Repo Chat快速上手教程10分钟从零搭建你的GitHub仓库AI代码问答系统【免费下载链接】repo-chatUse AI to ask questions about any GitHub repo.项目地址: https://gitcode.com/gh_mirrors/re/repo-chatRepo Chat 是一个开源的GitHub 仓库 AI 代码问答系统把你指定的任意仓库克隆下来将代码记忆进向量数据库之后在终端里直接用自然语言提问AI 就能基于真实代码给你解答。只需要 Python OpenAI 密钥 免费的向量数据库新手10 分钟即可从零跑通 Repo Chat 是什么它解决了什么问题接手一个陌生仓库时你是否还在逐个文件翻代码Repo Chat 的定位很直接Use AI to ask questions about any GitHub repo用 AI 询问任意 GitHub 仓库。它的核心是 RAG检索增强生成思路由三个 Python 脚本各司其职脚本职责load.py按配置克隆目标仓库到本地embed.py读取代码文件分块、向量化并写入向量数据库main.py启动终端问答循环边检索边回答技术上使用 OpenAI Embeddings 做向量化Supabasepgvector 扩展做向量数据库LangChain 负责把检索结果交给大模型生成答案。这两者都可以按自己的偏好替换项目文档中已说明。Repo Chat 安装步骤3分钟完成环境配置git clone https://gitcode.com/gh_mirrors/re/repo-chat cd repo-chat pip install -r requirements.txt依赖非常轻量requirements.txt中只包含 LangChain、Supabase、OpenAI 等几个核心库安装速度很快 ✅最快配置方法.env 参数一次写对在项目根目录创建.env文件可参考README.md中的配置说明填好以下关键参数参数说明SUPABASE_URL/SUPABASE_SERVICE_KEY在 Supabase 控制台创建项目后自动生成的地址与服务密钥OPENAI_API_KEY你的 OpenAI 密钥同时驱动向量化和大模型问答REPO_URL/REPO_BRANCH你想提问的仓库地址与分支TABLE_NAME向量表名需与初始化 SQL 中创建的表一致初始化 pgvector 向量数据库进入 Supabase 控制台打开左侧边栏的SQL Editor把schema.sql的内容粘贴进去点击运行执行后会创建repo_chat向量表1536 维正好匹配 OpenAI embeddings和一个按相似度排序的检索函数 这一步只需做一次之后所有仓库的记忆都存放在这张表中。10分钟跑通 Repo Chat克隆 → 嵌入 → 问答三步曲python3 load.py # 第1步克隆 .env 中指定的仓库 python3 embed.py # 第2步代码分块、向量化并入库 python3 main.py # 第3步开始用自然语言提问两个小细节值得了解embed.py默认会跳过.git、node_modules、图片等无关文件并按 2000 字符一块重叠 200 字符切分兼顾检索精度与上下文完整度main.py启动后终端会循环询问 What question do you have about your repo?输入问题即可先看到检索到的代码片段、再看到 AI 的答案输入exit退出Repo Chat 常见报错排查向量检索报错确认已完整运行过schema.sql且.env中的TABLE_NAME与表中名称一致回答质量不理想检查REPO_URL与REPO_BRANCH是否真的指向目标分支想更换技术栈OpenAI Embeddings 和 Supabase 均非强绑定可按官方说明替换为自己的向量方案总结从零到能问出第一句话Repo Chat 只需要克隆项目 → 配置.env→ 初始化向量表 → 运行三个脚本。10 分钟后你就拥有了一个专属的GitHub 仓库 AI 代码问答助手无论是理解陌生代码库还是回答这个函数在哪里被调用都能快人一步 【免费下载链接】repo-chatUse AI to ask questions about any GitHub repo.项目地址: https://gitcode.com/gh_mirrors/re/repo-chat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考