CodeFuse

CodeFuse让研发团队按任务选择和部署代码智能工具：用项目代码与文档构建问答助手，用静态分析提取代码关系，或为函数生成单元测试。它同时提供模型微调与推理缓存组件，适合希望控制模型、数据和运行环境的开发者，而使用者需要分别配置所选项目的依赖与服务。

围绕研发任务组合独立开源组件

CodeFuse将模型训练、知识检索、代码分析和测试生成拆为不同项目。已有模型的团队可以从助手或测试组件开始，需要适配训练数据时再使用MFTCoder；需要分析代码结构时则运行CodeFuse-Query。各仓库有自己的部署说明和模型要求，能力之间可以作为技术选型的组合，但选择一个组件不会自动部署整套研发流程。

用代码库与文档构建研发助手

CodeFuse-ChatBot把文档知识库、代码库理解、工具调用与沙箱执行放入多智能体助手框架。准备项目材料后，可通过检索增强生成组织回答，也能围绕代码仓库进行解释与生成。模型层支持通过FastChat接入开源模型，也支持外部模型API；使用本地模型与嵌入服务时，可按官方方案搭建私有环境，数据处理与模型调用方式由部署配置决定。

在多任务微调中平衡训练数据

MFTCoder面向需要训练或适配代码模型的开发团队，处理不同任务样本量、难度和收敛进度不一致的问题。训练可选择LoRA、QLoRA或全参数方式，并有基于Accelerate、DeepSpeed或FSDP的运行路径。训练完成后，使用LoRA的项目可将适配器与基础模型权重合并，再衔接推理部署；这部分需要自行准备数据、基础模型与训练资源。

把源码结构转为可查询的分析事实

CodeFuse-Query通过COREF提取器从源码生成结构化事实，再使用基于Datalog的Godel语言编写分析查询。可用信息包括语法结构、调用关系和类层次，具体覆盖范围随语言提取器而异。开发者可用Sparrow命令行工具执行提取和查询，把复杂代码问题转成可重复运行的规则；Java、JavaScript、TypeScript和Go等语言有对应支持，部分其他语言处于测试阶段。

按语言与任务生成测试代码

Test-Agent将TestGPT模型与部署框架结合，提供单元测试生成和断言补全入口。官方任务范围包括Java、Python及JavaScript的测试生成，断言补全则面向Java。配置模型并启动控制器、模型工作进程和Gradio界面后，可以在页面选择相应任务并提交代码，获取待检查的测试内容，再结合项目依赖运行与调整。

用语义缓存复用模型回答

ModelCache在模型调用前查询已有结果，通过嵌入表示和相似度判断复用相近请求的回答。组件提供缓存写入、查询与删除接口，并可按租户和模型隔离数据。演示部署使用SQLite与FAISS，标准方案可连接MySQL与Milvus；开发者还能配置相似度阈值及多轮对话相关策略。更换模型或回答逻辑后，需要同步管理缓存，避免继续使用不适合当前服务的结果。

在桌面编辑器中修复诊断与生成命令

CodeFuse IDE基于OpenSumi构建，提供面向编码的AI交互并兼容VS Code扩展生态。0.7.0版本可在光标靠近Lint诊断错误时给出改写提示，按Tab应用；终端中输入井号可唤起自然语言命令面板，选择生成的候选命令后填入终端，再由用户执行。该发行版提供Windows x64、macOS Intel和Apple芯片安装包，适合希望从客户端开始体验的开发者。

从部署代码知识助手开始

1. 选择对应仓库：从官网或官方GitHub组织进入CodeFuse-ChatBot，先阅读其依赖和启动说明，准备项目代码或研发文档作为知识材料。
2. 准备运行环境：按仓库要求配置Python环境并安装依赖；根据本地模型或外部API的选择，准备模型文件、嵌入服务及必要的计算资源。
3. 配置模型与服务：在项目配置中填写模型和服务信息，按文档启动服务，再通过网页配置入口完成相应设置并启动对话服务。
4. 建立任务上下文：使用文档知识库或代码仓库相关入口整理材料，选择需要的工具与助手流程，让问题对应到实际项目内容。
5. 检查回答与代码：提交具体研发问题，查看回答或生成内容；涉及代码执行、依赖和测试结果时，在项目环境中继续验证后再采用。

适合已有代码与模型工程基础的团队

• 维护既有项目：将代码仓库和研发文档接入助手，围绕模块职责、接口关系和实现位置提问，用回答辅助定位后续修改范围。
• 制定代码检查规则：以项目源码为输入，用Query提取关系并编写Godel查询，将反复需要检查的结构问题整理成可运行规则。
• 补充函数测试：为Java、Python或JavaScript代码生成测试草稿，开发者补齐项目依赖与断言，再运行测试检查真实行为。
• 适配内部代码模型：准备多个研发任务的数据，选择MFTCoder训练方式与基础模型，完成微调后将结果用于后续推理服务。
• 维护模型调用服务：将重复或相近问答交给ModelCache检索，配置隔离范围与阈值，并在模型或知识内容变化后清理相关缓存。