VectorCode

GitHub
842 45 简单 1 次阅读 2天前MIT开发框架插件其他
AI 解读 由 AI 自动生成,仅供参考

VectorCode 是一款专为代码仓库设计的索引工具,旨在显著提升大语言模型(LLM)在编程辅助方面的表现。它主要解决了通用大模型对私有项目、冷门代码库或前沿未发布功能理解不足的问题。通过自动索引项目代码,VectorCode 能够将任务相关的上下文信息精准地注入到提示词中,从而大幅减少模型“幻觉”,生成更准确、更符合项目实际的代码建议。

这款工具特别适合软件开发者、技术研究人员以及希望在工作流中深度集成 AI 助手的工程师使用。它不仅提供命令行工具方便快速上手,还专门为 Neovim 用户打造了插件和 API 接口,支持灵活定制或增强现有的 AI 编程插件。VectorCode 的独特亮点在于其程序化的上下文注入能力,让大模型能像熟悉开源巨头项目一样理解你的私人代码库。目前项目处于快速迭代的测试阶段,欢迎社区共同参与完善,是提升本地化 AI 编程体验的实用利器。

使用场景

某后端工程师正在接手一个缺乏文档的私有微服务项目,需要快速理解复杂的业务逻辑并修复一个隐蔽的并发 Bug。

没有 VectorCode 时

  • 上下文缺失:通用大模型完全不了解该私有仓库的内部架构和自定义规范,只能给出泛泛而谈的建议。
  • 人工检索低效:开发者必须手动在数十个文件中搜索相关函数定义和调用链,耗时且容易遗漏关键依赖。
  • 幻觉风险高:由于缺乏项目特有信息,模型倾向于编造不存在的 API 或错误的配置方式,导致代码无法运行。
  • 提示词构建困难:为了提供足够背景,开发者需手动复制粘贴大量代码片段,不仅操作繁琐还极易超出模型的上下文窗口限制。

使用 VectorCode 后

  • 精准注入上下文:VectorCode 自动索引整个代码库,将任务相关的文件结构和逻辑动态注入提示词,让模型瞬间“读懂”项目。
  • 智能关联定位:工具能自动识别并提取与 Bug 相关的函数定义及调用路径,无需人工逐行查找,大幅缩短定位时间。
  • 输出真实可靠:基于真实的仓库索引信息,模型生成的代码严格遵循项目现有规范,显著减少了胡编乱造的幻觉内容。
  • 自动化流程集成:通过 Neovim 插件无缝调用,开发者只需一个命令即可获取优化后的上下文,彻底解放了手动整理信息的精力。

VectorCode 通过将私有代码库转化为大模型可理解的结构化知识,从根本上解决了 AI 在封闭项目中“水土不服”的难题。

运行环境要求

操作系统
  • 未说明 (支持 Nix 包管理器,通常涵盖 Linux 和 macOS)
GPU

未说明

内存

未说明

依赖
notes该工具是一个代码仓库索引工具,主要依赖 ChromaDB 进行向量存储。支持通过 .gitignore 忽略文件,并自动检测项目根目录(基于 .git 或 .vectorcode.json)。提供 Neovim 插件集成和 CLI 命令行工具。目前处于 Beta 阶段,功能迭代迅速。支持 Nix 包管理器安装。尚未完全支持带认证的远程 ChromaDB。
python未说明
py-tree-sitter
tree-sitter-language-pack
chromadb
VectorCode hero image

快速开始

VectorCode

codecov 测试与覆盖率 pypi

VectorCode 是一个代码仓库索引工具。它通过索引并提供您正在处理的代码仓库的相关信息,帮助您为编码大模型构建更优质的提示词。该仓库还包含相应的 Neovim 插件,提供一组 API 供您构建或增强 AI 插件使用,并与一些流行的插件集成。

[!注意] 本项目目前处于测试阶段,正处于快速迭代中。我知道还有许多改进空间,欢迎任何帮助。

为什么选择 VectorCode?

大语言模型通常对闭源项目、不知名项目以及尚未发布到正式版本中的前沿开发了解非常有限。它们在这些项目上的能力相当受限。借助 VectorCode,您可以轻松地(甚至以编程方式)将与任务相关的项目上下文注入到提示词中。这显著提升了模型输出的质量,并减少了幻觉现象。

asciicast

文档

[!注意] main 分支上的文档反映了最新提交的代码状态。如需查看您所使用的版本对应的文档,可以 切换到相应标签

  • 关于命令行工具的设置和使用,请参阅 CLI 文档
  • 对于 Neovim 用户,在阅读完 CLI 文档后,请参考 Neovim 插件文档(可选:Lua API 参考)以获取进一步说明。
  • 其他资源:
    • wiki,提供额外技巧和建议,帮助您充分利用 VectorCode;
    • 讨论区,您可以在其中提出一般性问题,并分享您对 VectorCode 的精彩用法。
    • 如果您想尝试一些新功能,不妨查看 拉取请求,了解正在进行中的特性开发。

如果您希望为本项目做出贡献,请查阅 贡献指南,其中包含一些基本准则及可能对您有帮助的提示。

关于版本控制

本项目采用调整后的语义化版本控制:

  • 在 1.0.0 版本发布之前,主版本号保持为 0,表示该项目仍处于早期阶段,功能和接口可能会不时发生变化;
  • 次要版本号用于标记__破坏性变更__。当我决定移除某个功能或配置选项时,实际移除操作会在次要版本号递增时进行。因此,如果您希望避免现有配置被破坏,可以选择类似 "vectorcode<0.7.0" 的版本约束;
  • 补丁版本号用于标记__非破坏性变更__。这包括新增功能和错误修复。当决定弃用某些功能时,我会发布一个补丁版本递增的新版本。在次要版本号递增之前,被弃用的功能仍将正常工作,但会显示警告信息。建议您更新配置以适应新功能。

待办事项

  • 文件路径排除路径查询;
  • 支持分块;
    • 为文件添加元数据;
    • 配置分块大小;
    • 更智能的分块方式(基于语义/语法),使用 py-tree-sittertree-sitter-language-pack 实现;
    • 可配置从查询结果中选择文档;
  • 带有缓存的 NeoVim Lua API,用于在项目未被索引时跳过检索 现改为返回空数组;
  • 异步缓存的工作池;
  • 持久化客户端
  • 正式支持 远程 Chromadb(包括身份验证等);
  • 尊重 .gitignore 文件;
  • 实现某种项目根锚点(例如 .git 或自定义的 .vectorcode.json),以增强自动检测项目根目录的功能。 已实现项目级别的 .vectorcode/.git 作为根锚点
  • 能够查看和删除集合中的文件;
  • 联合搜索(某种程度上,使用 codecompanion.nvim/MCP);
  • Nix 支持(非官方包 这里);
  • 查询重写 (#124)。

致谢

特别感谢

JetBrains logo.

星标历史

星标历史图表

版本历史

0.7.202025/12/15
0.7.192025/11/13
0.7.182025/09/26
0.7.172025/09/20
0.7.162025/09/04
0.7.152025/08/28
0.7.142025/08/22
0.7.132025/08/11
0.7.122025/08/03
0.7.112025/07/28
0.7.102025/07/22
0.7.92025/07/16
0.7.82025/07/13
0.7.72025/07/08
0.7.62025/07/03
0.7.52025/07/01
0.7.42025/06/28
0.7.32025/06/26
0.7.22025/06/24
0.7.12025/06/22

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|今天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|昨天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

141.5k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|今天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|今天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|今天
语言模型图像Agent