)
# 从查询中提取筛选条件
extracted_filters = {}
if query:
extracted_filters = self.extract_filters_from_query(query)
if extracted_filters:
print(f"从查询中提取的筛选条件: {extracted_filters}")
# 合并筛选条件
final_filters = {}
if filters:
final_filters.update(filters)
if extracted_filters:
final_filters.update(extracted_filters)
# Create retriever with optional filters
retriever = self.index.as_retriever(
similarity_top_k=top_k,
filter=final_filters if final_filters else None
)
return retriever
def reset(self):
@ -877,3 +954,61 @@ class VectorStoreManager:
except Exception as e:
logger.error(f"获取db_source({target_db_source}) metadata中content_column失败: {e}")
return ''
def list_documents(self, limit: int = 100, filters: dict = None) -> List[Dict[str, Any]]:
"""
列出向量库中的文档
Args:
limit: 限制返回的文档数量
filters: 元数据过滤条件 {"repo_id": "test_repo", "lang": "python"}
Returns:
文档列表每个文档包含id文本和元数据
"""
try:
# 获取文档
results = self.collection.get(
where=filters,
include=['documents', 'metadatas'],
limit=limit
)
documents = []
ids = results.get('ids', [])
texts = results.get('documents', [])
metadatas = results.get('metadatas', [])
for i, doc_id in enumerate(ids):
doc = {
'id': doc_id,
'text': texts[i] if i < len(texts) else '',
'metadata': metadatas[i] if i < len(metadatas) else {}
}
documents.append(doc)
logger.info(f"列出了 {len(documents)} 个文档")
return documents
except Exception as e:
logger.error(f"列出文档失败: {e}")
return []
def get_collection_stats(self) -> Dict[str, Any]:
"""
获取向量库统计信息
Returns:
统计信息包括文档数量向量维度等
"""
try:
count = self.collection.count()
stats = {
'document_count': count,
'collection_name': settings.CHROMA_COLLECTION_NAME,
'chroma_db_path': settings.CHROMA_DB_PATH if not settings.CHROMA_SERVER_HOST else f"{settings.CHROMA_SERVER_HOST}:{settings.CHROMA_SERVER_PORT}"
}
logger.info(f"向量库统计: {stats}")
return stats
except Exception as e:
logger.error(f"获取统计信息失败: {e}")
return {}

View File

@ -19,6 +19,7 @@
<option value="">选择类型</option>
<option value="database">数据库</option>
<option value="folder">文件夹</option>
<option value="git">Git代码库</option>
</select>
</div>
</div>
@ -75,6 +76,7 @@
<select id="configType" name="type" required>
<option value="database">数据库 (database)</option>
<option value="folder">文件夹 (folder)</option>
<option value="git">Git代码库 (git)</option>
</select>
</div>
<div class="form-group" id="dbTypeGroup" style="display: none;">

