Компанія Augment Code розробила систему, яка значно пришвидшує пошук результатів у приватних репозиторіях коду завдяки семантичному розумінню всього коду. Це дозволяє скоротити час і підвищити ефективність роботи моделей штучного інтелекту при роботі з великими приватними кодовими базами.
За словами представника Augment, у звичайних випадках модель ніколи раніше не бачила приватний репозиторій, через що ітерації пошуку потрібного результату займають більше часу. Натомість семантичне розуміння всього репозиторію дає змогу швидко отримувати відповіді на запити, що значно прискорює процес.
Компанія провела тестування Terminal-Bench із використанням моделей Claude Code та Augment Code, які базуються на одній і тій самій моделі. Результати показали схожу точність, але Augment Code виявився на 33% ефективнішим у використанні токенів. Це свідчить про те, що семантичний підхід допомагає зменшити витрати ресурсів, оскільки зменшує час, витрачений на пошук і дослідження.
Представник Augment також прокоментував заяви Anthropic, яка повідомляла, що Claude Code не отримує помітних переваг від додавання семантичних інструментів навігації по коду. За його словами, різниця полягає у якості системи пошуку та контекстного движка, які працюють разом із моделлю. Не всі системи пошуку однакові, як і не всі бази даних, і саме це впливає на якість результатів.
Augment витратила близько 18 місяців на дослідження моделей пошуку та вбудовування для великих кодових баз ще до появи ChatGPT у 2022 році. Вони розробили швидку систему, яка підбирає релевантні фрагменти коду у векторному просторі, що і забезпечує покращену ефективність. Таким чином, відсутність виграшу у Claude Code із RAG-реалізацією, на думку представника Augment, пов’язана з відмінностями у реалізації та контекстному движку.