Shire RAG 工作流：在 IDE 中编排 RAG，构建可信的编码智能体
内容提要
构建编码智能体的新RAG工作流，使用Shire语言和自定义的RAG流程智能体编排。通过IDE接口获取代码数据，进行向量化、检索和代码搜索。结合代码校验和执行功能，构建完整、可信的编码智能体。基于Shire的Pattern Action和代码可信校验，实现自动化编程。使用Index和Query实现代码检索与查询。通过Shire自定义代码检索和LLM总结，实现代码示例解释。Shire RAG工作流的实现使用ONNX Runtime、Sentence Transformers和Jaccard相似度算法。支持多种文档类型和IDE语言代码文件。下一步计划提供更多能力，如更多存储方式、结果重排和更多检索方式。
延伸解读
Shire RAG 工作流的核心机制
Shire RAG 工作流通过 Pattern Action 定义数据流，从 IDE 中获取代码数据，并利用 variables 进行向量化、检索和代码搜索。在 afterStreaming 阶段，通过 searching 函数结合上一步结果进行检索，再通过 execute 调用下一个流程（如 summary.shire）进行总结。这种机制将 RAG 流程简化为与 LLM 的两次交互，降低了编排复杂度，但要求对原子能力有较高抽象。
代码可信校验与执行流程
Shire 在 onStreamingDone 阶段提供 parseCode、verifyCode 和 runCode 等后处理函数，用于解析、校验和运行 LLM 生成的代码。例如，生成 Python Hello World 后，依次执行保存、语法校验和运行，确保代码可信。这使编码智能体不仅能生成代码，还能验证和执行，提升自动化编程的可靠性。
技术栈与检索方式
Shire RAG 工作流采用 ONNX Runtime 作为推理框架，Sentence Transformers all-MiniLM-L6-v2 作为 Embedding 模型，默认使用 Jaccard 相似度算法，数据存储默认为内存，未来计划支持 SQLite。此外，还支持基于 NLP 的传统检索方式，如 similarCode 变量使用 Jaccard 算法检索相似代码，similarTestCase 变量使用 TF-IDF 检索相似测试用例。
当前限制与未来方向
当前 Shire RAG 工作流仅能满足简单需求，代码拆分机制尚不完善，存储方式有限。下一步计划支持更多存储方式（如向量数据库）、结果重排（如 LIM、LLM Rerank）以及更多检索方式（如 BM25+、BM42）。这些改进将增强工作流的实用性和灵活性，但现阶段仍是一个 PoC，需谨慎评估其适用场景。
Q&A
Shire RAG 工作流的主要功能是什么？
Shire RAG 工作流主要用于构建可信的编码智能体，支持代码数据的获取、向量化、检索、校验和执行。
如何在 Shire 中实现代码检索？
在 Shire 中，可以通过定义变量和使用 Index 与 Query 函数来实现代码的检索与查询。
Shire RAG 工作流使用了哪些技术？
Shire RAG 工作流主要使用 ONNX Runtime、Sentence Transformers 和 Jaccard 相似度算法等技术。
Shire 的代码校验功能是如何工作的？
Shire 的代码校验在 Streaming 完成后执行，通过 parseCode、verifyCode 和 runCode 函数对生成的代码进行处理和校验。
Shire RAG 工作流支持哪些文档类型？
Shire RAG 工作流支持多种文档类型，包括 Office 文档（如 docx、pptx、xlsx）、PDF 文档和多种 IDE 语言代码文件。
Shire RAG 工作流的未来计划是什么？
未来计划包括支持更多存储方式、结果重排和更多检索方式，以增强工作流的能力。
