Bytebell: LLM-generierte Code-Graphen schlagen Embeddings und ASTs bei Retrieval
Das Team hinter Bytebell beschreibt seinen einjährigen Evaluierungsprozess für Code-Retrieval-Systeme. Vektorembeddings scheiterten daran, dass semantisch unverwandte Funktionen mit gleichem Namen (z. B. `process()`) ähnliche Vektoren erzeugen und strukturelle Beziehungen wie Call-Graphs oder Imports verloren gehen. Tree-sitter-ASTs liefern zwar präzise Struktur, aber keine Geschäftsbedeutung – Fragen in Business-Sprache bleiben unbeantwortet. Der gewählte Ansatz: Pro Datei wird ein LLM-Aufruf gemacht, der purpose, summary, businessContext und Entities generiert; diese werden als Knoten in Neo4j gespeichert, verbunden mit Klassen-, Funktions-, Keyword- und Import-Kanten. Abfragen laufen über Fulltext-Suche auf diesen semantischen Feldern statt über Vektorähnlichkeit. Zur Kostenkontrolle wird SHA-256-Hashing verwendet, sodass nur geänderte Dateien neu indiziert werden. Als externe Validierung zitiert das Team RepoGraph (ICLR 2025, +32,8 % auf SWE-bench) und Code-Craft (+82 % Top-1-Retrieval-Präzision). Der Quellcode ist unter github.com/ByteBell/bytebell-oss verfügbar; LLM-Aufrufe laufen ausschließlich über OpenRouter und binden lokal an 127.0.0.1.
- Neo4j speichert Knoten mit den Feldern purpose, summary, businessContext und entities pro Datei.
- SHA-256-Diffing stellt sicher, dass LLM-Kosten proportional zur Code-Änderungsrate bleiben.
- RepoGraph (ICLR 2025) zeigte +32,8 % auf SWE-bench durch Graph-Ansätze.
- Code-Craft erzielte laut Post +82 % Top-1-Retrieval-Präzision mit bottom-up LLM-Summaries.
- Outbound-Calls gehen ausschließlich über OpenRouter; der Dienst bindet an 127.0.0.1 – kein Source-Code in die Cloud.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org3w
LSem2Vec: Zweistufige Source-Code-Einbettung ohne Fine-Tuning
- FORSCHUNGarxiv.org1w
ACToR: Adaptives Critical-Token-Retrieval für Repository-Level Code-Generierung
- FORSCHUNGarxiv.org0mo
jina-code-embeddings: State-of-the-Art Code-Embedding aus Autoregressive-Modellen
- FORSCHUNGarxiv.org3w
MemStrata eliminiert veraltete Fakten in Code-Assistenten mit 0.91 Genauigkeit
Bytebell: LLM-generierte Code-Graphen schlagen Embeddings und ASTs bei Retrieval
Das Team hinter Bytebell beschreibt seinen einjährigen Evaluierungsprozess für Code-Retrieval-Systeme. Vektorembeddings scheiterten daran, dass semantisch unverwandte Funktionen mit gleichem Namen (z. B. `process()`) ähnliche Vektoren erzeugen und strukturelle Beziehungen wie Call-Graphs oder Imports verloren gehen. Tree-sitter-ASTs liefern zwar präzise Struktur, aber keine Geschäftsbedeutung – Fragen in Business-Sprache bleiben unbeantwortet. Der gewählte Ansatz: Pro Datei wird ein LLM-Aufruf gemacht, der purpose, summary, businessContext und Entities generiert; diese werden als Knoten in Neo4j gespeichert, verbunden mit Klassen-, Funktions-, Keyword- und Import-Kanten. Abfragen laufen über Fulltext-Suche auf diesen semantischen Feldern statt über Vektorähnlichkeit. Zur Kostenkontrolle wird SHA-256-Hashing verwendet, sodass nur geänderte Dateien neu indiziert werden. Als externe Validierung zitiert das Team RepoGraph (ICLR 2025, +32,8 % auf SWE-bench) und Code-Craft (+82 % Top-1-Retrieval-Präzision). Der Quellcode ist unter github.com/ByteBell/bytebell-oss verfügbar; LLM-Aufrufe laufen ausschließlich über OpenRouter und binden lokal an 127.0.0.1.
- Neo4j speichert Knoten mit den Feldern purpose, summary, businessContext und entities pro Datei.
- SHA-256-Diffing stellt sicher, dass LLM-Kosten proportional zur Code-Änderungsrate bleiben.
- RepoGraph (ICLR 2025) zeigte +32,8 % auf SWE-bench durch Graph-Ansätze.
- Code-Craft erzielte laut Post +82 % Top-1-Retrieval-Präzision mit bottom-up LLM-Summaries.
- Outbound-Calls gehen ausschließlich über OpenRouter; der Dienst bindet an 127.0.0.1 – kein Source-Code in die Cloud.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org3w
LSem2Vec: Zweistufige Source-Code-Einbettung ohne Fine-Tuning
- FORSCHUNGarxiv.org1w
ACToR: Adaptives Critical-Token-Retrieval für Repository-Level Code-Generierung
- FORSCHUNGarxiv.org0mo
jina-code-embeddings: State-of-the-Art Code-Embedding aus Autoregressive-Modellen
- FORSCHUNGarxiv.org3w
MemStrata eliminiert veraltete Fakten in Code-Assistenten mit 0.91 Genauigkeit