Was macht claude-ace?
Baue einen token-sparenden KI-Coding-Assistenten für OpenAI und chinesische LLMs mit AST-basiertem Kontext, Self-Healing und Absichtsprüfungen.
Übersicht
Dieser Skill hilft dir, einen KI-Coding-Assistenten zu konstruieren, der speziell für den Einsatz mit OpenAI- und chinesischen LLMs (wie DeepSeek, Qwen, Baichuan) optimiert ist. Durch die Verwendung eines AST-basierten Kontexts wird nur der aktuell relevante Code (z. B. die aktuelle Funktion oder Klasse) in den Kontext geladen, anstatt die gesamte Datei. Das spart Tokens und damit Kosten.
Hauptfunktionen
- AST-basierte Kontextextraktion: Extrahiert aus einer Quelldatei nur die Knoten des abstrakten Syntaxbaums, die für die aktuelle Aufgabe benötigt werden.
- Self-Healing: Erkennt fehlerhafte oder unvollständige Codeausgaben der KI und repariert sie automatisch (z. B. fehlende schließende Klammern, falsche Einrückung).
- Intent-Checks: Bevor Code generiert oder geändert wird, überprüft der Assistent die Absicht des Entwicklers, um Fehlinterpretationen zu vermeiden.
- Token-Einsparung: Reduziert die Anzahl der verbrauchten Tokens um bis zu 60 % im Vergleich zu herkömmlichen Volltext-Methoden.
Unterstützte Plattformen
- OpenAI: GPT-4, GPT-4o, GPT-4-turbo
- Chinesische LLMs: DeepSeek, Qwen, Baichuan, GLM (ChatGLM)
- Entwicklungsumgebungen: VS Code, JetBrains IDEs, CLI
Installation
- Clone das Repository:
git clone https://github.com/Vmara2376/claude-ace.git
cd claude-ace
- Installiere Abhängigkeiten:
pip install -r requirements.txt
- Konfiguriere Umgebungsvariablen:
Erstelle eine .env-Datei mit folgendem Inhalt:
OPENAI_API_KEY=dein_openai_api_key
LLM_PROVIDER=openai # oder: deepseek, qwen etc.
Verwendung
Starte den Assistenten mit:
python ace.py --file pfad/zur/datei.py --task "Füge Fehlerbehandlung hinzu"
Weitere Optionen:
| Flag | Beschreibung |
|---|---|
--file | Pfad zur Quelldatei |
--task | Aufgabe für die KI |
--intent-check | Aktiviert Intent-Überprüfung (standardmäßig an) |
--self-heal | Aktiviert Self-Healing (standardmäßig an) |
Funktionsweise
- AST-Parsing: Die Quelldatei wird mit
ast.parse(Python) oder vergleichbaren Parsern für andere Sprachen in einen AST zerlegt. - Kontextextraktion: Der relevante Teil des AST (z. B. die aktuelle Funktion, Klasse oder Methode) wird identifiziert und als Kontext verwendet.
- Prompt-Konstruktion: Der extrahierte Kontext wird zusammen mit der Aufgabe der KI übergeben.
- Self-Healing: Nach Erhalt der Antwort prüft der Assistent die syntaktische Korrektheit und repariert Fehler automatisch.
- Intent-Prüfung: Der generierte Code wird mit der ursprünglichen Absicht abgeglichen, um Abweichungen zu erkennen.
Beispiele
Beispiel 1: Token-Einsparung
Angenommen, du hast eine 5000 Zeilen große Datei. Mit herkömmlichen Methoden würdest du 5000 Zeilen an Tokens verbrauchen. Mit AST-basiertem Kontext werden nur die relevanten 50 Zeilen geladen – eine Einsparung von 99 %.
Beispiel 2: Self-Healing
Die KI gibt Code mit einer fehlenden schließenden Klammer zurück:
def add(a, b:
return a + b
Der Assistent repariert dies zu:
def add(a, b):
return a + b
Beitrag leisten
Beiträge sind willkommen! Bitte erstelle einen Pull-Request oder öffne ein Issue auf GitHub.
Lizenz
MIT