View File

@ -224,6 +224,7 @@ function generateConfigForm(config) {
<select id="formType" disabled>
<option value="database" ${config.type === 'database' ? 'selected' : ''}>数据库 (database)</option>
<option value="folder" ${config.type === 'folder' ? 'selected' : ''}>文件夹 (folder)</option>
<option value="git" ${config.type === 'git' ? 'selected' : ''}>Git代码库 (git)</option>
</select>
</div>
`;
@ -285,6 +286,48 @@ function generateConfigForm(config) {
bindFolderEvents();
}
// Git代码库配置
if (config.type === 'git') {
const gitSection = document.createElement('div');
gitSection.innerHTML = `
<h3 class="section-title">Git代码库配置</h3>
<div class="form-group">
<label for="formGitUrl">Git仓库地址 <span class="required">*</span></label>
<input type="text" id="formGitUrl" value="${config.git_url || ''}" required>
</div>
<div class="form-group">
<label for="formBranch">分支名称</label>
<input type="text" id="formBranch" value="${config.branch || 'main'}">
</div>
<div class="form-group">
<label for="formProtocol">协议类型</label>
<select id="formProtocol">
<option value="https" ${config.protocol === 'https' ? 'selected' : ''}>HTTPS</option>
<option value="ssh" ${config.protocol === 'ssh' ? 'selected' : ''}>SSH</option>
</select>
</div>
<div class="form-group" id="httpsTokenGroup">
<label for="formHttpsToken">HTTPS令牌</label>
<input type="password" id="formHttpsToken" value="${config.https_token || ''}">
</div>
<div class="form-group" id="sshKeyGroup" style="display: none;">
<label for="formSshKey">SSH私钥</label>
<textarea id="formSshKey" rows="10" value="${config.ssh_key || ''}">${config.ssh_key || ''}</textarea>
</div>
<div class="form-group">
<label for="formPollInterval">轮询间隔</label>
<input type="number" id="formPollInterval" value="${config.poll_interval || 300}" min="60" max="3600">
</div>
<div class="form-actions">
<button type="button" id="testGitConnectionBtn" class="btn secondary" style="margin-top: 10px;">🔌 测试Git连接</button>
</div>
`;
formElement.appendChild(gitSection);
// 绑定事件
bindGitEvents();
}
if (config.type === 'database') {
// 数据库连接配置(放在前面,方便先测试连接)
const connectionSection = document.createElement('div');
@ -1085,6 +1128,16 @@ async function handleAddConfigDirectly() {
username: '',
password: ''
};
} else if (configType === 'git') {
tempConfig = {
type: configType,
git_url: '',
branch: 'main',
protocol: 'https',
https_token: '',
ssh_key: '',
poll_interval: 300
};
} else {
alert('不支持的配置类型');
return;
@ -1217,12 +1270,17 @@ async function saveConfig() {
// 文件夹folder_主机_文件夹路径替换特殊字符
const folderName = formData.folder_path ? formData.folder_path.replace(/[\\/:*?"<>|]/g, '_') : 'unknown';
generatedName = `folder_${formData.host || 'unknown'}_${folderName}`;
} else if (formData.type === 'git') {
// Git配置git_仓库地址替换特殊字符
const repoName = formData.git_url ? formData.git_url.replace(/[\\/:*?"<>|]/g, '_') : 'unknown';
generatedName = `git_${repoName}_${formData.branch || 'main'}`;
} else {
// 不支持的配置类型
alert('不支持的配置类型');
return;
}
formData.name = generatedName;
}
// 根据不同类型检查特定字段
@ -1243,6 +1301,10 @@ async function saveConfig() {
if (!formData.port) missingFields.push('端口');
if (!formData.username) missingFields.push('用户名');
if (!formData.password) missingFields.push('密码');
} else if (formData.type === 'git') {
if (!formData.git_url) missingFields.push('Git仓库地址');
if (!formData.branch) missingFields.push('分支名称');
if (!formData.protocol) missingFields.push('协议类型');
}
// 如果有缺失的字段,提示用户
@ -1417,6 +1479,16 @@ function collectFormData() {
}
// Git配置
if (formData.type === 'git') {
formData.git_url = document.getElementById('formGitUrl').value;
formData.branch = document.getElementById('formBranch').value;
formData.protocol = document.getElementById('formProtocol').value;
formData.https_token = document.getElementById('formHttpsToken').value;
formData.ssh_key = document.getElementById('formSshKey').value;
formData.poll_interval = parseInt(document.getElementById('formPollInterval').value);
}
return formData;
}
@ -1468,6 +1540,81 @@ async function confirmDeleteConfig() {
}
}
// Git事件绑定函数
function bindGitEvents() {
// 协议切换逻辑
const protocolSelect = document.getElementById('formProtocol');
const httpsTokenGroup = document.getElementById('httpsTokenGroup');
const sshKeyGroup = document.getElementById('sshKeyGroup');
protocolSelect.addEventListener('change', function() {
const protocol = this.value;
if (protocol === 'https') {
httpsTokenGroup.style.display = 'block';
sshKeyGroup.style.display = 'none';
} else if (protocol === 'ssh') {
httpsTokenGroup.style.display = 'none';
sshKeyGroup.style.display = 'block';
}
});
// 触发一次change事件确保初始状态正确
protocolSelect.dispatchEvent(new Event('change'));
// 测试Git连接
document.getElementById('testGitConnectionBtn')?.addEventListener('click', async () => {
try {
const gitUrl = document.getElementById('formGitUrl').value;
const branch = document.getElementById('formBranch').value;
const protocol = document.getElementById('formProtocol').value;
const httpsToken = document.getElementById('formHttpsToken').value;
const sshKey = document.getElementById('formSshKey').value;
if (!gitUrl) {
alert('请填写Git仓库地址');
return;
}
// 禁用按钮
const btn = document.getElementById('testGitConnectionBtn');
const originalText = btn.textContent;
btn.textContent = '🔌 测试中...';
btn.disabled = true;
// 发送请求
const response = await fetch('/git/test-connection', {
method: 'POST',
headers: {
'Content-Type': 'application/json'
},
body: JSON.stringify({
git_url: gitUrl,
branch: branch,
protocol: protocol,
https_token: httpsToken,
ssh_key: sshKey
})
});
if (response.ok) {
const result = await response.json();
alert('Git连接测试成功');
} else {
const errorData = await response.json();
throw new Error(errorData.detail || '连接失败');
}
} catch (error) {
alert('Git连接测试失败: ' + error.message);
} finally {
// 恢复按钮
const btn = document.getElementById('testGitConnectionBtn');
btn.textContent = '🔌 测试Git连接';
btn.disabled = false;
}
});
}
// 为文件夹配置添加事件绑定
function bindFolderEvents() {
// 测试SSH连接

