無論你是編程小白還是老司機，coding過程中總會遇到不懂的問題。

最常見的方法是去論壇詢問、谷歌搜索，需要反復在網頁和編譯器頁面切換，即使有兩個很大的分屏，生產力也會受到影響。

但是現在這個問題有希望解決了，一個便捷編程Q&A工具codequestion可以幫到你。

直接在終端輸入「你要問的問題」，用普通的自然語言就行，和你去谷歌搜索沒什么兩樣。

然后馬上就能返回詳細操作教程，實現了直接在終端用對話形式來查詢操作手冊。

這么好用的工具安裝起來也不復雜。

安裝教程

安裝codequestion最簡單的方法是通過pip或PyPI：

pip install codequestion 

當然，你也可以克隆Github上的項目到本地：

pip install git+https://github.com/neuml/codequestion 

安裝codequestion需要Python 3.6版本以上。

對于Linux系統來說，可以直接運行項目，但是Windows和Mac需要安裝額外項。

Windows需要安裝C++ Build Tools，地址如下：

https://visualstudio.microsoft.com/visual-cpp-build-tools/ 

PyTorch Windows的二進制文件不在PyPI上，安裝時必須添加以下url鏈接：

pip install txtai -f https://download.pytorch.org/whl/torch_stable.html 

對于Mac來說，安裝前需要運行這個命令：

brew install libomp 

安裝步驟已經完成了，接下來看看實例測試吧

AI驅動的問答機制

codequestion下載完成以后，還需要安裝一個模型。

python -m codequestion.download 

這個模型的核心就是作者David Mezzetti之前開發的AI算法txtai。

txtai支持構建文本索引，執行相似性搜索，并創建基于提取式問題回答的系統。

作者還提供了預訓練的模型：

unzip cqmodel.zip ~/.codequestion 

codequestion是可以定制的，可以針對自定義的問答庫運行。目前，只支持Stack Exchange庫中的問題幫助，未來會有更多的支持選項。

完成模型安裝后，可以通過以下命令運行測試：

mkdir -p ~/.codequestion/test/stackexchangewget https://raw.githubusercontent.com/neuml/codequestion/master/test/stackexchange/query.txt -P ~/.codequestion/test/stackexchangewget http://ixa2.si.ehu.es/stswiki/images/4/48/Stsbenchmark.tar.gztar -C ~/.codequestion/test -xvzf Stsbenchmark.tar.gzpython -m codequestion.evaluate -s test 

代碼中包含將測試數據下載到〜/ .codequestion / test中。

下面的表格顯示了各種詞向量/評分組合的測試結果。

SE 300d單詞向量與BM25評分在這個數據集中表現最好。即使減少了詞匯量的Stack Exchange問題，SE 300d - BM25在STS基準測試中的表現也相當不錯。

之前，量子位也介紹過一個相似的Linux命令行查詢工具，也是直接在終端輸入問題，返回答案。

不同的是，當時的工具howdoi是在在線技術論壇上搜索已有答案，范圍比較有限。

那么這次介紹的codequestion的AI驅動機制，有什么先進之處呢？

基本原理

第一步：原始數據轉儲處理

來自Stack Exchange庫的原始7z XML轉儲通過一系列步驟進行處理。

只有高分的問題和答案才會被檢索到，并存儲在模型中。

問題和答案被整合到一個名為questions.db的單一SQLite文件中。questions.db 的模式如下：

Id INTEGER PRIMARY KEYSource TEXTSourceId INTEGERDate DATETIMETags TEXTQuestionTEXTQuestionUser TEXTAnswer TEXTAnswerUser TEXTReference TEXT 

第二步：檢索

codequestion工具為questions.db建立了一個句子嵌入索引。

questions.db模式中的每個問題都會被標記，并解析為單詞嵌入。

詞嵌入模型是建立在questions.db上的自定義fastText模型。一旦某個token被轉換為單詞嵌入，就會創建一個加權的句子嵌入。

詞嵌入使用BM25索引對資源庫中的所有token進行加權。但有一個重要的修改：標簽被用來提升標簽標記的權重。

一旦question.db被轉換為句子嵌入的集合，它們就會被歸一化并存儲在Faiss中，從而可以進行快速的相似性搜索。

第三步：查詢

codequestion使用與索引相同的方法對每個查詢進行標記。這些標記被用來建立一個句子嵌入。根據Faiss索引對該嵌入句進行查詢，以找到最相似的問題。

離線開發好幫手

可以看出，這個codequestion工具的優勢在于靈活的搜索匹配問題，并且能夠根據問題回答的質量優先推選好的回答。

這一點是類似工具使用關鍵詞匹配搜索答案無法比擬的。

目前codequestion的局限在于只支持Stack Exchange中的問題，但是，作者承諾后期會加入更多的庫。

不少網友都反應，這個工具十分實用，尤其是它支持本地庫中的問答機制，對于有離線開發需求的碼農來說，幫助頗巨。

怎么樣？如果這個工具對你有用，那就趕快上手操作吧~

參考鏈接&傳送門：

Github地址：
https://github.com/neuml/codequestion

C++ Build Tools安裝地址：
https://visualstudio.microsoft.com/visual-cpp-build-tools/

量子位之前介紹過的Linux命令行查詢工具：
https://mp.weixin.qq.com/s/5vfQRsAZ4zEKOJnUNT8Ebg

 【編輯推薦】