【项目实训】【项目博客#09】HarmonySmartCodingSystem系统后端智能API检索与代码助手实现（6.2-6.15）

【项目实训】【项目博客#09】HarmonySmartCodingSystem系统后端智能API检索与代码助手实现（6.2-6.15）

项目博客概述

在HarmonySmartCoding项目中，为提升开发者的编码效率和API学习体验，我们设计实现了一套包含RAG检索系统、智能代码助手和代码生成系统的开发辅助平台。本文将重点介绍各个系统模块的设计实现，包括API文档RAG检索后端、智能代码文件助手以及基于微调大模型的代码生成系统，展示如何通过AI技术提升HarmonyOS应用开发效率。

一、整体架构设计

1.1 系统模块组成

开发智能辅助系统由三个主要模块组成：

1. API文档RAG检索系统：

   • 基于检索增强生成的API文档智能问答
   • BGE-M3文本向量化和相似度检索
   • DeepSeek大模型问答生成

2. 智能代码文件助手：

   • 基于AI的代码修改建议生成
   • 自动代码替换与文件管理
   • 交互式代码编辑界面

3. 微调大模型代码生成：

   • 基于LoRA技术的大模型微调
   • 本地代码生成推理服务
   • 前端代码生成与编辑界面

1.2 整体流程设计

系统的整体工作流程如下：

1. 开发者需求输入：开发者通过统一界面输入API查询、代码修改需求或代码生成需求
2. 智能路由分发：系统根据请求类型分发到对应模块
3. 并行请求处理：各模块独立处理请求，返回结果
4. 结果整合展示：统一界面整合展示不同模块的结果，提供一体化体验

二、API文档RAG检索系统实现

2.1 RAG技术原理与优化

RAG（检索增强生成）系统通过检索相关文档内容作为上下文，增强大模型的回答能力。我们的系统实现了以下优化：

1. 检索质量优化：采用BGE-M3模型替代原有向量化模型，提高语义理解能力
2. 上下文构建优化：改进文档片段的选择和组织方式
3. 引用追踪机制：新增文档引用标记系统，使生成的回答可溯源到具体文档

2.2 RAG引擎核心实现

以下是RAG引擎初始化的关键代码：

def __init__(self, bge_model_path, docs_path, doc_ids_path, embeddings_path, doc_links_path=None, api_summaries_path=None):# 加载本地 BGE 模型self.model = SentenceTransformer(bge_model_path)# 初始化DeepSeek客户端self.deepseek_client = DeepSeekOfficialClient()# 加载RAG数据库with open(docs_path, 'r', encoding='utf-8') as f:self.docs = json.load(f)with open(doc_ids_path, 'r', encoding='utf-8') as f:self.doc_ids = json.load(f)with open(embeddings_path, 'rb') as f:self.embeddings = pickle.load(f)# 加载文档链接和API摘要# ... 省略部分代码 ...

查询向量化实现：

def get_query_embedding(self, query):"""使用本地 BGE 模型获取查询的向量表示"""embedding = self.model.encode([query], normalize_embeddings=True)emb = embedding[0]  # 取第一个结果return emb

文档检索实现：

def search(self, query, top_k=3):"""根据查询检索相关文档"""query_emb = self.get_query_embedding(query)# 计算余弦相似度sims = np.dot(self.embeddings, query_emb) / (np.linalg.norm(self.embeddings, axis=1) * np.linalg.norm(query_emb) + 1e-8)top_indices = sims.argsort()[-top_k:][::-1]# 构建结果列表results = []for idx in top_indices:# ... 处理文档内容和链接 ...

2.3 回答生成与引用机制

回答生成模块使用DeepSeek大模型，结合检索结果生成最终回答：

def generate_answer_from_docs(self, query, docs):"""基于检索到的文档使用DeepSeek生成智能回答"""if self.deepseek_client:# 构建上下文context = ""for i, doc in enumerate(docs):doc_content = self.extract_doc_content(doc)context += f"文档{i+1} (【DOC{i+1}】):\n{doc_content}\n\n"# 构建提示词prompt = f"""请基于以下HarmonyOS API文档内容回答用户的问题。引用格式要求:1. 引用文档内容时，必须使用特殊标记【DOC1】、【DOC2】等...用户问题: {query}文档内容:{context}"""# 调用模型生成回答# ... 省略部分代码 ...

