codeassist

GitHub
698 122 中等 1 次阅读 6天前MIT语言模型插件
AI 解读 由 AI 自动生成,仅供参考

CodeAssist 是由 Gensyn 开发的一款完全本地化且注重隐私的 AI 编程助手。它不仅仅是一个代码生成工具,更像一个在旁观察学习的“学徒”,旨在帮助用户练习编程题目,同时通过用户的实际操作来训练专属的编码模型。

传统 AI 助手通常被动响应指令,而 CodeAssist 能直接嵌入编辑器,实时记录用户的每一次敲击、修改或删除行为。无论用户是采纳、调整还是撤销它的建议,这些互动都会转化为学习信号,让模型逐渐适应用户的编码习惯与风格。这种机制解决了通用模型难以贴合个人偏好以及云端处理可能带来的隐私顾虑问题。

这款工具特别适合希望提升算法能力的开发者、对个性化 AI 训练感兴趣的研究人员,以及重视数据隐私的技术爱好者。其核心亮点在于“边用边练”的独特模式:用户在解决编程问题时,无需额外操作即可持续微调本地模型权重,甚至可将训练成果上传至 Hugging Face。CodeAssist 将编程练习与模型训练合二为一,让每一次编码都成为塑造智能助手的过程。

使用场景

资深后端工程师李明正在本地封闭环境中准备技术面试,需要高频练习算法题并打磨个人编码风格。

没有 codeassist 时

  • 代码助手通常基于云端通用模型,无法在断网或隐私敏感环境下使用,且存在代码泄露风险。
  • 传统辅助工具被动等待指令,无法实时感知李明的打字、删除或修改意图,导致交互割裂。
  • 通用建议往往不符合李明的个人编码习惯,每次都需要手动大幅调整助手生成的代码。
  • 缺乏针对个人弱点的自适应训练机制,反复练习同类题目时难以获得针对性的风格优化反馈。
  • 解题过程数据无法转化为私有模型资产,练习结束后除了记忆外没有留下可复用的智能资产。

使用 codeassist 后

  • codeassist 完全本地运行且私有化部署,李明可在无网环境下安全地沉浸式刷题,数据绝不上传。
  • 它能直接嵌入编辑器实时响应,将李明的每一次敲击、修正甚至忽略都视为学习信号,像学徒一样默契配合。
  • 随着练习深入,codeassist 自动适应李明的变量命名和逻辑结构偏好,生成的代码越来越贴合其个人风格。
  • 系统通过对比李明的编辑操作与助手行为计算奖励,持续微调本地模型,专门强化对个人薄弱环节的辅助能力。
  • 每次练习结束按下终止键,李明的操作数据即刻转化为更新的本地模型权重,并可上传至 HuggingFace 形成专属编程大脑。

codeassist 的核心价值在于将单向的代码辅助转变为双向的共同进化,让 AI 从通用工具成长为懂你风格的私有编程伙伴。

运行环境要求

操作系统
  • macOS
  • Linux
GPU

未说明

内存

未说明

依赖
notes必须安装并运行 Docker;需要 HuggingFace Token(具有 Write 权限)才能启动和上传模型;Web UI 默认占用端口 3000,若被占用需通过 --port 参数指定其他端口(避开 8000, 8080, 8001, 8008, 3003, 11434);首次登录凭证存储在 persistent-data/auth/userKeyMap.json;训练数据存储在 persistent-data/trainer/models。
python3.10+
Docker
uv
codeassist hero image

快速开始

CodeAssist - AI 编程助手

注意:隨著我們將重心轉向主網,我們已停止在測試網上追蹤新的 CodeAssist 參與數據。所有歷史數據仍保留在鏈上。

CodeAssist 是由 Gensyn 開發的一款完全私密且本地運行的 AI 編程助手。它能幫助你練習編程問題,並訓練出一個全新的助手來協助你編寫代碼。

與一般的代碼助手不同,CodeAssist 會在你編寫代碼時直接在你的編輯器中進行補全。每一次鍵盤輸入——無論你是打字、修改、刪除,還是保留它的輸出——都會成為學習信號。隨著時間推移,它會逐漸適應你的編程習慣和風格,更像是一個從你的實踐中學習的學徒,而非僅僅遵循指令的工具。

文檔 | 教程 | 排行榜

安裝

開始安裝 CodeAssist。

Docker

根據你所在操作系統的說明,在你的系統上安裝 Docker

Python

運行處理環境的主腳本需要 Python。我們要求版本不低於 3.10。

UV

UV 用於管理主腳本的依賴項。可以通過以下步驟安裝:

MacOS

brew install uv

Linux(或對於沒有 Brew 的用戶的替代安裝方法)

curl -LsSf https://astral.sh/uv/install.sh | sh

下載代碼

要下載代碼,只需克隆倉庫:

git clone https://github.com/gensyn-ai/codeassist.git
cd codeassist

運行

要運行 CodeAssist,只需執行以下命令:

uv run run.py

HuggingFace Token

要啟動 CodeAssist,你需要一個 HuggingFace Token。請按照 這些說明 生成一個具有「寫入」權限的 Token。

Web UI

腳本運行後,瀏覽器應該會自動打開;如果沒有打開,請手動打開窗口並訪問 localhost:3000,即可打開 CodeAssist。

當 Web UI 加載完成時,你會看到一個登錄模態框,可以使用電子郵件(會發送一次性驗證碼)或 Google 帳戶進行登錄。首次登錄後,你的本地憑據將被存儲在 persistent-data/auth/userKeyMap.json 中。

