Создание tg-бота, оценивающего файл(-ы) в соответствии с правилами, описанными в корпоративной базе знаний. необходимо определить методы получения нужной информации из предоставленных файлов проектов (отдельных с кодом или полностью подготовленных проектов, с помощью пайплайна OCR, RAG или модели ColPali), а также создать систему, позволяющую с помощью LLM оценить эти файлы и вернуть отчет, указывающий на ошибки, допущенные при написании кода.
- создать бота в телеграм
- заполнить .env
- запустить docker-compose
call_llm_model: отправляет содержимое файла и системное описание в модель LLM через API.
classify_files_in_repo: рекурсивно проходит по всем файлам в указанном репозитории
- Обрабатываются только файлы с расширениями .py, .json, .cfg, .yaml
- Для каждого файла читается его содержимое и отправляется на классификацию
- Результат классификации (название категории) сохраняется в словарь.
- Docker
- flask
- telebot
- autopep8
- yapf
- MistralAI
- Гулякина Анна– Design
- Коноплянников Дмитрий – Backend/Мемолог
- Чистов Егор – Backend
- Литвинов Максим – ML Engineer
- Рыжичкин Кирилл – ML Engineer
- main.py обработка бота
- classify.py
- onefile_fix.py - исправление для одного файла
- process.py - обработка репозитория и файла
- process_zip.py - обработка ZIP
- python_rules_of.txt - промпт для правил структуры проекта на питоне
видео: https://drive.google.com/drive/folders/1LQ-dBdjyPreTnUoOsQryhFpDEqIJjscS?usp=sharing
Наше решение для автоматической оценки файлов по корпоративным правилам важно для повышения качества кода, ускорения процессов, минимизации ошибок и обучения сотрудников. Это проект, объединяющий современные технологии OCR, RAG и LLM, повышающий эффективность и универсальность рабочих процессов.
Если говорить об анализе кода, можно рассмотреть несколько аналогов, таких как SonarQube, CodeClimate и Codacy. Однако наше решение уникально благодаря интеграции с Telegram и возможностью анализа кода непосредственно в чате.