💻 Tech-радар: Как я научил LLM читать чужую кодовую базу, вместо того чтобы галлюцинировать API
Разработчик построил ИИ-агента для статического анализа кода, который ходит по кодовой базе с помощью инструментов, а не пытается уместить её в промпт. Решение реализовано внутри десктопного анализатора конфигураций 1С; проект опенсорсный. Задача возникла из-за ограничений «вайб-кодинга»: он работает там, где весь контекст помещается в промпт — скрипт, лендинг, небольшой сервис.
Проблема проявилась на большой legacy-системе — конфигурациях «1С:Предприятие» с тысячами объектов метаданных, сотнями тысяч строк кода и связями, прописанными не в коде, а в структуре: реквизиты с типами, движения документов, подписки на события, RLS в ролях. Даже окно в 128K токенов покрывает порядка 100 тысяч символов кода, то есть 1–2% базы. Остальные 98% модель достраивает из статистики обучения — отсюда типичные ошибки: код с несуществующим реквизитом и вызовом несуществующего метода. Вывод автора: проблема не в том, что модель «глупая», а в том, что её просят угадывать то, что можно прочитать.
Архитектурное решение — дать модели инструменты вместо того, чтобы тащить код в промпт. Формально это RAG, но не «найти чанк и вставить в промпт», а полноценный агент с циклом tool-calling. Индекс живёт локально на машине пользователя, а не в облаке, поскольку кодовая база — коммерческая тайна. Структурированные данные хранятся в SQLite: объекты метаданных, реквизиты с типами, формы, движения документов, права и RLS-ограничения, значения перечислений. По индексу агент выполняет настоящий SQL (только SELECT), что даёт точные ответы вроде «перечисли всех, кто ссылается на этот реквизит». Всего задействован 71 инструмент, а цикл рассчитан до 30 ходов на вопрос — в истории константы сохранилась цепочка 8 → 15 → 12 → 16 → 30, поскольку при 8–16 ходах агент на сложных вопросах стабильно не доезжал.
Поиск разделён на два типа. Полнотекстовый на FTS5 находит точное имя переменной, которое эмбеддинги размазали, а семантический поиск на локальной мультиязычной модели эмбеддингов (384 измерения) находит, например, «проверку просрочки задолженности», даже если в коде нет ни одного слова из запроса. Векторы строятся для каждой функции и объекта, индексация считается офлайн один раз при подключении проекта и дальше поддерживается в фоне. Выбор инструмента — обязанность агента. Отдельно проработан граф вызовов: обычный статический анализ ловит только прямые вызовы, но в 1С есть скрытые связи — `Выполнить()` со строкой, собранной в рантайме, оповещения (`ОповеститьОбИзменении` → `ОбработкаОповещения`), подписки на события, где связь прописана в метаданных. Без учёта этих каналов агент на вопрос «что сломается, если поменять эту процедуру» отвечает «ничего», хотя ломается фоновое задание.
Вместо мультиагентного релея (классификатор → поисковик → генератор, где на каждой передаче теряется контекст) применён единый агент с нативным tool-calling: модель сама решает, какой инструмент вызвать. В наборе — семантический и литерал-поиск, разрешение сущностей («открой документ проведения» → конкретный модуль), паспорта функций с выведенными типами, графы вызовов вверх и вниз. Правки выполняются точечными патчами, вставками, заменами строк и разбиением функций с diff-панелью «оригинал/доработка»; доменные операции позволяют править отчётные схемы семантически («добавь колонку», «сделай вариант», «добавь итог»), а веб-поиск ограничен выверенным белым списком сайтов. Часть валидаторов авторы написали и затем сняли сами, поскольку они ложно срабатывали на валидных файлах. Для пользователей и рынка это означает подход, при котором анализ больших корпоративных кодовых баз с коммерчески чувствительным кодом может выполняться локально и опираться на реальные факты из индекса, а не на статистику обучения модели.
Категория: Технологии
Теги: #Технологии #Tech #IT #Искра