Repo Chat快速上手教程：10分钟从零搭建你的GitHub仓库AI代码问答系统

Repo Chat快速上手教程：10分钟从零搭建你的GitHub仓库AI代码问答系统

【免费下载链接】repo-chatUse AI to ask questions about any GitHub repo.项目地址: https://gitcode.com/gh_mirrors/re/repo-chat

Repo Chat 是一个开源的GitHub 仓库 AI 代码问答系统：把你指定的任意仓库克隆下来，将代码"记忆"进向量数据库，之后在终端里直接用自然语言提问，AI 就能基于真实代码给你解答。只需要 Python + OpenAI 密钥 + 免费的向量数据库，新手10 分钟即可从零跑通 🚀

Repo Chat 是什么？它解决了什么问题

接手一个陌生仓库时，你是否还在逐个文件翻代码？Repo Chat 的定位很直接：Use AI to ask questions about any GitHub repo（用 AI 询问任意 GitHub 仓库）。

它的核心是 RAG（检索增强生成）思路，由三个 Python 脚本各司其职：

技术上使用 OpenAI Embeddings 做向量化，Supabase（pgvector 扩展）做向量数据库，LangChain 负责把检索结果交给大模型生成答案。这两者都可以按自己的偏好替换，项目文档中已说明。

Repo Chat 安装步骤：3分钟完成环境配置

git clone https://gitcode.com/gh_mirrors/re/repo-chat cd repo-chat pip install -r requirements.txt

依赖非常轻量，requirements.txt中只包含 LangChain、Supabase、OpenAI 等几个核心库，安装速度很快 ✅

最快配置方法：.env 参数一次写对

在项目根目录创建.env文件（可参考README.md中的配置说明），填好以下关键参数：

初始化 pgvector 向量数据库

1. 进入 Supabase 控制台，打开左侧边栏的SQL Editor
2. 把schema.sql的内容粘贴进去，点击运行
3. 执行后会创建repo_chat向量表（1536 维，正好匹配 OpenAI embeddings）和一个按相似度排序的检索函数 💡

这一步只需做一次，之后所有仓库的"记忆"都存放在这张表中。

10分钟跑通 Repo Chat：克隆 → 嵌入 → 问答三步曲

python3 load.py # 第1步：克隆 .env 中指定的仓库 python3 embed.py # 第2步：代码分块、向量化并入库 python3 main.py # 第3步：开始用自然语言提问

两个小细节值得了解：

• embed.py默认会跳过.git、node_modules、图片等无关文件，并按 2000 字符一块（重叠 200 字符）切分，兼顾检索精度与上下文完整度
• main.py启动后终端会循环询问 "What question do you have about your repo?"，输入问题即可先看到检索到的代码片段、再看到 AI 的答案，输入exit退出

Repo Chat 常见报错排查

• 向量检索报错：确认已完整运行过schema.sql，且.env中的TABLE_NAME与表中名称一致
• 回答质量不理想：检查REPO_URL与REPO_BRANCH是否真的指向目标分支
• 想更换技术栈：OpenAI Embeddings 和 Supabase 均非强绑定，可按官方说明替换为自己的向量方案

总结

从零到能问出第一句话，Repo Chat 只需要：克隆项目 → 配置.env→ 初始化向量表 → 运行三个脚本。10 分钟后，你就拥有了一个专属的GitHub 仓库 AI 代码问答助手，无论是理解陌生代码库还是回答"这个函数在哪里被调用"，都能快人一步 🎉

【免费下载链接】repo-chatUse AI to ask questions about any GitHub repo.项目地址: https://gitcode.com/gh_mirrors/re/repo-chat