235
sync/ast_parser.py Normal file
View File

@ -0,0 +1,235 @@
"""
代码AST解析工具类
实现跨语言函数级切片
"""
import ast
import os
from typing import List, Dict, Optional
from loguru import logger
class ASTParser:
def __init__(self, file_path: str, lang: str):
"""
初始化AST解析器
Args:
file_path: 文件路径
lang: 编程语言
"""
self.file_path = file_path
self.lang = lang
self.func_list: List[Dict] = [] # 提取的函数列表
def parse_functions(self) -> List[Dict]:
"""
统一入口根据语言调用对应解析方法
Returns:
List[Dict]: 函数信息列表
"""
if not os.path.exists(self.file_path):
raise Exception(f"文件不存在: {self.file_path}")
# 读取文件内容
try:
with open(self.file_path, "r", encoding="utf-8") as f:
self.code = f.read()
except Exception as e:
logger.error(f"读取文件失败: {e}")
raise
# 按语言解析
if self.lang == "python":
self._parse_python()
elif self.lang == "java":
self._parse_java()
elif self.lang == "go":
self._parse_go()
elif self.lang == "javascript" or self.lang == "typescript":
self._parse_javascript()
else:
logger.warning(f"暂不支持的编程语言: {self.lang}")
logger.info(f"解析文件 {self.file_path},提取到 {len(self.func_list)} 个函数")
return self.func_list
def _parse_python(self):
"""
解析Python代码
"""
try:
tree = ast.parse(self.code)
for node in ast.walk(tree):
# 提取函数定义(普通函数/类方法/异步函数)
if isinstance(node, ast.FunctionDef) or isinstance(node, ast.AsyncFunctionDef):
func_info = self._extract_python_func_info(node)
self.func_list.append(func_info)
except SyntaxError as e:
logger.error(f"Python代码语法错误: {e}")
raise Exception(f"Python代码语法错误: {e}")
def _extract_python_func_info(self, node) -> Dict:
"""
提取Python函数的标准化信息
Args:
node: AST节点
Returns:
Dict: 函数信息
"""
# 提取函数名
func_name = node.name
# 提取参数
params = []
for arg in node.args.args:
param_info = {
"name": arg.arg,
"type": None
}
# 提取类型注解
if arg.annotation:
try:
param_info["type"] = ast.unparse(arg.annotation)
except Exception:
pass
params.append(param_info)
# 提取返回值类型
return_type = None
if node.returns:
try:
return_type = ast.unparse(node.returns)
except Exception:
pass
# 提取函数体代码
func_body = self._get_func_body(node)
# 提取所属类名
class_name = None
parent = node
while hasattr(parent, "parent"):
parent = parent.parent
if isinstance(parent, ast.ClassDef):
class_name = parent.name
break
# 提取函数文档字符串
docstring = ast.get_docstring(node)
return {
"file_path": self.file_path,
"lang": "python",
"func_name": func_name,
"class_name": class_name,
"params": params,
"return_type": return_type,
"func_body": func_body,
"docstring": docstring,
"start_line": node.lineno,
"end_line": node.end_lineno
}
def _parse_java(self):
"""
解析Java代码
注意这里使用简单的正则解析实际项目中建议使用专业的Java解析库
"""
logger.warning("Java解析功能暂未完全实现使用简单的正则解析")
# TODO: 实现Java代码的AST解析
def _parse_go(self):
"""
解析Go代码
注意这里使用简单的正则解析实际项目中建议使用专业的Go解析库
"""
logger.warning("Go解析功能暂未完全实现使用简单的正则解析")
# TODO: 实现Go代码的AST解析
def _parse_javascript(self):
"""
解析JavaScript/TypeScript代码
注意这里使用简单的正则解析实际项目中建议使用专业的JS解析库
"""
logger.warning("JavaScript解析功能暂未完全实现使用简单的正则解析")
# TODO: 实现JavaScript代码的AST解析
def _get_func_body(self, node) -> str:
"""
获取函数体代码
Args:
node: AST节点
Returns:
str: 函数体代码
"""
try:
# 使用ast.unparse获取函数体代码
return ast.unparse(node)
except Exception:
# 降级方案:根据行号提取代码
lines = self.code.splitlines()
start_line = node.lineno - 1 # 转换为0-based索引
end_line = node.end_lineno # 转换为0-based索引
if start_line >= 0 and end_line <= len(lines):
return "\n".join(lines[start_line:end_line])
return ""
@staticmethod
def detect_language(file_path: str) -> Optional[str]:
"""
根据文件扩展名检测编程语言
Args:
file_path: 文件路径
Returns:
Optional[str]: 编程语言
"""
ext = os.path.splitext(file_path)[1].lower()
lang_map = {
".py": "python",
".java": "java",
".go": "go",
".js": "javascript",
".ts": "typescript",
".jsx": "javascript",
".tsx": "typescript",
".c": "c",
".cpp": "cpp",
".h": "c",
".hpp": "cpp",
".cs": "csharp",
".rs": "rust",
".php": "php",
".rb": "ruby",
".swift": "swift",
".kt": "kotlin",
".scala": "scala"
}
return lang_map.get(ext)
@staticmethod
def parse_file(file_path: str) -> List[Dict]:
"""
静态方法解析文件
Args:
file_path: 文件路径
Returns:
List[Dict]: 函数信息列表
"""
lang = ASTParser.detect_language(file_path)
if not lang:
logger.warning(f"无法检测文件类型: {file_path}")
return []
parser = ASTParser(file_path, lang)
return parser.parse_functions()

View File

@ -105,19 +105,20 @@ class BaseSync(ABC):
"""
pass
@abstractmethod
def doc_to_llamaindex_doc(self, doc: Dict) -> 'Document':
"""
Convert data source document to LlamaIndex Document
Args:
doc: Document from the data source
Returns:
LlamaIndex Document object
"""
pass
# @abstractmethod
# def doc_to_llamaindex_doc(self, doc: Dict) -> 'Document':
# """
# Convert data source document to LlamaIndex Document
#
# Args:
# doc: Document from the data source
#
# Returns:
# LlamaIndex Document object
# """
# pass
def process_documents(self, docs: List[Dict]) -> List['Document']:
"""
Process multiple documents into LlamaIndex Documents
@ -134,7 +135,7 @@ class BaseSync(ABC):
for doc in docs:
try:
llamaindex_doc = self.doc_to_llamaindex_doc(doc)
if len(llamaindex_doc.text.strip()) >= 100:
if len(llamaindex_doc.text.strip()) >= 20:
documents.append(llamaindex_doc)
else:
logger.warning(f"跳过过短文档 (id: {llamaindex_doc.id_}),内容长度: {len(llamaindex_doc.text)} 字符")
@ -164,7 +165,7 @@ class BaseSync(ABC):
from config import settings
node_parser = SentenceSplitter(
chunk_size=settings.CHUNK_SIZE,
chunk_size=settings.CHUNK_SIZE, #NOTE: 从settings中获取默认1024
chunk_overlap=settings.CHUNK_OVERLAP
)
@ -285,7 +286,7 @@ def get_sync_class(source_type: str, db_type: str = 'mysql') -> type[BaseSync]:
Get the appropriate sync class based on data source type
Args:
source_type: Type of data source (database, folder)
source_type: Type of data source (database, folder, git)
db_type: Type of database (mysql, dameng, etc.) - only used when source_type is 'database'
Returns:
@ -297,6 +298,7 @@ def get_sync_class(source_type: str, db_type: str = 'mysql') -> type[BaseSync]:
from sync.mysql_sync import MySQLSync
from sync.folder_sync import FolderSync
from sync.dameng_sync import DaMengSync
from sync.git_sync import GitSync
if source_type == 'database':
# 根据数据库类型选择相应的同步类
@ -307,5 +309,7 @@ def get_sync_class(source_type: str, db_type: str = 'mysql') -> type[BaseSync]:
return MySQLSync
elif source_type == 'folder':
return FolderSync
elif source_type == 'git':
return GitSync
else:
raise ValueError(f"Unsupported data source type: {source_type}")

