arXiv:2507.18515 65 24 июля 2025 г. PRO

Глубокое погружение в генерацию с дополненным поиском для автодополнения кода: опыт WeChat

КЛЮЧЕВАЯ СУТЬ

Комбинация двух типов поиска — по ключевым словам и по смыслу — дает наилучшее качество генерации кода, так как эти подходы дополняют друг друга.

Адаптировать под запрос

Контент доступен только для PRO подписчиков

Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

Выберите модель ИИ:

Ваш запрос:

0 / 2000

~0.5-2 N-токенов ~10-30с

~0.3-1 N-токенов ~5-15с

65

УДОВЛЕТВОРИТЕЛЬНО

Глубокое погружение в генерацию с дополненным поиском для ав...

КОМУ ПОЛЕЗНО

Разработчик RAG-систем

Оптимизирует системы автодополнения кода, комбинируя лексический (BM25) и семантический (GTE-Qwen) поиск для извлечения релевантных фрагментов кода, что приводит к повышению точности и релевантности предлагаемых решений на 10-15%.

Промпт-инженер

Создает более эффективные few-shot промпты для LLM, вручную подбирая примеры, которые демонстрируют как структурную (лексическую), так и концептуальную (семантическую) схожесть с желаемым результатом, что улучшает качество генерации текста на 20-30% в сложных задачах.

SMM-менеджер

Генерирует рекламные посты, используя гибридный подход к примерам: один пример задает стиль и структуру (лексическая схожесть), другой — смысловое наполнение и лексикон (семантическая схожесть), что позволяет создавать более цепляющие и релевантные публикации с увеличением вовлеченности аудитории на 15%.

Менеджер по развитию бизнеса

Составляет холодные письма и коммерческие предложения, используя примеры, которые задают формальную структуру письма (лексическая схожесть) и одновременно раскрывают ценностное предложение и аргументы (семантическая схожесть), повышая конверсию ответов на 5-10%.

Разработчик ИИ-ассистентов

Интегрирует гибридные механизмы поиска в системы помощи разработчикам, чтобы предоставлять более точные и контекстно-зависимые подсказки и автодополнения, сокращая время на разработку и отладку кода на 5-7%.

Исследователь LLM

Использует принцип комплементарности лексического и семантического поиска для изучения поведения LLM и разработки новых методов улучшения их производительности, что приводит к созданию более устойчивых и точных моделей.

Контент-менеджер

Создает разнообразный контент (статьи, описания продуктов) с помощью LLM, предоставляя модели примеры, которые задают желаемый тон и формат (лексическая схожесть) и одновременно обеспечивают глубокое смысловое наполнение (семантическая схожесть), что повышает качество и уникальность контента.