当前位置：首页 > 文章列表 > 文章 > python教程 > 使用 ClientAI 和 Ollama 构建本地 AI 代码审查器 - 第 2 部分

使用 ClientAI 和 Ollama 构建本地 AI 代码审查器 - 第 2 部分

来源：dev.to 2024-12-28 12:12:49 0浏览收藏

文章不知道大家是否熟悉？今天我将给大家介绍《使用 ClientAI 和 Ollama 构建本地 AI 代码审查器 - 第 2 部分》，这篇文章主要会讲到等等知识点，如果你在看完本篇文章后，有更好的建议或者发现哪里有问题，希望大家都能积极评论指出，谢谢！希望我们能一起加油进步！

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：