Et open source-værktøj, code-graph-rag, der kombinerer retrieval-augmented generation (RAG) med knowledge graphs til at forstå og redigere store, flersprogede kodebaser, er i øjeblikket et af de mest populære projekter på GitHub med 3.921 stjerner og 341 nye i dag. Værktøjet er skrevet i Python og markedsføres som "den ultimative RAG til dit monorepo".
For beslutningstagere, der overvejer at bruge AI til kodeforståelse eller -vedligeholdelse, er dette interessant, fordi det adresserer en kendt udfordring: traditionelle RAG-systemer har svært ved at håndtere sammenhænge på tværs af filer og sprog i store kodebaser. Knowledge graphs kan hjælpe med at bevare relationer mellem kodeelementer, hvilket potentielt giver mere præcise svar og ændringer.
Men selvom projektet har fået opmærksomhed, er det stadig relativt nyt og har ikke nødvendigvis den dokumentation, stabilitet eller support, som virksomheder kræver til produktionsbrug. Open source-projekter med hurtig vækst kan være lovende, men de kræver ofte intern ekspertise at implementere og vedligeholde.
For virksomheder, der ønsker at forbedre deres udvikleres produktivitet med AI, kan det være værd at følge projektet, men det er for tidligt at basere strategiske beslutninger på det. Alternativt kan man se på mere modne løsninger fra større leverandører, der allerede tilbyder lignende funktionalitet med enterprise-support.
