YDX | Step 2 — Architecture

2 months
████████████░░░░░░░░ 7/11 completed

✅ Server / Axum
✅ Website / React
✅ Documentation / mdBook
✅ Deployment / Docker
✅ Linux / GTK
✅ Windows / WinUI 3
✅ macOS / SwiftUI
⌛ HarmonyOS / ArkTS
⌛ Aurora OS / Qt
⌛ Android / Jetpack Compose
⌛ iOS / SwiftUI

Vibe Analyzer 😎

🔗 https://gitcode.com/keygenqt_vz/vibe-analyzer

Нужно ли использовать LLM 🤖? Да. Другого варианта я не вижу, это просто инструмент — как IDE или Stack Overflow.

Можно писать код в тетрадке и читать все книги по программированию. Но производительность упадет. Давно вы считали 121 × 16 в уме?

Я начал разбираться с LLM и вижу задачи, которые можно упростить с помощью локальной модели. Платить за токены? Только если не можешь не платить. Сначала — максимум из бесплатных инструментов.

Локальные LLM упираются в лимиты контекста. RAG в этих условиях недоступен. Ограничивать модель под контекст — глупо. Брать нужно максимально возможную под память модель, а к контексту относиться бережно.

Я прощупал на Python структуру, в которой модель получает максимально качественный и минимальный объём данных. Этого хватает для работы без перегрузки. Это работает. Я добился стабильных ответов.

Так я начал проект Vibe Analyzer уже на Rust для получения максимальной производительности. Он индексирует код, собирает метрики, извлекает AST через tree-sitter, определяет лицензии. Экспортирует компактный JSON — ровно столько, сколько нужно модели. Дальше — MCP и OpenSearch: модель сама получит всё необходимое по базе знаний.

За два дня — 4k+ строк отполированного Rust-кода. 😎

Vibe Analyzer: что нового

AST-сканер отполирован:
🍔 13 языков — от Rust до ArkTS, включая Bash/Batch
🛟 Тесты на реальных данных, контроль качества
⚠️ Экспорт в JSON/JSON5/TOON/XML — можно и в LLM-контекст, и в API

Добавил LLM-обогащение:
🥳 Стабильно даже на qwen2.5-coder:3b
👍 Каждый файл получает описание и 3-5 тегов
🤩 Батчинг с умным ограничением по символам

Кластерный режим:
⚡️ Разные машины с разными настройками
⚡️ Конкуренция — мощный сервер возьмёт больше задач
⚡️ M4 Pro + 4070 Ti = 100 файлов ~30 секунд

Что есть сейчас:
✅ Полный дамп проекта AST
✅ Полный дамп проекта AST+LLM
✅ Дальше — OpenSearch и MCP

Представьте, что любой AI-ассистент сразу понимает структуру вашего проекта. Не потому, что вы ему что-то объяснили, а потому что он получил знания о проекте. Сейчас Vibe Analyzer умеет проходить по проекту и создавать аннотированный слепок: AST, метаданные, сгенерированные локальной моделью описания и теги. Это не просто список файлов, а готовая семантическая карта проекта — компактная, быстрая, заточенная под Agentic RAG. Следующий шаг — интеграция с OpenSearch и MCP. Тогда агент не будет тратить контекст на слепое чтение файлов, а сможет точечно запрашивать через индекс именно то, что ему нужно. Спросит: «что у нас есть по этой теме?» — и получит точный, компактный ответ, в котором будет всё необходимое для его работы.