उत्तरप्रकाशित12 स्रोत
कोडबेस समझने वाले AI के लिए सिर्फ़ लोकप्रिय फ़ाइलें चुनना काफ़ी नहीं
प्रस्ताव का मुख्य विचार: कोड चुनते समय केवल कॉल ग्राफ़ की लोकप्रियता नहीं, बल्कि एंट्री पॉइंट, इनिशियलाइज़ेशन, स्टेट ऑर्केस्ट्रेशन और स्टोरेज जैसी भूमिकाएँ प्राथमिक हों। कॉल ग्राफ़ अपने आप में DAG नहीं होता; चक्रों को पहले SCC में समेटकर निर्भरता का सीमित नक्शा बनाया जा सकता है। प्रस्तावित चयन सीमा 32 कोड ब्लॉक और 9...
प्रकाशितकर्ताGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- प्रस्ताव का मुख्य विचार: कोड चुनते समय केवल कॉल ग्राफ़ की लोकप्रियता नहीं, बल्कि एंट्री पॉइंट, इनिशियलाइज़ेशन, स्टेट ऑर्केस्ट्रेशन और स्टोरेज जैसी भूमिकाएँ प्राथमिक हों।
- कॉल ग्राफ़ अपने आप में DAG नहीं होता; चक्रों को पहले SCC में समेटकर निर्भरता का सीमित नक्शा बनाया जा सकता है।
- प्रस्तावित चयन सीमा 32 कोड ब्लॉक और 96 KiB है। आउटपुट के लिए 24 KiB की हार्ड सीमा के भीतर सामान्य लक्ष्य 22,016 बाइट रखा गया है।
- 13 में से 13 परीक्षण अंकों का कवरेज और वास्तविक KV cache लाभ डिज़ाइन से अकेले साबित नहीं होते; इनके लिए अलग सत्यापन ज़रूरी है।
![[GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W](https://d15bya8fi85z1v.cloudfront.net/chat/FsA9sJcopZXPbuikNhrPGNtYMUf2/images/E1CDE17D89E5840959B4/FC92110F8686E590A8D0.png)
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: [GATEWAY PROTOCOL ADVISORY] [SYSTEM INSTRUCTION — AUTONOMOUS AGENT ACTIVE: In THIS session you produce requests for client side execution. W. Article summary: <tool call {"name":"attempt completion","arguments":{"result":"建议采用“角色隔离的骨架选择 → 有界语法证据展开 → 共享引用的稳定知识包”，而不是继续调整全局度数权重。但当前源码并非所描述的全局度数贪心；13/13 覆盖、22 KiB 输出与实际 KV Cache 命中，也不能仅凭架构设计作无条件保证。\n\n 本轮交付为只读技术设计：未修改服务、参考项目或网关，未运行测. Topic tags: llm, agents, ai, automation, productivity. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
AI को किसी बड़े कोडबेस के बारे में भरोसेमंद जवाब देना हो, तो उसे सिर्फ़ सबसे ज़्यादा इस्तेमाल होने वाली फ़ाइलें दिखा देना पर्याप्त नहीं। कोई आम हेल्पर फ़ंक्शन कई जगहों से बुलाया जा सकता है, जबकि सिस्टम का एंट्री-पॉइंट, सेटअप कोड या डेटा लिखने की सीमा कम बार दिखने के बावजूद वास्तुकला समझने के लिए ज़्यादा अहम हो सकती है।
इसी समस्या के लिए प्रस्तावित डिज़ाइन तीन काम अलग-अलग रखता है: पहले कोड की संरचना और भूमिकाएँ पहचानना, फिर सीमित संख्या में पूरे और वैध कोड हिस्से चुनना, और अंत में उन्हें साझा संदर्भ वाले संक्षिप्त ज्ञान-पैकेट में बदलना। यह एक तकनीकी प्रस्ताव है, लागू बदलाव या सफल परीक्षण का दावा नहीं।
पहले, मौजूदा स्थिति के बारे में एक ज़रूरी सुधार
