Az AI fejlesztés kapcsán gyakran felmerül az a kihívás, hogy a kódban nem találjuk meg könnyedén azokat a részeket, amelyek egy adott működésért felelősek, főként ha a kód elnevezése eltér a funkció leírásától. Hiába keresünk kulcsszavakra, mint például ‘restore theme preferences’, lehet, hogy a tényleges függvény neve ennél sokkal elvontabb, például ‘hydrate preferences’, így a megszokott keresési eszközök sokszor csődöt mondanak.
Az új, open source ZG eszköz e problémára kínál helyi (local-first) megoldást: három keresési módszert – pontos egyezés, kulcsszavas rangsorolás, valamint vektoralapú szemantikus keresés – ötvöz egyetlen felületen. Ezzel nemcsak betűket, de jelentést is kereshetünk: ha egyszerű, hétköznapi angol leírásból indulunk ki, a ZG relevancia alapján gyűjti össze a kódrészleteket, akár nulla kulcsszavas átfedéssel is.
Külön érdekesség, hogy a videó gyakorlati bemutatóval is szolgál: különböző, teljes könyvszerű szövegek és valódi, nagy méretű kód-adatbázisok (például Django) indexelésén és keresésén keresztül is teszteli a ZG eszközt. Felmerülnek olyan kérdések is, hogy mennyire gyors a keresés, mennyire pontos az eredmény, vagy hogy alkalmazható-e saját RAG rendszerekbe integrálva.
Statisztikai adatok is előkerülnek, amelyek azt mutatják, mennyi időt, energiafelhasználást és eszközhívást lehet megspórolni az új keresési módszerekkel – mindezt úgy, hogy közben a válaszok minősége is javulhat. Az új open source fejlesztés lehetőségeit és korlátait izgalmas példák segítségével vezetjük végig.
