在第 1 部分中，我们为代码审查器构建了核心分析工具。现在我们将创建一个可以有效使用这些工具的人工智能助手。我们将逐步介绍每个组件，解释所有组件如何协同工作。
有关 clientai 的文档，请参阅此处；有关 github repo，请参阅此处。
系列索引
第 1 部分：简介、设置、工具创建第 2 部分：构建助手和命令行界面（你在这里）
使用 clientai 注册我们的工具
首先，我们需要让我们的工具可供人工智能系统使用。以下是我们注册它们的方法：
def create_review_tools() -> list[toolconfig]: """create the tool configurations for code review.""" return [ toolconfig( tool=analyze_python_code, name="code_analyzer", description=( "analyze python code structure and complexity. " "expects a 'code' parameter with the python code as a string." ), scopes=["observe"], ), toolconfig( tool=check_style_issues, name="style_checker", description=( "check python code style issues. " "expects a 'code' parameter with the python code as a string." ), scopes=["observe"], ), toolconfig( tool=generate_docstring, name="docstring_generator", description=( "generate docstring suggestions for python code. " "expects a 'code' parameter with the python code as a string." ), scopes=["act"], ), ]
让我们来分解一下这里发生的事情：
每个工具都包装在一个 toolconfig 对象中，该对象告诉 clientai：
工具：实际调用的函数名称：工具的唯一标识符描述：该工具的用途以及它需要哪些参数范围：工具何时可以使用（“观察”用于分析，“行动”用于生成）
我们将工具分为两类：
“观察”工具（code_analyzer 和 style_checker）收集信息“act”工具（docstring_generator）产生新内容
构建ai助手类
现在让我们创建我们的人工智能助手。我们将其设计为分步骤工作，模仿人类代码审查者的想法：
class codereviewassistant(agent): """an agent that performs comprehensive python code review.""" @observe( name="analyze_structure", description="analyze code structure and style", stream=true, ) def analyze_structure(self, code: str) -> str: """analyze the code structure, complexity, and style issues.""" self.context.state["code_to_analyze"] = code return """ please analyze this python code structure and style: the code to analyze has been provided in the context as 'code_to_analyze'. use the code_analyzer and style_checker tools to evaluate: 1. code complexity and structure metrics 2. style compliance issues 3. function and class organization 4. import usage patterns """
第一个方法至关重要：
@observe 装饰器将其标记为观察步骤stream=true 启用实时输出我们将代码存储在上下文中，以便在后续步骤中访问它返回字符串是指导ai使用我们的工具的提示
接下来，我们添加改进建议步骤：
@think( name="suggest_improvements", description="suggest code improvements based on analysis", stream=true, ) def suggest_improvements(self, analysis_result: str) -> str: """generate improvement suggestions based on the analysis results.""" current_code = self.context.state.get("current_code", "") return f""" based on the code analysis of: ```{% endraw %}python {current_code}{% raw %} ``` and the analysis results: {analysis_result} please suggest specific improvements for: 1. reducing complexity where identified 2. fixing style issues 3. improving code organization 4. optimizing import usage 5. enhancing readability 6. enhancing explicitness """
这个方法：
使用@think来表明这是一个推理步骤将分析结果作为输入从上下文中检索原始代码创建改进建议的结构化提示
命令行界面
现在让我们创建一个用户友好的界面。我们将其分解为几个部分：
def main(): # 1. set up logging logger = logging.getlogger(__name__) # 2. configure ollama server config = ollamaserverconfig( host="127.0.0.1", # local machine port=11434, # default ollama port gpu_layers=35, # adjust based on your gpu cpu_threads=8, # adjust based on your cpu )
第一部分设置错误日志记录，使用合理的默认值配置 ollama 服务器，并允许自定义 gpu 和 cpu 使用情况。
接下来，我们创建ai客户端和助手：
# use context manager for ollama server with ollamamanager(config) as manager: # initialize clientai with ollama client = clientai( "ollama", host=f"http://{config.host}:{config.port}" ) # create code review assistant with tools assistant = codereviewassistant( client=client, default_model="llama3", tools=create_review_tools(), tool_confidence=0.8, # how confident the ai should be before using tools max_tools_per_step=2, # maximum tools to use per step )
此设置的要点：
上下文管理器（with）确保正确的服务器清理我们连接到本地 ollama 实例助手配置有：我们的定制工具工具使用的置信度阈值每个步骤的工具限制，以防止过度使用
最后，我们创建交互式循环：
print("code review assistant (local ai)") print("enter python code to review, or 'quit' to exit.") print("end input with '###' on a new line.") while true: try: print("n" + "=" * 50 + "n") print("enter code:") # collect code input code_lines = [] while true: line = input() if line == "###": break code_lines.append(line) code = "n".join(code_lines) if code.lower() == "quit": break # process the code result = assistant.run(code, stream=true) # handle both streaming and non-streaming results if isinstance(result, str): print(result) else: for chunk in result: print(chunk, end="", flush=true) print("n") except exception as e: logger.error(f"unexpected error: {e}") print("nan unexpected error occurred. please try again.")
此界面：
收集多行代码输入，直到看到“###”处理流式和非流式输出提供干净的错误处理允许通过“退出”轻松退出
让我们将其设为我们能够运行的脚本：
if __name__ == "__main__": main()
使用助手
让我们看看助手如何处理真实的代码。让我们运行一下：
python code_analyzer.py
这是一个需要查找问题的示例：
def calculate_total(values,tax_rate): Total = 0 for Val in values: if Val > 0: if tax_rate > 0: Total += Val + (Val * tax_rate) else: Total += Val return Total
小助手会多方面分析：
结构问题（嵌套 if 语句增加复杂性、缺少类型提示、无输入验证）样式问题（变量命名不一致、逗号后缺少空格、缺少文档字符串）
扩展思路
以下是增强助手的一些方法：
其他分析工具增强的样式检查文档改进自动修复功能
通过创建新的工具函数，将其包装为适当的 json 格式，将其添加到 create_review_tools() 函数，然后更新助手的提示以使用新工具，可以添加其中的每一个。
要了解有关 clientai 的更多信息，请访问文档。
与我联系
如果您有任何疑问，想要讨论技术相关主题或分享您的反馈，请随时在社交媒体上与我联系：
github：igorbenavx/twitter：@igorbenav领英：伊戈尔
以上就是使用 ClientAI 和 Ollama 构建本地 AI 代码审查器 – 第 2 部分的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1354951.html
微信扫一扫 
支付宝扫一扫 