View File

@ -260,6 +260,9 @@ class FolderSync(BaseSync):
# Create SFTP client
self._sftp_client = self._ssh_client.open_sftp()
# 检测服务器操作系统类型,确定路径分隔符
self._detect_server_os()
except paramiko.AuthenticationException:
raise Exception(f"SSH connection failed: Authentication failed for user {username} on {self.config.host}")
except paramiko.SSHException as ssh_error:
@ -267,6 +270,32 @@ class FolderSync(BaseSync):
except Exception as e:
raise Exception(f"Connection failed: {str(e)}")
def _detect_server_os(self):
"""
检测服务器操作系统类型确定路径分隔符
"""
try:
# 尝试执行uname命令Linux/Unix系统
stdin, stdout, stderr = self._ssh_client.exec_command('uname')
output = stdout.read().decode('utf-8').strip().lower()
if output:
# Linux/Unix系统
self._path_sep = '/'
else:
# 尝试执行ver命令Windows系统
stdin, stdout, stderr = self._ssh_client.exec_command('ver')
output = stdout.read().decode('utf-8').strip().lower()
if 'windows' in output:
# Windows系统
self._path_sep = '\\'
else:
# 默认使用正斜杠大多数SFTP服务器支持
self._path_sep = '/'
except Exception:
# 如果命令执行失败,默认使用正斜杠
self._path_sep = '/'
def _disconnect(self):
"""
Disconnect from the server
@ -309,7 +338,8 @@ class FolderSync(BaseSync):
items = self._sftp_client.listdir_attr(folder_path)
for item in items:
item_path = os.path.join(folder_path, item.filename)
# 使用检测到的路径分隔符连接路径
item_path = f"{folder_path}{getattr(self, '_path_sep', '/')}{item.filename}"
if item.filename not in ('.', '..'):
if item.st_mode & 0o040000: # Check if it's a directory
@ -335,8 +365,8 @@ class FolderSync(BaseSync):
if not hasattr(self.config, 'ignore_patterns') or not self.config.ignore_patterns:
return False
# Get relative path from folder root
relative_path = os.path.relpath(file_path, self.config.folder_path)
# Get relative path from folder root and ensure forward slashes for pattern matching
relative_path = os.path.relpath(file_path, self.config.folder_path).replace('\\', '/')
for pattern in self.config.ignore_patterns:
if self._match_pattern(relative_path, pattern):

