RAG + مخطط الاستدعاءات: سياق تلقائي من نظام تتبع المهام لـ Claude Code

السياق هو المشكلة الرئيسية عند استخدام LLM في التطوير الفعلي. المشكلة ليست في جودة النموذج ولا في حجم نافذته، بل في ما يصل إلى الموجّه (prompt) وكيف يصل. شارك مطوّر على موقع «خابر» (Habr) حلاً عملياً: فهرس RAG لمستودع الشيفرة يضم متجهات ومخطط استدعاءات، مع إضافة لـ Claude Code تجمع تلقائياً السياق الخاص بالمهمة من نظام تتبع المهام، دون اختيار يدوي ودون رموز زائدة.

لماذا السياق أهم من جودة النموذج

حين يأخذ المطوّر مهمة من نظام التتبع ويفتح مساعد AI، لا تكون الخطوة الأصعب هي الحوار مع النموذج، بل التحضير له. عليه أن يحدد الملفات المتعلقة بالمهمة، والدوال التي يجري استدعاؤها، والوحدات المترابطة فيما بينها. في المشاريع الكبيرة يستغرق ذلك من 10 إلى 20 دقيقة من دراسة الشيفرة يدوياً قبل كتابة أول موجّه.

إذا حُشر كل شيء في السياق، تُستهلك الرموز بسرعة ويرتفع كلفة الطلب، ويضيع LLM وسط ضجيج شيفرة غير ذات صلة. وإذا أُخذ القليل جداً، لا يرى النموذج التبعيات ويغفل دوال مهمة ويعطي إجابات سطحية. ومن الصعب إيجاد التوازن يدوياً.

يحل RAG التقليدي القائم على التضمينات (embeddings) جزءاً من المشكلة، إذ يعثر البحث الدلالي على مقاطع متشابهة في المعنى. لكنه لا يفهم بنية الشيفرة: فقد تكون الدالة A بعيدة دلالياً عن B، ومع ذلك تستدعيها مباشرة، وتلزم الاثنتان في السياق.

كيف يعمل الحل

بنى المؤلف النظام على مستويين من الفهرسة:

• طبقة المتجهات — تضمينات للشيفرة من أجل البحث الدلالي: المقاطع المتشابهة والتعليقات والأسماء
• مخطط الاستدعاءات — التبعيات البنيوية: الدالة A تستدعي B، والوحدة C تستورد D، وE ترث من F
• إضافة Claude Code — تقرأ وصف المهمة من نظام تتبع المهام وتشغّل البحث في المستويين معاً
• الترتيب والاقتطاع — تُوزن النتائج بحسب الصلة وتُقتطع إلى حد الرموز المسموح
• التحديث التدريجي — لا يُعاد حساب الفهرس من الصفر عند كل commit

يُبنى النظام فوق محلّل للشيفرة (AST) وأدوات التحليل الساكن. ويتيح مخطط الاستدعاءات تجاوز قيود البحث الدلالي: فحتى لو كانت أسماء الدوال غير معتادة أو التعليقات شحيحة، تبقى الروابط البنيوية في الشيفرة قابلة للتتبع عبر AST.

يُخزَّن الفهرس بمعزل عن قاعدة الشيفرة، ولا يتطلب أي تغييرات في المستودع نفسه. وتُثبَّت إضافة Claude Code كأي امتداد قياسي، وتتصل بالفهرس عبر API محلي.

توفير في الرموز

هنا يعطي النهج نتيجة قابلة للقياس. فمن دون سياق ذكي، كثيراً ما يدرج المطوّرون ملفات أو مجلدات كاملة في الموجّه «تحسباً». أما مع RAG ومخطط الاستدعاءات، فيقرر النظام بنفسه ما هو ذو صلة ويقدّمه وحده.

«المشكلة الرئيسية في العمل مع LLM في مشروع حقيقي ليست جودة النموذج، بل

السياق»، — مؤلف المقال.

ويظهر الأثر بوضوح خاص في المستودعات الأحادية الكبيرة (monorepos): فبدلاً من 50 000 رمز من «كل ما قد يكون مرتبطاً»، يصبح السياق الدقيق من 3 000 إلى 5 000 رمز. وهذا يعني سرعة أعلى في الاستجابة وتوفيراً مباشراً في كلفة API.

وتُظهر الممارسة أن السياق المجمّع جيداً يقلل عدد جولات التفاعل مع النموذج. فحين يرى الـ AI كل التبعيات من المرة الأولى، يقل طلبه لمقاطع إضافية، ويقل تقديمه إجابات ناقصة.

ما معنى ذلك

يشير هذا النهج إلى اتجاه واقعي لفرق الهندسة التي تعتمد مساعدات AI: أتمتة جمع السياق الذي يسبق الحوار مع النموذج، لا الحوار نفسه. والتكامل مع نظام تتبع المهام خطوة منطقية: فالمهمة موصوفة أصلاً، وكل ما يلزم هو ربطها بالشيفرة ربطاً صحيحاً. وقد يصبح ذلك جزءاً معتاداً من العملية الهندسية في الفرق الكبيرة التي تتعامل مع مئات التذاكر يومياً.