Открытый плагин RAG для разработки: контекст задачи собирается за секунды, а не за 20 минут

Контекст для языковой модели в реальном проекте это не один файл. Это конкретная функция, её вызывающие, тесты, история похожих задач и паттерн, который нельзя ломать. До сих пор программист либо собирал всё вручную и оплачивал объём токенами (единицами текста, за которые платит модель), либо запускал модель «вслепую» и потом правил результат. Репозиторий mimfort/rag_for_git предлагает третий путь: построить индекс репозитория один раз и дальше отдавать модели ровно то, что нужно для конкретной задачи. Автоматически, структурированно и без лишних затрат.

Что умеет solve-task и почему это не просто поиск по файлам?

• Гибридный индекс кода. ParadeDB (PostgreSQL с расширениями pgvector и pg_search) хранит векторные представления фрагментов кода. Поиск идёт одновременно по смыслу (ANN, приближённый поиск ближайших соседей) и по тексту (BM25), результаты сливаются через RRF (метод объединения рангов из разных источников).
• Граф вызовов в Neo4j. Каждая функция или класс становится узлом графа, связи CALLS и IMPLEMENTS показывают, кто кого вызывает. Для Python граф строится через SCIP (инструмент статического анализа). Ключ связи между индексом и графом один и тот же: путь к файлу плюс полное имя символа.
• Синхронизация задач без токенов. Скилл sync-tasks забирает задачи из трекера средствами Python на стороне сервера. Языковая модель не перечисляет доску и не передаёт текст задач, поэтому стоимость синхронизации составляет ноль токенов Claude вне зависимости от размера доски.
• Инкрементальное обновление. После первой полной индексации система при каждом запуске сверяет хеш индекса с текущей веткой и достраивает только изменённые файлы. Повторный синк задач трогает лишь новые или обновлённые записи.
• Жёсткий фильтр контекста. В бриф попадают не больше трёх связанных задач и не больше пяти файлов или символов. Остальное отбрасывается с пометкой «dropped N: причина», чтобы окно контекста не раздувалось.

Как выглядит рабочий цикл?

Разработчик вызывает скилл одной командой, например /rag-reviewer:reviewer_solve-task PRI-154. Дальше пайплайн проходит несколько шагов без участия человека.

1. Preflight. Проверяет свежесть индекса, запускает инкрементальный синк задач, подтягивает сводки подсистем для архитектурного контекста.
2. Идентификация задачи. По ключу ищет задачу в локальном хранилище. Если не нашёл, обращается к трекеру напрямую.
3. Сбор контекста. Параллельно: архитектурные сводки, граф связей задачи, семантически похожие задачи из истории, гибридный поиск по базе кода. При необходимости подтягивает diff из похожих PR и граф вызовов для центральных символов.
4. Бриф и передача. Формирует компактный Markdown-документ с конкретными путями, номерами строк, паттернами из похожих задач и ограничениями. Этот бриф уходит в цикл brainstorming, writing-plans, subagent-driven-development, executing-plans.

На выходе модель видит не абстрактный репозиторий, а конкретный path:line, знает существующий паттерн и историю похожих реализаций.

Как попробовать?

1. Клонируйте репозиторий: git clone https://github.com/mimfort/rag_for_git.
2. Поднимите инфраструктуру через Docker: два контейнера, ParadeDB и Neo4j.
3. Запустите индексацию: reviewer index /path/to/repo --ref main --repo owner/name.
4. Вызовите скилл из Claude Code или OpenCode командой /rag-reviewer:reviewer_solve-task <ключ задачи>.

RAG для разработки: что доступно в российских стеках?

Прямого аналога solve-task среди российских продуктов пока нет. YandexGPT и GigaChat умеют работать с кодом, но не строят граф вызовов и не индексируют трекер задач автоматически. При этом весь стек плагина совместим с инструментами, популярными в российских компаниях.

Главное ограничение: плагин заточен под Claude Code, а значит, требует доступ к API Anthropic. Для тех, кто работает только с российскими моделями, напрямую подключить solve-task пока нельзя.

Частые вопросы

Нужно ли платить за использование плагина?

Сам плагин бесплатный и открытый. Эмбеддинги через Voyage AI покрываются бесплатным тиром: по данным автора, полная индексация среднего Python-репозитория укладывается в лимит. Деньги нужны только на токены Claude при анализе в brainstorming и дальнейших шагах, но это стоимость самой модели, а не плагина.

Подойдёт ли для проектов не на Python?

Граф вызовов через SCIP (инструмент, который разбирает структуру кода и строит карту связей между функциями) в текущей версии работает через scip-python. Для других языков SCIP-бэкенды существуют, но автор описывает именно Python. Векторный поиск по коду будет работать для любого языка, но без графа вызовов часть контекста потеряется.

Чем это отличается от обычного поиска по репозиторию?

Обычный поиск (grep, семантический поиск по файлам) находит похожий текст. solve-task дополнительно использует граф вызовов (кто вызывает функцию, кто её реализует), историю задач из трекера и паттерны из похожих PR. Результат: модель получает не список файлов, а структурированный бриф с конкретными строками, ограничениями и примерами из прошлых реализаций.

Для разработчиков, которые каждый день объясняют ИИ-ассистенту контекст проекта заново, этот плагин может оказаться тем самым инструментом, который превращает RAG для разработки из концепции в рабочий процесс.