363
sync/git_sync.py Normal file
View File

@ -0,0 +1,363 @@
"""
Git代码库同步子类
继承BaseSync实现代码拉取/增量同步/函数解析
"""
import os
from typing import List, Dict, Any, Set, Optional
from datetime import datetime
from loguru import logger
from config import BaseDataSourceConfig, GitDataSourceConfig, settings
from sync.base_sync import BaseSync
from sync.ast_parser import ASTParser
from utils.git_tool import GitTool
from utils.func_id_generator import generate_func_unique_id
class GitSync(BaseSync):
def __init__(self, config: GitDataSourceConfig, vector_store_manager=None):
"""
初始化Git同步器
Args:
config: Git数据源配置
vector_store_manager: 向量存储管理器
"""
super().__init__(config, vector_store_manager)
self.config = config
# 初始化Git工具
self.git_tool = GitTool(
user_id="default", # 暂时使用默认用户ID
repo_id=config.name,
git_config={
"git_url": config.git_url,
"branch": config.branch,
"ssh_key": config.ssh_key,
"https_token": config.https_token,
"local_repo_path": config.local_repo_path
}
)
def fetch_all_documents(self) -> List[Dict[str, Any]]:
"""
获取所有文档函数
Returns:
List[Dict[str, Any]]: 函数信息列表
"""
# 克隆仓库
self.git_tool.clone_repo()
# 扫描仓库文件
func_list = []
support_lang = self.git_tool._detect_support_lang()
for root, dirs, files in os.walk(self.git_tool.local_repo_path):
# 跳过.git目录
if ".git" in dirs:
dirs.remove(".git")
for file in files:
file_path = os.path.join(root, file)
# 检测文件语言
lang = ASTParser.detect_language(file_path)
if lang and lang in support_lang:
# 解析文件中的函数
parser = ASTParser(file_path, lang)
try:
functions = parser.parse_functions()
# 为每个函数生成doc_id并设置到字典中
for func in functions:
# 生成唯一的文档ID
func_id = generate_func_unique_id(
user_id="default",
repo_id=self.config.name,
branch=self.config.branch,
file_path=func["file_path"],
class_name=func.get("class_name"),
func_name=func["func_name"]
)
func['id'] = func_id
func_list.extend(functions)
except Exception as e:
logger.error(f"解析文件失败 {file_path}: {e}")
logger.info(f"获取到 {len(func_list)} 个函数")
return func_list
def doc_to_llamaindex_doc(self, doc: Dict) -> 'Document':
"""
转换函数信息为LlamaIndex Document
Args:
doc: 函数信息
Returns:
Document: LlamaIndex Document对象
"""
from llama_index.core import Document
# 生成函数唯一ID
func_id = doc.get('id')
# 生成函数描述
func_desc = self.generate_func_desc(doc)
# 获取函数体
func_body = doc.get("func_body", "")
# 创建Document对象
document = Document(
text=func_desc, # 使用描述作为文本
id_=func_id,
metadata={
"func_id": func_id,
"func_name": doc["func_name"],
"class_name": doc.get("class_name") if doc.get("class_name")!=None else "None",
"file_path": doc["file_path"],
"lang": doc["lang"],
"params": len(doc.get("params", [])), # 只存储参数数量,不存储完整参数列表
"return_type": doc.get("return_type") if doc.get("return_type")!=None else "None",
"docstring": (doc.get("docstring") or "")[:200], # 进一步限制文档字符串长度
"start_line": doc.get("start_line"),
"end_line": doc.get("end_line"),
"repo_id": self.config.name,
"branch": self.config.branch,
"func_body": func_body[:1000] # 限制函数体长度避免metadata过长
}
)
return document
def generate_func_desc(self, func_info: Dict) -> str:
"""
生成函数描述
Args:
func_info: 函数信息
Returns:
str: 函数描述
"""
# 构建函数描述
parts = []
# 函数类型
if func_info.get("class_name"):
parts.append(f"{func_info['class_name']}类的{func_info['func_name']}方法")
else:
parts.append(f"{func_info['func_name']}函数")
# 参数信息
params = func_info.get("params", [])
if params:
param_str = []
for param in params:
if param.get("type"):
param_str.append(f"{param['name']}: {param['type']}")
else:
param_str.append(param['name'])
parts.append(f"接收参数: {', '.join(param_str)}")
# 返回值信息
return_type = func_info.get("return_type")
if return_type:
parts.append(f"返回类型: {return_type}")
# 文档字符串
docstring = func_info.get("docstring")
if docstring:
parts.append(f"功能描述: {docstring.strip()}")
else:
# 如果没有文档字符串,使用本地大模型根据函数体生成描述
parts.append(f"功能描述: {self._generate_docstring_from_body(func_info.get('func_body', ''))}")
return ". ".join(parts)
def _generate_docstring_from_body(self, func_body: str) -> str:
"""
使用本地大模型根据函数体生成文档字符串
Args:
func_body: 函数体代码
Returns:
str: 生成的文档字符串
"""
if not func_body:
return "无文档字符串"
try:
from config import settings
from llama_index.llms.ollama import Ollama
# 初始化Ollama LLM
llm = Ollama(
model=settings.OLLAMA_MODEL,
base_url=settings.OLLAMA_BASE_URL,
temperature=0.3, # 降低温度,生成更确定的结果
request_timeout=300.0
)
# 构建提示词
prompt = f"""
请为以下函数生成简洁的文档字符串描述其功能参数和返回值
{func_body}
要求
1. 语言简洁明了不超过100字
2. 只返回文档字符串内容不要包含其他内容
3. 重点描述函数的核心功能
"""
# 生成文档字符串
response = llm.complete(prompt)
generated_docstring = response.text.strip()
# 限制长度
if len(generated_docstring) > 200:
generated_docstring = generated_docstring[:200] + "..."
logger.debug(f"生成的文档字符串: {generated_docstring}")
return generated_docstring
except Exception as e:
logger.error(f"生成文档字符串失败: {e}")
# 降级方案:返回基于函数名的简单描述
return "执行相关操作的函数"
def fetch_new_documents(self, last_sync_time=None) -> List[Dict[str, Any]]:
"""
获取新文档增量同步
Args:
last_sync_time: 上次同步时间
Returns:
List[Dict[str, Any]]: 新函数信息列表
"""
# 检测远程更新
has_update, local_commit, remote_commit = self.git_tool.detect_remote_update()
if not has_update:
logger.info("Git仓库无更新")
return []
# 增量拉取
delta_files = self.git_tool.incremental_pull(local_commit, remote_commit)
# 解析新增/修改的文件
func_list = []
for file_path in delta_files.get("ADD", []) + delta_files.get("MODIFY", []):
lang = ASTParser.detect_language(file_path)
if lang:
parser = ASTParser(file_path, lang)
try:
functions = parser.parse_functions()
# 为每个函数生成doc_id并设置到字典中
for func in functions:
# 生成唯一的文档ID
func_id = generate_func_unique_id(
user_id="default",
repo_id=self.config.name,
branch=self.config.branch,
file_path=func["file_path"],
class_name=func.get("class_name"),
func_name=func["func_name"]
)
func['id'] = func_id
func_list.extend(functions)
except Exception as e:
logger.error(f"解析文件失败 {file_path}: {e}")
logger.info(f"增量同步获取到 {len(func_list)} 个函数")
return func_list
def get_synced_document_ids(self) -> Set[str]:
"""
获取已同步的文档ID
Returns:
Set[str]: 文档ID集合
"""
# 从向量存储中获取已同步的函数ID
if not self.vector_store_manager:
return set()
try:
# 获取所有已存在的文档ID
all_doc_ids = self.vector_store_manager.get_existing_doc_ids()
# 过滤出与当前Git仓库相关的文档ID
synced_ids = set()
# 获取所有文档的元数据,用于过滤
results = self.vector_store_manager.collection.get(include=['metadatas'])
metadatas = results.get('metadatas', [])
ids = results.get('ids', [])
for doc_id, metadata in zip(ids, metadatas):
if metadata and metadata.get('repo_id') == self.config.name:
synced_ids.add(doc_id)
logger.info(f"获取到 {len(synced_ids)} 个已同步的Git函数ID")
return synced_ids
except Exception as e:
logger.error(f"获取已同步文档ID失败: {e}")
return set()
def generate_doc_id(self, identifier: str) -> str:
"""
生成唯一的文档ID
Args:
identifier: 文档的唯一标识符文件路径等
Returns:
str: 唯一的文档ID
"""
from utils.func_id_generator import generate_func_unique_id
# 对于Git数据源使用函数唯一ID生成器
# 假设identifier是文件路径
return generate_func_unique_id(
user_id="default",
repo_id=self.config.name,
branch=self.config.branch,
file_path=identifier,
class_name="",
func_name=identifier.split('/')[-1].split('.')[0]
)
@staticmethod
def check_data_source_exists(config: BaseDataSourceConfig) -> bool:
"""
检查数据源是否存在
Args:
config: 数据源配置
Returns:
bool: 是否存在
"""
try:
# 尝试克隆仓库
git_tool = GitTool(
user_id="default",
repo_id=config.name,
git_config={
"git_url": config.git_url,
"branch": config.branch,
"ssh_key": config.ssh_key,
"https_token": config.https_token
}
)
git_tool.clone_repo()
logger.info(f"Git数据源检查成功: {config.name}")
return True
except Exception as e:
logger.error(f"Git数据源检查失败: {e}")
return False

