RAG 增强编程助手架构设计
检索增强生成（RAG）通过检索相关代码片段作为上下文，让 LLM 生成更符合项目规范的代码，减少幻觉和风格不一致。
核心架构
RAG 编程助手包含四个模块：索引模块（解析、分块、向量化）、检索模块（编码、搜索、重排序）、生成模块（上下文注入、代码生成）、反馈模块（质量评估、索引更新）。
python
class RAGCodingAssistant:
def generate(self, query, project_context):
results = self.retriever.search(query=query, top_k=10,
filters={"language": project_context["language"]})
reranked = self.reranker.rank(query, results)
context = self.format_context(reranked[:5])
prompt = f"项目上下文：\n{context}\n\n用户请求：{query}"
return self.llm.generate(prompt)代码分块策略
- 函数级分块：以函数为单位，保持语义完整
- 类级分块：以类定义为单位，包含所有方法
- 文件级分块：整个文件作为一个块
- 滑动窗口：固定大小窗口，带重叠
分块粒度选择
函数级分块通常效果最好——既保持语义完整性，又不引入过多无关代码。短文件（<200行）用文件级更简单有效。