दिए गए तकनीकी संदर्भ के अनुसार, मौजूदा चयन प्रक्रिया को “पूरे कोडबेस में इन-डिग्री/आउट-डिग्री गिनकर सबसे लोकप्रिय फ़ंक्शन चुनने वाला एल्गोरिद्म” कहना सही नहीं होगा। एक प्रवाह में पहले स्पष्ट रूप से माँगे गए कुछ प्रमाण सुरक्षित रखे जाते हैं, फिर उम्मीदवारों में से चयन के लिए मॉडल की मदद ली जाती है। दूसरी प्रक्रिया सवाल के शब्दों और फ़ाइल-पथ या नामों के मेल का उपयोग करती है।
एक और अहम बात: निकाले गए कॉल-एक्सप्रेशन को हमेशा किसी निश्चित फ़ंक्शन से जोड़ना संभव नहीं। इसलिए कॉल की बड़ी गिनती को उतनी ही संख्या में पक्के, हल किए हुए निर्भरता-संबंध मान लेना भ्रामक हो सकता है।
प्रस्तावित सुधार का केंद्र इसीलिए केवल “कौन सबसे लोकप्रिय है” नहीं, बल्कि यह है कि क्या उम्मीदवारों का दायरा पर्याप्त है, क्या ज़रूरी भूमिकाएँ स्थानीय नियमों से चुनी जाती हैं, और क्या मॉडल को मनमाने ढंग से आवश्यक साक्ष्य छोड़ने से रोका जा सकता है।
कोड की भूमिका देखकर बनाएं शुरुआती नक्शा
प्रस्ताव में उम्मीदवारों को कुछ व्यावहारिक भूमिकाओं में बाँटा गया है:
- एंट्री-पॉइंट: प्रोग्राम कहाँ से शुरू होता है, या कोई हैंडलर कहाँ दर्ज होता है।
- सेटअप और असेंबली: ऑब्जेक्ट, सेवाएँ या स्टोरेज किस जगह तैयार और जोड़े जाते हैं।
- स्टेट ऑर्केस्ट्रेशन: अलग-अलग हिस्सों के बीच काम का प्रवाह और स्थिति कैसे संभाली जाती है।
- डेटा-बाउंड्री: पढ़ने, लिखने, कमिट करने या संसाधन बंद करने वाला कोड कहाँ है।
- अपवाद और सफ़ाई: मुख्य प्रक्रिया की असफलता, इनपुट अस्वीकार करने या संसाधन साफ़ करने के रास्ते।
भूमिका पहचानने के लिए नाम या फ़ाइल-पथ को अकेला प्रमाण नहीं माना जाएगा। उदाहरण के लिए, किसी फ़ंक्शन का नाम “init” होना उसे अपने आप केंद्रीय सेटअप कोड नहीं बनाता। वहीं, मुख्य प्रोग्राम ब्लॉक या किसी ऑब्जेक्ट में सेव की गई सेवा का निर्माण अधिक ठोस संरचनात्मक संकेत हो सकता है। जहाँ निष्कर्ष पक्का न हो, वहाँ उसे अज्ञात रखना बेहतर है।
यह तरीका एक आम पक्षपात कम कर सकता है: बहुत सारे कॉल पाने वाला सहायक फ़ंक्शन, कम बार चलने वाले लेकिन वास्तुकला के लिए अहम हिस्सों की जगह न ले।
कॉल-ग्राफ़ में चक्र हों तो उन्हें पहले समेटें
कॉल-ग्राफ़ में चक्र होना सामान्य है। इसलिए उसे सीधे DAG—यानी ऐसा ग्राफ़ जिसमें कोई चक्र न हो—मानकर पढ़ना ठीक नहीं। प्रस्ताव है कि पहले strongly connected components (SCC) पहचाने जाएँ: आपस में पहुँच सकने वाले नोड्स के समूह। हर समूह को एक इकाई मानने पर मिलने वाला condensed graph DAG होता है।
इससे निर्भरता का स्थिर और सीमित नक्शा बनाया जा सकता है। लेकिन वह रनटाइम की समय-रेखा नहीं है। कोड से पता चल सकता है कि दो हिस्से किस तरह जुड़े हैं; इससे यह साबित नहीं होता कि असली निष्पादन में वे हमेशा इसी क्रम में चलेंगे।