View File

@ -197,6 +197,35 @@ class SyncService:
chunked_docs = self.syncer.chunk_documents(processed_docs)
all_chunked_docs.extend(chunked_docs)
# Update last sync time
self.last_sync_time = datetime.now()
elif self.source_config.type == "git":
if not force:
new_documents = []
for doc in documents:
# 检查服务运行状态:仅在非手动同步时检查
if not is_manual and not self._running:
logger.info(f"Sync interrupted during document filtering: {self.source_name}")
return all_chunked_docs, total_docs, skipped_docs_count # 返回结果,不退出程序
doc_id = doc.get('id')
if not self.vector_store_manager.document_exists(doc_id):
new_documents.append(doc)
else:
skipped_docs_count += 1
if not new_documents:
self.last_sync_time = datetime.now()
return all_chunked_docs, total_docs, skipped_docs_count
documents = new_documents
# Process and chunk documents
processed_docs = self.syncer.process_documents(documents)
chunked_docs = self.syncer.chunk_documents(processed_docs)
all_chunked_docs.extend(chunked_docs)
# Update last sync time
self.last_sync_time = datetime.now()
else:
@ -358,7 +387,7 @@ class SyncService:
return
max_restart_attempts = 10 # Maximum number of restart attempts
restart_delay = 60 # Wait 60 seconds before restarting after an error
restart_delay = settings.SYNC_INTERVAL # Wait 60 seconds before restarting after an error
restart_count = 0
self._running = True
@ -432,7 +461,7 @@ class SyncService:
# Check if another sync is in progress (e.g., initial sync or previous incremental sync still running)
# Wait for it to complete before starting incremental sync (no timeout - wait indefinitely)
wait_interval = 10 # Check every 10 seconds
wait_interval = settings.SYNC_INTERVAL # Check every 10 seconds
waited_time = 0
while self._sync_in_progress:
logger.info(f"Another sync is in progress for {self.source_name}, waiting... (waited {waited_time}s, will wait until completion)")

116
utils/func_id_generator.py Normal file
View File

@ -0,0 +1,116 @@
"""
函数全局唯一ID生成工具类
按用户/仓库/分支/文件/函数生成唯一ID
"""
import os
from typing import Optional, Dict
from config import settings
def generate_func_unique_id(
user_id: str,
repo_id: str,
branch: str,
file_path: str,
class_name: Optional[str],
func_name: str
) -> str:
"""
生成函数全局唯一ID
Args:
user_id: 用户ID
repo_id: 仓库ID
branch: 分支名
file_path: 文件路径
class_name: 类名
func_name: 函数名
Returns:
str: 函数唯一ID
"""
# 类名为None则使用空字符串
class_name = class_name if class_name else "None"
# 直接使用文件路径的绝对路径部分,确保唯一性
# 替换路径分隔符为下划线
file_path = file_path.split(os.sep)[3:]
file_path = "_".join(file_path)
normalized_file_path = file_path.replace(os.sep, "_")
# 生成唯一ID
unique_id = f"{user_id}_{repo_id}_{branch}_{normalized_file_path}_{class_name}_{func_name}"
# 替换特殊字符避免ChromaDB主键冲突
unique_id = unique_id.replace("/", "_").replace("\\", "_").replace(":", "_").replace(" ", "_")
return unique_id
def parse_func_unique_id(func_id: str) -> Dict[str, str]:
"""
解析函数唯一ID
Args:
func_id: 函数唯一ID
Returns:
Dict[str, str]: 解析后的信息
"""
parts = func_id.split("_")
if len(parts) < 6:
raise Exception(f"无效的函数ID格式: {func_id}")
# 解析各部分
user_id = parts[0]
repo_id = parts[1]
branch = parts[2]
# 解析文件路径(可能包含下划线)
# 从第3个部分开始到倒数第2个部分结束
file_path_parts = parts[3:-2]
file_path = "_".join(file_path_parts).replace("_", os.sep)
class_name = parts[-2]
if class_name == "None":
class_name = None
func_name = parts[-1]
return {
"user_id": user_id,
"repo_id": repo_id,
"branch": branch,
"file_path": file_path,
"class_name": class_name,
"func_name": func_name
}
def get_repo_path_from_func_id(func_id: str) -> str:
"""
从函数ID获取仓库路径
Args:
func_id: 函数唯一ID
Returns:
str: 仓库路径
"""
info = parse_func_unique_id(func_id)
return os.path.join(settings.GIT_LOCAL_STORAGE_ROOT, info["user_id"], info["repo_id"])
def get_file_path_from_func_id(func_id: str) -> str:
"""
从函数ID获取文件路径
Args:
func_id: 函数唯一ID
Returns:
str: 文件路径
"""
info = parse_func_unique_id(func_id)
repo_path = get_repo_path_from_func_id(func_id)
return os.path.join(repo_path, info["file_path"])