2.4 API接口实现

@app.route('/api/rag_query', methods=['POST'])
def rag_query():data = request.get_json()query = data.get('query', '')top_k = data.get('top_k', 3)if not query:return jsonify({'error': 'No query provided'}), 400try:# 执行RAG搜索results = rag_engine.search(query, top_k=top_k)# 格式化响应resp = rag_engine.format_api_response(query, results)return jsonify(resp)except Exception as e:return jsonify({'error': f'RAG 查询失败: {str(e)}'}), 500

三、智能代码文件助手实现

3.1 代码替换服务设计

代码替换服务是智能代码文件助手的核心组件，负责解析AI生成的代码修改建议，并应用到实际文件中：

// 处理生成的代码 - 移除注释标记
export const processGeneratedCode = (code: string): string => {// 移除"// ... existing code ..."注释行return code.split('\n').filter(line => !line.trim().startsWith('// ... existing code ...')).join('\n');
};

3.2 代码助手请求实现

代码助手请求的核心是将用户需求和上下文文件发送给后端API，并处理返回的响应：

// 代码助手请求实现（简化版）
static async generateCodeAssistant(request: CodeAssistantRequest): Promise<CodeGenerationResponse> {try {// 发送请求到后端APIconst response = await axios.post(`${this.apiUrl}/code_assistant`, request);return {code: response.data.result || '',suggestions: response.data.suggestions};} catch (error) {// 处理请求失败的情况，返回友好的错误消息// ...}
}

3.3 提示词设计与后端API实现

提示词设计是智能代码文件助手的关键部分，它直接影响了AI生成代码的质量和格式：

# 提示词构建函数（简化版）
def get_code_assistant_prompt(user_input, language='', api_version='', selected_files=None):# 读取提示词模板prompt_template = read_prompt_template()# 添加选中的文件内容selected_files_str = format_selected_files(selected_files)# 组合最终提示词final_prompt = f"{prompt_template}\n\n用户需求: {user_input} {selected_files_str}"return final_prompt

代码助手API的实现是后端服务的核心：

@app.route('/api/code_assistant', methods=['POST'])
def code_assistant():# 获取请求数据data = request.get_json()prompt = data.get('prompt', '')# ...try:# 构建提示词assistant_prompt = get_code_assistant_prompt(prompt, language, api_version, selected_files)# 调用DeepSeek客户端messages = [{"role": "user", "content": assistant_prompt}]result = ds_client.chat_completion(messages, temperature=0.7)# 移除思考标签result = remove_think_tags(result)# 保存请求历史db = get_db()db.save_snippet(f"智能助手: {prompt[:30]}", result, "assistant")return jsonify({'result': result})except Exception as e:# 处理异常情况# ...

3.4 前端UI组件实现

输出面板组件是智能代码文件助手的用户界面，主要功能区域包括：

1. 用户输入区：采用可扩展的文本输入框，支持多行输入
2. 文件选择区：直观的文件选择交互，支持添加和删除文件
3. 结果展示区：使用语法高亮显示代码修改建议
4. 操作区：提供应用、忽略等操作按钮

文件修改建议展示区实现：

<!-- 文件修改建议展示区（简化版） -->
<div class="file-changes-container"><div class="file-changes-list"><!-- 遍历所有文件修改建议 --><div v-for="change in parsedFileChanges" class="file-change-item"><!-- 文件路径和操作按钮 --><!-- 代码预览（使用语法高亮） --></div></div>
</div>

四、基于微调大模型的代码生成系统

4.1 后端技术选型与实现

代码生成系统后端基于Flask搭建，集成LoRA微调的大语言模型：

@app.route('/api/generate', methods=['POST'])
def generate_code():print("[DEBUG] 收到/generate_code请求")data = request.get_json()print(f"[DEBUG] 请求内容: {data}")prompt = data.get('prompt', '')