Cuanto tiempo lleva este tutorial de cómo conectar a tierra un llm con datos de repositorio de github?

La mayoria de los desarrolladores completan este tutorial en 15 a 30 minutos. Necesitaras una clave API de Scavio (el plan gratuito funciona) y un entorno de Python o JavaScript.

Que necesito antes de empezar?

Python 3.10+. Una clave API de Scavio. Una clave API de LLM. Una clave API de Scavio te da 50 creditos gratuitos al registrarte.

Puedo ejecutar este tutorial con el plan gratuito?

Si. El plan gratuito incluye 50 creditos al registrarte, mas que suficiente para completar este tutorial y crear un prototipo funcional.

Con que frameworks funciona esto?

Scavio tiene un paquete nativo de LangChain (langchain-scavio), un servidor MCP y una API REST simple que funciona con cualquier cliente HTTP. Este tutorial usa the raw REST API, pero puedes adaptarlo al framework que prefieras.

LLM terrestre con datos de repositorio de GitHub (2026)

Basar las respuestas de LLM en el código fuente supera las explicaciones alucinadas. Este tutorial utiliza el SERP de Scavio con site:github.com más su punto final de búsqueda para llevar el contenido del repositorio al bucle del agente sin una gran integración de la API de GitHub.

Requisitos previos

Python 3.10+
Una clave API de Scavio
Una clave API de LLM

Guia paso a paso

Paso 1: Buscar dentro de un repositorio a través de SERP

site:github.com/ORG/REPO la búsqueda con alcance encuentra rápidamente el archivo correcto.

Python

import requests, os
API_KEY = os.environ['SCAVIO_API_KEY']

def repo_search(repo, query):
    r = requests.post('https://api.scavio.dev/api/v1/search',
        headers={'x-api-key': API_KEY},
        json={'query': f'site:github.com/{repo} {query}', 'num_results': 10})
    return r.json().get('organic_results', [])

Paso 2: Obtener el archivo seleccionado

Las URL sin formato de GitHub funcionan con el punto final de búsqueda de Scavio.

Python

def fetch_raw(url):
    raw = url.replace('github.com', 'raw.githubusercontent.com').replace('/blob/', '/')
    r = requests.post('https://api.scavio.dev/api/v1/extract',
        headers={'x-api-key': API_KEY},
        json={'url': raw})
    return r.json().get('content', '')

Paso 3: Fundamenta la respuesta

Pase el contenido recuperado al mensaje LLM con la cita de la fuente.

Python

import anthropic
client = anthropic.Anthropic()

def grounded_answer(repo, question):
    hits = repo_search(repo, question)
    content = fetch_raw(hits[0]['link']) if hits else ''
    msg = client.messages.create(
        model='claude-sonnet-4-6',
        max_tokens=1024,
        messages=[{'role': 'user', 'content': f'{question}\n\nCONTEXT:\n{content[:4000]}'}])
    return msg.content[0].text

Paso 4: Agregar composición de varios archivos

Obtenga los 3 resultados principales, clasifique por relevancia y cree contexto.

Python

def multi_file_context(repo, question):
    hits = repo_search(repo, question)[:3]
    return '\n\n'.join([fetch_raw(h['link'])[:2000] for h in hits])

Paso 5: Validar citas

Asegúrese de que la respuesta de LLM mencione al menos una URL de origen.

Python

def has_citations(answer, urls):
    return any(u in answer for u in urls)

Ejemplo en Python

Python

import os, requests
API_KEY = os.environ['SCAVIO_API_KEY']

def repo_grounded(repo, question):
    r = requests.post('https://api.scavio.dev/api/v1/search',
        headers={'x-api-key': API_KEY},
        json={'query': f'site:github.com/{repo} {question}'})
    return r.json().get('organic_results', [])[:3]

print(repo_grounded('prisma/prisma', 'migrate.ts'))

Ejemplo en JavaScript

JavaScript

const API_KEY = process.env.SCAVIO_API_KEY;
export async function repoGrounded(repo, question) {
  const r = await fetch('https://api.scavio.dev/api/v1/search', {
    method: 'POST',
    headers: { 'x-api-key': API_KEY, 'Content-Type': 'application/json' },
    body: JSON.stringify({ query: `site:github.com/${repo} ${question}` })
  });
  return ((await r.json()).organic_results || []).slice(0, 3);
}

Salida esperada

JSON

LLM answers cite exact files and code paths in the target repo. Hallucination rate drops materially versus ungrounded answers.

Tutoriales relacionados

Requisitos previos

Python 3.10+
Una clave API de Scavio
Una clave API de LLM

Guia paso a paso

Paso 1: Buscar dentro de un repositorio a través de SERP

site:github.com/ORG/REPO la búsqueda con alcance encuentra rápidamente el archivo correcto.