323
utils/git_tool.py Normal file
View File

@ -0,0 +1,323 @@
"""
Git命令封装工具类
实现Git仓库的克隆更新检测增量拉取等功能
"""
import subprocess
import os
from typing import Tuple, Dict, List
from loguru import logger
from config import settings
class GitTool:
def __init__(self, user_id: str = "test", repo_id: str = "test", git_config: dict = None,
git_url: str = None, branch: str = None, protocol: str = None,
https_token: str = None, ssh_key: str = None, local_repo_path: str = None):
"""
初始化Git工具类
Args:
user_id: 用户ID
repo_id: 仓库ID
git_config: Git配置信息
git_url: Git仓库URL直接参数优先级高于git_config
branch: Git分支直接参数优先级高于git_config
protocol: Git协议直接参数优先级高于git_config
https_token: HTTPS令牌直接参数优先级高于git_config
ssh_key: SSH密钥直接参数优先级高于git_config
local_repo_path: 本地仓库路径直接参数优先级高于git_config
"""
self.user_id = user_id
self.repo_id = repo_id
# 优先使用直接参数如果没有则使用git_config
if git_config:
self.git_url = git_url or git_config.get("git_url")
self.branch = branch or git_config.get("branch", settings.GIT_DEFAULT_BRANCH)
self.protocol = protocol or git_config.get("protocol", "https")
self.ssh_key = ssh_key or git_config.get("ssh_key")
self.https_token = https_token or git_config.get("https_token")
# 本地结构化存储路径
self.local_repo_path = local_repo_path or git_config.get("local_repo_path")
else:
self.git_url = git_url
self.branch = branch or settings.GIT_DEFAULT_BRANCH
self.protocol = protocol or "https"
self.ssh_key = ssh_key
self.https_token = https_token
self.local_repo_path = local_repo_path
if not self.local_repo_path:
self.local_repo_path = os.path.join(settings.GIT_LOCAL_STORAGE_ROOT, user_id, repo_id)
# 初始化Git环境
self._init_git_env()
def _init_git_env(self):
"""
初始化Git环境SSH密钥配置
"""
if self.ssh_key:
# 解密SSH私钥写入临时文件配置Git SSH
ssh_key_path = f"/tmp/ssh_key_{self.user_id}_{self.repo_id}"
with open(ssh_key_path, "w") as f:
f.write(self.ssh_key)
os.chmod(ssh_key_path, 0o600)
os.environ["GIT_SSH_COMMAND"] = f"ssh -i {ssh_key_path} -o StrictHostKeyChecking=no"
def clone_repo(self) -> bool:
"""
克隆Git仓库
Returns:
bool: 是否成功克隆
"""
if not os.path.exists(self.local_repo_path):
os.makedirs(os.path.dirname(self.local_repo_path), exist_ok=True)
# 执行git clone命令
cmd = [
"git", "clone", "--single-branch",
"--branch", self.branch, self.git_url, self.local_repo_path
]
logger.info(f"执行Git克隆命令: {' '.join(cmd)}")
res = subprocess.run(cmd, capture_output=True, text=True)
if res.returncode != 0:
logger.error(f"Git克隆失败: {res.stderr}")
raise Exception(f"Git克隆失败: {res.stderr}")
# 克隆后校验
self._check_repo_integrity()
logger.info(f"Git仓库克隆成功: {self.local_repo_path}")
return True
logger.info(f"Git仓库已存在: {self.local_repo_path}")
return False
def _check_repo_integrity(self):
"""
仓库完整性校验git fsck+ 支持的编程语言检测
"""
# 执行git fsck
try:
subprocess.run(["git", "fsck"], cwd=self.local_repo_path, check=True, capture_output=True, text=True)
logger.info(f"Git仓库完整性校验成功: {self.local_repo_path}")
except subprocess.CalledProcessError as e:
logger.warning(f"Git仓库完整性校验失败: {e.stderr}")
# 扫描文件类型,记录支持的编程语言
support_lang = self._detect_support_lang()
logger.info(f"检测到支持的编程语言: {support_lang}")
return support_lang
def _detect_support_lang(self) -> List[str]:
"""
检测仓库支持的编程语言
Returns:
List[str]: 支持的编程语言列表
"""
lang_extensions = {
"python": [".py"],
"java": [".java"],
"go": [".go"],
"javascript": [".js", ".jsx"],
"typescript": [".ts", ".tsx"],
"c": [".c", ".h"],
"cpp": [".cpp", ".hpp", ".cc"],
"csharp": [".cs"],
"rust": [".rs"],
"php": [".php"],
"ruby": [".rb"],
"swift": [".swift"],
"kotlin": [".kt"],
"scala": [".scala"]
}
support_lang = []
for root, dirs, files in os.walk(self.local_repo_path):
# 跳过.git目录
if ".git" in dirs:
dirs.remove(".git")
# 跳过其他常见的非代码目录
dirs_to_skip = ["node_modules", "venv", "dist", "build", "__pycache__"]
dirs[:] = [d for d in dirs if d not in dirs_to_skip]
for file in files:
for lang, extensions in lang_extensions.items():
if any(file.endswith(ext) for ext in extensions):
if lang not in support_lang:
support_lang.append(lang)
break
return support_lang
def detect_remote_update(self) -> Tuple[bool, str, str]:
"""
远程更新检测
Returns:
Tuple[bool, str, str]: (是否有更新, 本地commit ID, 远程commit ID)
"""
# 确保仓库存在
if not os.path.exists(self.local_repo_path):
raise Exception(f"Git仓库不存在: {self.local_repo_path}")
