zg Inafanya kazi

zg (zvec-grep) ni zana ya msingi ya utafutaji iliyounganishwa, iliyopewa kipaumbele cha matumizi ya ndani na kutolewa na Zvec AI kama chanzo huria, kwa ajili ya wasanidi programu na AI Agent. Zana hii huunganisha ulinganifu sahihi wa ripgrep, utafutaji wa kileksika wa BM25 na utafutaji wa kisemantiki wa vekta, ikitatua pengo la msamiati kati ya nia inayoelezwa kwa lugha ya kawaida na maelezo halisi katika msimbo na nyaraka, na kuwezesha mnyororo kamili wa utafutaji kutoka uchunguzi wa jumla hadi ujanibishaji sahihi. Uchanganuzi wa faili, Embedding, uundaji wa faharasa na utafutaji wa zg hufanyika kwa chaguomsingi kwenye kifaa cha ndani, ikiwa na modeli nyepesi za upande wa kifaa na bila kuhitaji GPU au huduma za nje, huku ikidumisha faragha na ufanisi.

Mfuate WeChat na ujibu “开源” ili ujiunge na kikundi cha mawasiliano cha miradi ya AI ya chanzo huria
Utafutaji wa kisemantiki: Gundua maudhui yanayohusiana katika msimbo na nyaraka kulingana na nia ya lugha ya kawaida, bila kuhitaji kubashiri maneno muhimu kwa usahihi mapema.
Utafutaji wa BM25: Panga vipande vya maandishi kwa uhusiano kwa kutumia uzani wa marudio ya maneno, na ulenga haraka matokeo yanayolingana zaidi.
Utafutaji mseto: Changanya urejeshaji wa vekta za kisemantiki na BM25, ukitumia RRF kuunganisha, kuondoa marudio na kupanga matokeo kwa pamoja.
Ulinganifu sahihi wa ripgrep: Fanya uthibitishaji kamili wa alama, majina ya kazi, funguo za usanidi au mifumo ya maandishi inayojulikana.
Uchimbaji wa maudhui wa miundo mingi: Changanua kiotomatiki viwango vya alama za msimbo, miundo ya sura za nyaraka na faili za data, huku ukihifadhi metadata ya ujanibishaji.
Embedding ya ndani ya kifaa: Ina modeli 11 nyepesi zinazofanya kazi kwa chaguomsingi kwenye kifaa bila GPU au kupakia data.
Uhifadhi wa faharasa uliopachikwa: Hutumia hifadhidata ya Zvec ndani ya mchakato kutekeleza faharasa za vekta na BM25 bila kuhitaji kusambaza huduma huru.
Usasishaji wa faharasa kwa nyongeza: Baada ya uundaji wa kwanza, hushughulikia maudhui yaliyobadilika pekee; faharasa inaweza kutumiwa tena kwa muda mrefu katika utafutaji mbalimbali na kazi za Agent.
Njia mbili za CLI + MCP: Hutoa mstari wa amri kwa matumizi ya binadamu na, kupitia itifaki ya MCP, huruhusu Agent kama Codex na Cursor kuitumia.
Uunganishaji wa Agent kiotomatiki: zg install hugundua kiotomatiki Agent zilizosakinishwa kwenye kifaa na kukamilisha usanidi wa MCP.

Usakinishaji: Sakinisha zana ya zg duniani kote kwa kutumia npm install -g @zvec/zvec-grep.
Usanidi: Endesha zg install ili kugundua kiotomatiki Codex, Cursor na Agent nyingine zilizosakinishwa kwenye kifaa, kisha kukamilisha uunganishaji wa MCP.
Uundaji wa faharasa: Ingia kwenye saraka ya hazina lengwa na utekeleze zg index ili kuunda faharasa za ndani za kisemantiki na BM25 kwa msimbo na nyaraka.
Utafutaji wa CLI: Kwenye terminal, tumia zg query --human "Swali lako" kutafuta maudhui ya ndani kwa lugha ya kawaida.
Utafutaji wa Agent: Uliza swali moja kwa moja kwa lugha ya kawaida ndani ya Agent iliyounganishwa; Agent itaita zg kiotomatiki kupitia MCP ili kukamilisha utafutaji.