Python

import requests, os
API_KEY = os.environ['SCAVIO_API_KEY']

def repo_search(repo, query):
    r = requests.post('https://api.scavio.dev/api/v1/search',
        headers={'x-api-key': API_KEY},
        json={'query': f'site:github.com/{repo} {query}', 'num_results': 10})
    return r.json().get('organic_results', [])

Paso 2: Obtener el archivo seleccionado

Las URL sin formato de GitHub funcionan con el punto final de búsqueda de Scavio.

Python

def fetch_raw(url):
    raw = url.replace('github.com', 'raw.githubusercontent.com').replace('/blob/', '/')
    r = requests.post('https://api.scavio.dev/api/v1/extract',
        headers={'x-api-key': API_KEY},
        json={'url': raw})
    return r.json().get('content', '')

Paso 3: Fundamenta la respuesta

Pase el contenido recuperado al mensaje LLM con la cita de la fuente.

Python

import anthropic
client = anthropic.Anthropic()

def grounded_answer(repo, question):
    hits = repo_search(repo, question)
    content = fetch_raw(hits[0]['link']) if hits else ''
    msg = client.messages.create(
        model='claude-sonnet-4-6',
        max_tokens=1024,
        messages=[{'role': 'user', 'content': f'{question}\n\nCONTEXT:\n{content[:4000]}'}])
    return msg.content[0].text

Paso 4: Agregar composición de varios archivos

Obtenga los 3 resultados principales, clasifique por relevancia y cree contexto.

Python

def multi_file_context(repo, question):
    hits = repo_search(repo, question)[:3]
    return '\n\n'.join([fetch_raw(h['link'])[:2000] for h in hits])

Paso 5: Validar citas

Asegúrese de que la respuesta de LLM mencione al menos una URL de origen.

Python

def has_citations(answer, urls):
    return any(u in answer for u in urls)

Ejemplo en Python

Python

import os, requests
API_KEY = os.environ['SCAVIO_API_KEY']

def repo_grounded(repo, question):
    r = requests.post('https://api.scavio.dev/api/v1/search',
        headers={'x-api-key': API_KEY},
        json={'query': f'site:github.com/{repo} {question}'})
    return r.json().get('organic_results', [])[:3]

print(repo_grounded('prisma/prisma', 'migrate.ts'))

Ejemplo en JavaScript

JavaScript

const API_KEY = process.env.SCAVIO_API_KEY;
export async function repoGrounded(repo, question) {
  const r = await fetch('https://api.scavio.dev/api/v1/search', {
    method: 'POST',
    headers: { 'x-api-key': API_KEY, 'Content-Type': 'application/json' },
    body: JSON.stringify({ query: `site:github.com/${repo} ${question}` })
  });
  return ((await r.json()).organic_results || []).slice(0, 3);
}

Salida esperada

JSON

LLM answers cite exact files and code paths in the target repo. Hallucination rate drops materially versus ungrounded answers.

Cómo conectar a tierra un LLM con datos de repositorio de GitHub

Requisitos previos

Guia paso a paso

Paso 1: Buscar dentro de un repositorio a través de SERP

Paso 2: Obtener el archivo seleccionado

Paso 3: Fundamenta la respuesta

Paso 4: Agregar composición de varios archivos

Paso 5: Validar citas

Ejemplo en Python

Ejemplo en JavaScript

Salida esperada

Tutoriales relacionados

Preguntas frecuentes

Cuanto tiempo lleva este tutorial de cómo conectar a tierra un llm con datos de repositorio de github?

Que necesito antes de empezar?

Puedo ejecutar este tutorial con el plan gratuito?

Con que frameworks funciona esto?

Recursos relacionados

Diario Local LLM Search Grounding Pipeline

La mejor API de búsqueda web para LLM locales en 2026

Las mejores herramientas de base de conocimientos personales para LLM locales en mayo de 2026

Usa busqueda para detectar y corregir respuestas erroneas de LLM

Respuestas terrestres de LLM con datos de búsqueda en tiempo real

Noticias locales de LLM y base de búsqueda

Empieza a construir

Cómo conectar a tierra un LLM con datos de repositorio de GitHub

Requisitos previos

Guia paso a paso

Paso 1: Buscar dentro de un repositorio a través de SERP

Paso 2: Obtener el archivo seleccionado

Paso 3: Fundamenta la respuesta

Paso 4: Agregar composición de varios archivos

Paso 5: Validar citas

Ejemplo en Python

Ejemplo en JavaScript

Salida esperada

Tutoriales relacionados

Preguntas frecuentes

Cuanto tiempo lleva este tutorial de cómo conectar a tierra un llm con datos de repositorio de github?

Que necesito antes de empezar?

Puedo ejecutar este tutorial con el plan gratuito?

Con que frameworks funciona esto?

Recursos relacionados

Diario Local LLM Search Grounding Pipeline

La mejor API de búsqueda web para LLM locales en 2026

Las mejores herramientas de base de conocimientos personales para LLM locales en mayo de 2026

Usa busqueda para detectar y corregir respuestas erroneas de LLM

Respuestas terrestres de LLM con datos de búsqueda en tiempo real

Noticias locales de LLM y base de búsqueda

Empieza a construir