# 拉取远程commit记录
try:
# 先尝试 fetch 到远程跟踪分支,避免与本地检出分支冲突
subprocess.run(["git", "fetch", "origin", self.branch],
cwd=self.local_repo_path, check=True, capture_output=True, text=True)
except subprocess.CalledProcessError as e:
logger.error(f"Git fetch失败: {e.stderr}")
raise
# 获取本地/远程commit ID
local_commit = subprocess.run(["git", "rev-parse", "HEAD"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
remote_commit = subprocess.run(["git", "rev-parse", f"origin/{self.branch}"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
has_update = local_commit != remote_commit
logger.info(f"Git更新检测: 本地={local_commit[:7]}, 远程={remote_commit[:7]}, 有更新={has_update}")
return has_update, local_commit, remote_commit
def incremental_pull(self, local_commit: str, remote_commit: str) -> Dict[str, List[str]]:
"""
增量拉取代码+解析文件变更
Args:
local_commit: 本地commit ID
remote_commit: 远程commit ID
Returns:
Dict[str, List[str]]: 文件变更集
"""
# 快进合并到远程最新版本
try:
subprocess.run(["git", "merge", "--ff-only", f"origin/{self.branch}"],
cwd=self.local_repo_path, check=True, capture_output=True, text=True)
logger.info(f"Git快进合并成功: {self.branch}")
except subprocess.CalledProcessError as e:
logger.error(f"Git合并失败: {e.stderr}")
raise
# 提取增量commit的文件变更
delta_commits = subprocess.run(["git", "log", "--pretty=format:%H", f"{local_commit}..{remote_commit}"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.split()
# 解析文件变更为ADD/MODIFY/DELETE
delta_files = self._parse_delta_files(delta_commits)
logger.info(f"Git增量变更: ADD={len(delta_files['ADD'])}, MODIFY={len(delta_files['MODIFY'])}, DELETE={len(delta_files['DELETE'])}")
return delta_files
def _parse_delta_files(self, delta_commits: List[str]) -> Dict[str, List[str]]:
"""
解析文件变更集
Args:
delta_commits: 增量commit列表
Returns:
Dict[str, List[str]]: 文件变更集
"""
add_files, modify_files, delete_files = [], [], []
for commit in delta_commits:
# git show --name-status 获取文件变更
res = subprocess.run(["git", "show", "--name-status", commit],
cwd=self.local_repo_path, capture_output=True, text=True).stdout
for line in res.splitlines():
if not line:
continue
# 解析状态和文件路径
if "\t" in line:
status, file_path = line.split("\t", 1)
full_path = os.path.join(self.local_repo_path, file_path)
if status == "A":
add_files.append(full_path)
elif status == "M":
modify_files.append(full_path)
elif status == "D":
delete_files.append(full_path)
# 去重并返回
return {
"ADD": list(set(add_files)),
"MODIFY": list(set(modify_files)),
"DELETE": list(set(delete_files))
}
def get_current_commit(self) -> str:
"""
获取当前commit ID
Returns:
str: 当前commit ID
"""
if not os.path.exists(self.local_repo_path):
raise Exception(f"Git仓库不存在: {self.local_repo_path}")
commit_id = subprocess.run(["git", "rev-parse", "HEAD"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
return commit_id
def get_repo_info(self) -> Dict[str, str]:
"""
获取仓库信息
Returns:
Dict[str, str]: 仓库信息
"""
if not os.path.exists(self.local_repo_path):
raise Exception(f"Git仓库不存在: {self.local_repo_path}")
# 获取仓库URL
remote_url = subprocess.run(["git", "config", "--get", "remote.origin.url"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
# 获取当前分支
current_branch = subprocess.run(["git", "rev-parse", "--abbrev-ref", "HEAD"],
cwd=self.local_repo_path, capture_output=True, text=True).stdout.strip()
# 获取当前commit
current_commit = self.get_current_commit()
return {
"remote_url": remote_url,
"current_branch": current_branch,
"current_commit": current_commit,
"local_path": self.local_repo_path
}
def test_connection(self) -> bool:
"""
测试Git连接
Returns:
bool: 是否连接成功
"""
if not self.git_url:
raise Exception("Git仓库URL未设置")
logger.info(f"测试Git连接: {self.git_url}")
# 尝试执行git ls-remote命令来测试连接
try:
cmd = ["git", "ls-remote", "--heads", self.git_url, f"refs/heads/{self.branch}"]
logger.info(f"执行Git连接测试命令: {' '.join(cmd)}")
res = subprocess.run(cmd, capture_output=True, text=True)
if res.returncode == 0:
# 检查输出是否包含预期的分支信息
if self.branch in res.stdout:
logger.info("Git连接测试成功")
return True
else:
logger.warning(f"Git连接测试失败分支 {self.branch} 不存在")
return False
else:
logger.error(f"Git连接测试失败: {res.stderr}")
return False
except Exception as e:
logger.error(f"Git连接测试异常: {e}")
return False