Mtindo mmoja wa utafutaji: Huunganisha ugunduzi wa kisemantiki, upangaji wa BM25 na ulinganifu sahihi wa ripgrep kuwa mnyororo mmoja kamili wa utafutaji, unaofunika mchakato mzima kutoka nia isiyoeleweka hadi uthibitishaji wa alama.
Muundo wa asili kwa Agent: Huunganishwa kwa kina na Agent maarufu kupitia itifaki ya MCP; majaribio yanaonyesha kuwa inaweza kupunguza zaidi ya 40% ya miito ya zana na matumizi ya Token.
Faragha inayotanguliza matumizi ya ndani: Uchanganuzi wa faili, Embedding, uundaji wa faharasa na utafutaji hufanyika kwa chaguomsingi ndani ya kifaa bila kuhitaji kupakia maudhui yoyote.
Modeli nyepesi za upande wa kifaa: Ina modeli 11 za Embedding za upande wa kifaa; kwa chaguomsingi inaweza kufanya kazi kwa vigezo 16M bila GPU au API ya mbali.
Uhifadhi uliopachikwa usio na utegemezi: Hutumia hifadhidata ya Zvec ndani ya mchakato kutekeleza faharasa za vekta na BM25 bila kusambaza au kudumisha huduma huru ya hifadhidata.
Utumiaji tena wa faharasa kwa nyongeza: Baada ya uundaji wa kwanza, hushughulikia maudhui yaliyobadilika pekee; faharasa hiyo hiyo inaweza kushirikiwa na kutumiwa tena kwa muda mrefu na CLI pamoja na kazi nyingi za Agent.
Uchimbaji wa maudhui yaliyopangwa: Changanua kiotomatiki viwango vya alama za msimbo, miundo ya sura za nyaraka na metadata, ili matokeo ya utafutaji yaweze kujanibishwa na kuthibitishwa.
Uunganishaji wa Agent kwa mbofyo mmoja: zg install hugundua kiotomatiki Codex, Cursor, Claude Code na Agent nyingine kwenye kifaa, kisha kukamilisha usanidi wa MCP.

Hazina ya GitHub: https://github.com/zvec-ai/zvec-grep

Uchunguzi wa nia katika hazina ya msimbo: Msanidi programu au Agent anaeleza hali ya kibiashara kwa lugha ya kawaida, kisha utafutaji wa kisemantiki wa zg hujanibisha utekelezaji unaohusiana wa hydratePreferences katika msimbo au “idhini na uidhinishaji wa akaunti” katika nyaraka.
Ujanibishaji wa hitilafu na uchanganuzi wa chanzo: Inapokabiliwa na kumbukumbu za hitilafu au maelezo yasiyo wazi kutoka kwa mtumiaji, Agent hutumia utafutaji wa kisemantiki wa zg kugundua haraka njia za msimbo, faili za usanidi na maelezo katika nyaraka, na kupunguza utafutaji wa raundi nyingi pamoja na usomaji wa faili zisizohusiana.
Uelewa wa msimbo katika faili mbalimbali: Wakati wa kuelewa utekelezaji kamili wa kipengele katika hazina kubwa ya msimbo, kuuliza kwa lugha ya kawaida hupata kazi, ufafanuzi wa miingiliano na uhusiano wa miito unaohusiana katika moduli na lugha mbalimbali, bila kuhitaji kupitia mti wa saraka kwa mkono.
Maswali na majibu kutoka hifadhidata ya maarifa ya ndani: Baada ya kuunda faharasa ya nyaraka za kiufundi, nyenzo za utafiti, madokezo na faili za Markdown/maandishi, tumia maswali ya lugha ya kawaida kupata majibu sahihi haraka, yakiwa na faili chanzo na ujanibishaji wa sura husika.