चयन में डिग्री का उपयोग करना हो तो प्रस्ताव अलग-अलग कॉल करने वालों और अलग-अलग कॉल लक्ष्यों को गिनेगा। एक ही लक्ष्य को बार-बार बुलाने से उसका महत्व अनंत नहीं बढ़ेगा। फिर भी यह स्कोर केवल समान भूमिका और समान स्तर के उम्मीदवारों के बीच सहायक संकेत होगा—पूरे चयन का अकेला पैमाना नहीं।
RAG में पूरे कोड हिस्से, लेकिन तय सीमा के भीतर
किसी फ़ंक्शन का बीच से काटा हुआ टुकड़ा सस्ता तो हो सकता है, पर उससे शर्त, अपवाद या सफ़ाई वाला हिस्सा छूट सकता है। प्रस्ताव इसलिए पूरे फ़ंक्शन या मेथड, ज़रूरी होने पर पूरी क्लास, और मॉड्यूल के स्तर पर मुख्य प्रोग्राम ब्लॉक जैसी वैध सिंटैक्स इकाइयों को चुनने पर ज़ोर देता है।
हर बार चुने गए मुख्य हिस्से से अधिकतम एक कदम दूर के, सीधे जुड़े कोड को संदर्भ के लिए देखा जा सकता है। उस पहले विस्तार को आगे एक और विस्तार पैदा करने की अनुमति नहीं होगी। इससे “देखते-देखते पूरा कोडबेस खोल देना” सीमित रहता है।
प्रस्तावित अधिकतम सीमा 32 ब्लॉक और कुल 96 KiB स्रोत-पाठ है। अलग चयन-लेन भी रखी जाएँगी—मुख्य ढाँचे, अतिरिक्त संदर्भ और अपवाद/संसाधन सीमा के लिए। इससे सामान्य संदर्भ वाला कोड ज़रूरी मुख्य भूमिका के लिए रखी जगह न घेर सके।
लेकिन सीमा के भीतर रहना और हर ज़रूरी बात पकड़ लेना एक ही बात नहीं। किसी ज़रूरी प्रमाण-समूह को पूरा शामिल न किया जा सके, तो उसे चुपचाप “पूरा” नहीं मानना चाहिए; पैकेट में साफ़ बताना चाहिए कि कौन-सा प्रमाण अधूरा या अनुपलब्ध है।
साझा संदर्भ और आउटपुट की असली लागत
कई निष्कर्ष एक ही फ़ाइल या कोड हिस्से पर आधारित हो सकते हैं। हर निष्कर्ष में फ़ाइल का पूरा रास्ता, हैश और स्रोत-विवरण दोहराने के बजाय, पैकेट में साझा फ़ाइल और स्रोत तालिका रखी जा सकती है। तथ्य फिर स्रोत की संख्या का संदर्भ दें। इससे दोहराव घट सकता है—हालाँकि वास्तविक बचत पैकेट के आकार से मापनी होगी; हर इनपुट में ऐसी तालिका छोटा परिणाम देगी, इसकी गारंटी नहीं।
आउटपुट के लिए प्रस्ताव 24 KiB की हार्ड सीमा और सामान्य स्थिति में 22,016 बाइट का लक्ष्य रखता है। 24 KiB में से 22 KiB घटाने पर 2,048 बाइट बचते हैं—2.5 KiB नहीं। इसलिए 2.5 KiB का बफ़र सचमुच चाहिए तो लक्ष्य और छोटा होना पड़ेगा। आकार की जाँच केवल भीतर के JSON पर नहीं, पूरे JSON-RPC संदेश और उसके अंतिम newline सहित होनी चाहिए।
यहाँ “cache-friendly” होना और असली मॉडल KV-cache hit मिलना अलग दावे हैं। Cache-Augmented Generation (CAG) पर उपलब्ध अध्ययन-सामग्री में बाहरी ज्ञान को दोबारा उपयोग किए जा सकने वाले KV cache में पहले से लोड करने की अवधारणा बताई गई है।1 इससे इस खास सेवा या किसी विशेष मॉडल प्रदाता में cache hit, लागत में बचत या शून्य अतिरिक्त विलंब सिद्ध नहीं होता। उसके लिए उपभोक्ता और प्रदाता के वास्तविक मेट्रिक्स चाहिए।
13/13 कवरेज और शोध के दावों पर सावधानी