登錄後,你可以從側邊欄選擇簡單、中等或困難的題目。CodeAssist 會開始記錄一個劇集。每一次點擊、鍵盤輸入、編輯或刪除都會被記錄為訓練反饋。

當你停止輸入時,CodeAssist 會主動行動。它會直接將代碼插入到你的文件中,不會彈出任何提示或確認對話框。無論你接受、修改還是刪除它的編輯內容,每一次互動都會幫助模型更好地理解你的偏好。

小貼士與技巧

  • 使用 Shift+Space 或點擊「暫停助手」按鈕來暫時停止助手。再次按下鍵盤時,助手會自動恢復。
  • 請將光標保持在你正在編寫的部分附近,因為 CodeAssist 會根據光標位置插入代碼。
  • 當助手產生「無操作」(即不做任何改變)時,它其實是在等待你的下一步動作。這是設計使然,表示現在輪到你來操作了。

训练

CodeAssist 會在 Web UI 運行時持續記錄你的互動。要結束一集並訓練你的模型,請在運行 CodeAssist 的終端中按下 Ctrl+C

你不需要成功解決一道 LeetCode 題目才能訓練模型。你可以通過離開 CodeAssist 的 Web UI,回到運行 CodeAssist 的終端,然後使用 ctrl+c 命令來停止記錄並開始訓練。

在訓練過程中,CodeAssist 會:

  • 比較你的編輯內容與助手的操作;
  • 根據你的互動計算獎勵和懲罰;
  • 更新你的本地模型檢查點;
  • 將新的模型權重保存在 persistent-data/trainer/models 目錄下;
  • 如果提供了有效的 Token,則將你訓練好的模型上傳到 Hugging Face。

訓練完成後(根據你的系統性能,可能需要幾分鐘),你可以重新啟動 CodeAssist,以使用基於最近一集數據訓練的新模型。

最佳實踐

  • 保持耐心:助手會觀察你的打字速度和間隔。如果動作過快或過於激進地糾正,可能會降低訓練效果。
  • 把它當作合作夥伴:讓它自然地插入代碼,並在編輯或刪除之前先保留有用的代碼一段時間。
  • 不要立即刪除所有內容:如果你立刻刪除了它寫的所有內容,就相當於教它以後不要再做任何事情了。
  • 記錄多種不同的題目:通過解決不同類型的問題來豐富它的學習信號。
  • 預期逐步改善:早期的訓練可能會感覺不太穩定。經過 4–5 次訓練後,效果會更加明顯。

故障排除

異常:容器 不健康。

這表示某個容器未能成功啟動。你可以通過運行 docker logs <container-name> 查看日誌。請在提交新問題時上載相關日誌。

無法連接至 Docker 守護進程

2025-09-04 15:03:47,975 - ERROR - 無法連接至 Docker 守護進程:獲取服務 API 版本時發生錯誤:('連接中斷。', FileNotFoundError(2, '沒有這樣的檔案或目錄'))
2025-09-04 15:03:47,976 - ERROR - 請確保 Docker 已安裝並正在運行。

如果出現類似上述的錯誤信息,則表示 Docker 未運行,或者你沒有權限連接至 Docker。請確保 Docker 已正確安裝在你的系統上,並且正在運行。

綁定 0.0.0.0:3000 失敗:端口已被佔用

這表示已經有一個使用 3000 端口的 Docker 容器在運行。

你有兩種選擇:

  1. 停止正在使用該端口的其他服務(例如 RL Swarm)。
  2. 使用 --port 參數在另一個端口上運行 CodeAssist:
  uv run run.py --port 3001

注意:選擇新端口時,請避免使用 8000808080018008300311434,因為這些端口已被預留給其他 CodeAssist 服務。

貢獻

我們歡迎大家的貢獻!

Pre-Commit Hook

我們使用 pre-commit hook 在提交代碼前對倉庫進行代碼檢查。你可以按照以下說明安裝 pre-commit:

安裝 pre-commit

只需運行以下命令即可安裝 pre-commit:

pip install pre-commit

設置 pre-commit

設置 pre-commit 的命令如下:

pre-commit install

代碼格式化

本倉庫使用 ruff format 進行代碼格式化。任何不符合 Ruff 檢查規範的提交都將導致 GitHub Actions 失敗,必須在合併前修復。

授權條款

CodeAssist 依據 (MIT) 許可證發布。

相似工具推荐

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

139k|★★☆☆☆|今天
开发框架Agent语言模型

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

74.9k|★★★☆☆|今天
语言模型图像开发框架

OpenHands

OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。

70.6k|★★★☆☆|今天
语言模型Agent开发框架