以源代码为基础的法学硕士答案胜过幻觉的解释。本教程使用 Scavio 的 SERP 和 site:github.com 及其获取端点，将存储库内容引入代理循环，而无需大量 GitHub API 集成。
前置条件
- Python 3.10+
- Scavio API 密钥
- LLM API 密钥
操作指南
步骤 1: 通过 SERP 在存储库内搜索
site:github.com/ORG/REPO 范围搜索可以快速找到正确的文件。
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', [])步骤 2: 获取选定的文件
GitHub 原始 URL 可与 Scavio 的获取端点配合使用。
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', '')步骤 3: 把答案接地气
将获取的内容传递到 LLM 提示中并附有源引用。
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步骤 4: 添加多文件组合
提取前 3 个结果，按相关性排名，撰写上下文。
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])步骤 5: 验证引文
确保 LLM 响应至少提及一个源 URL。
Python
def has_citations(answer, urls):
return any(u in answer for u in urls)Python 示例
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'))JavaScript 示例
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);
}预期输出
JSON
LLM answers cite exact files and code paths in the target repo. Hallucination rate drops materially versus ungrounded answers.