अगर 13 जाँच-अंकों के लिए आवश्यक वैध कोड हिस्से उपलब्ध हों, वे तय बजट में समा जाएँ, चयन-नीति उन्हें पहचानकर चुने और स्वतंत्र सत्यापन उन्हीं हिस्सों को सही माने—तो सभी 13 का कवरेज संभव है। मगर केवल प्रस्तावित एल्गोरिद्म देखकर यह गारंटी नहीं दी जा सकती। इस संदर्भ में जमे हुए उत्तरों से मिलान या नया लाइव परीक्षण नहीं चलाया गया है। कोड की मौजूदगी और किसी व्यवहार की पूरी समझ भी एक ही बात नहीं।
संदर्भित शोध में एक पेपर का शीर्षक Reliable Graph-RAG for Codebases: AST-Derived Graphs vs LLM-Extracted Knowledge Graphs है।11 दूसरा Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP नाम से प्रकाशित arXiv सामग्री है।
10 ये विषय के लिए प्रासंगिक पढ़ाई हैं, लेकिन दिए गए संदर्भ से इस सेवा में किसी खास प्रदर्शन-गुणक या शून्य-चूक दर को स्थापित नहीं किया जा सकता। ऐसे संख्यात्मक दावों के लिए मूल प्रयोग, मापने की परिभाषा और उसी परियोजना पर परीक्षण चाहिए।
अभी प्रस्ताव है, पूरा हुआ बदलाव नहीं
कुल मिलाकर, भूमिका-आधारित चयन, चक्रों को समेटा हुआ स्थिर निर्भरता-ग्राफ़ और साझा स्रोत-तालिका AI को अधिक नियंत्रित कोड संदर्भ देने का उपयोगी डिज़ाइन बनाते हैं। साथ में अज्ञात कॉल को अज्ञात ही रखना, हर उद्धरण को पढ़े और जाँचे गए स्रोत से जोड़ना, और ज़रूरी प्रमाण न मिलने पर अधूरापन बताना उतना ही अहम है।
इस तकनीकी संदर्भ में कार्य को केवल-जाँच और डिज़ाइन के रूप में दर्ज किया गया है। कोड बदला नहीं गया, टेस्ट या स्वीकृति-जाँच नहीं चली, और वास्तविक मॉडल या KV-cache लाभ सत्यापित नहीं हुए। इसलिए अगला ठोस कदम प्रस्ताव को संस्करणबद्ध तरीके से लागू करना, बजट और स्रोत-सत्यापन के परीक्षण चलाना, तथा 13 परीक्षण-अंकों को स्वतंत्र रूप से जाँचना होगा।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"कोडबेस समझने वाले AI के लिए सिर्फ़ लोकप्रिय फ़ाइलें चुनना काफ़ी नहीं" का संक्षिप्त उत्तर क्या है?
प्रस्ताव का मुख्य विचार: कोड चुनते समय केवल कॉल ग्राफ़ की लोकप्रियता नहीं, बल्कि एंट्री पॉइंट, इनिशियलाइज़ेशन, स्टेट ऑर्केस्ट्रेशन और स्टोरेज जैसी भूमिकाएँ प्राथमिक हों।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
प्रस्ताव का मुख्य विचार: कोड चुनते समय केवल कॉल ग्राफ़ की लोकप्रियता नहीं, बल्कि एंट्री पॉइंट, इनिशियलाइज़ेशन, स्टेट ऑर्केस्ट्रेशन और स्टोरेज जैसी भूमिकाएँ प्राथमिक हों। कॉल ग्राफ़ अपने आप में DAG नहीं होता; चक्रों को पहले SCC में समेटकर निर्भरता का सीमित नक्शा बनाया जा सकता है।
मुझे अभ्यास में आगे क्या करना चाहिए?
प्रस्तावित चयन सीमा 32 कोड ब्लॉक और 96 KiB है। आउटपुट के लिए 24 KiB की हार्ड सीमा के भीतर सामान्य लक्ष्य 22,016 बाइट रखा गया है।
सूत्र
doi.orgDoes Linguistic Register Affect Faithfulness in Spanish Cache- Augmented Generation? An Exploratory Study with Open- Source LLMs
arxiv.orgAST-Derived Graphs vs LLM-Extracted Knowledge Graphs