无论你是编程小白还是老司机，coding进程中总会遇到不懂的成绩。
最常见的办法是去论坛讯问、谷歌搜索，需求重复在网页和编译器页面切换，即使有两个很大的分屏，消费力也会遭到影响。
但是如今这个成绩有希望处置了，一个便捷编程Q&A工具codequestion可以帮到你。
直接在终端输入「你要问的成绩」，用普通的自然言语就行，和你去谷歌搜索没什么两样。
然后马上就能前往详细操作教程，完成了直接在终端用对话方式来查询操作手册。
这么好用的工具安装起来也不复杂。
安装教程安装codequestion最复杂的办法是经过pip或PyPI：
pip install codequestion
当然，你也可以克隆Github上的项目到本地：
pip install git+https://github.com/neuml/codequestion
安装codequestion需求Python 3.6版本以上。
关于Linux系统来说，可以直接运转项目，但是Windows和Mac需求安装额外项。
Windows需求安装C++ Build Tools，地址如下：
https://visualstudio.microsoft.com/visual-cpp-build-tools/
PyTorch Windows的二进制文件不在PyPI上，安装时必须添加以下url链接：
pip install txtai -f https://download.pytorch.org/whl/torch_stable.html
关于Mac来说，安装前需求运转这个命令：
brew install libomp
安装步骤曾经完成了，接上去看看实例测试吧
AI驱动的问答机制codequestion下载完成以后，还需求安装一个模型。
python -m codequestion.download
这个模型的中心就是作者David Mezzetti之前开发的AI算法txtai。
txtai支持构建文本索引，执行相似性搜索，并创立基于提取式成绩回答的系统。
作者还提供了预训练的模型：
unzip cqmodel.zip ~/.codequestion
codequestion是可以定制的，可以针对自定义的问答库运转。目前，只支持Stack Exchange库中的成绩协助，未来会有更多的支持选项。
完成模型安装后，可以经过以下命令运转测试：
mkdir -p ~/.codequestion/test/stackexchangewget https://raw.githubusercontent.com/neuml/codequestion/master/test/stackexchange/query.txt -P ~/.codequestion/test/stackexchangewget -C ~/.codequestion/test -xvzf Stsbenchmark.tar.gzpython -m codequestion.evaluate -s test
代码中包含将测试数据下载到〜/ .codequestion / test中。
下面的表格显示了各种词向量/评分组合的测试结果。
SE 300d单词向量与BM25评分在这个数据集中表现最好。即使增加了词汇量的Stack Exchange成绩，SE 300d - BM25在STS基准测试中的表现也相当不错。
之前，量子位也引见过一个相似的Linux命令行查询工具，也是直接在终端输入成绩，前往答案。
不同的是，事先的工具howdoi是在在线技术论坛上搜索已有答案，范围比较有限。
那么这次引见的codequestion的AI驱动机制，有什么先进之处呢？
基本原理第一步：原始数据转储处置
来自Stack Exchange库的原始7z XML转储经过一系列步骤停止处置。
只要高分的成绩和答案才会被检索到，并存储在模型中。
成绩和答案被整合到一个名为questions.db的单一SQLite文件中。questions.db 的形式如下：
Id INTEGER PRIMARY KEYSource TEXTSourceId INTEGERDate DATETIMETags TEXTQuestionTEXTQuestionUser TEXTAnswer TEXTAnswerUser TEXTReference TEXT
第二步：检索
codequestion工具为questions.db树立了一个句子嵌入索引。
questions.db形式中的每个成绩都会被标记，并解析为单词嵌入。
词嵌入模型是树立在questions.db上的自定义fastText模型。一旦某个token被转换为单词嵌入，就会创立一个加权的句子嵌入。
词嵌入运用BM25索引对资源库中的一切token停止加权。但有一个重要的修正：标签被用来提升标签标记的权重。
一旦question.db被转换为句子嵌入的集合，它们就会被归一化并存储在Faiss中，从而可以停止快速的相似性搜索。
第三步：查询
codequestion运用与索引相反的办法对每个查询停止标记。这些标记被用来树立一个句子嵌入。依据Faiss索引对该嵌入句停止查询，以找到最相似的成绩。
离线开发好帮手可以看出，这个codequestion工具的优势在于灵敏的搜索婚配成绩，并且可以依据成绩回答的质量优先推选好的回答。
这一点是相似工具运用关键词婚配搜索答案无法比拟的。
目前codequestion的局限在于只支持Stack Exchange中的成绩，但是，作者承诺前期会参加更多的库。
不少网友都反响，这个工具十分适用，尤其是它支持本地库中的问答机制，关于有离线开发需求的码农来说，协助颇巨。
怎样样？假设这个工具对你有用，那就赶快上手操作吧~
参考链接&传送门：
Github地址：
https://github.com/neuml/codequestion
C++ Build Tools安装地址：
https://visualstudio.microsoft.com/visual-cpp-build-tools/
量子位之前引见过的Linux命令行查询工具：
https://mp.weixin.qq.com/s/5vfQRsAZ4zEKOJnUNT8Ebg
【编辑引荐】
华为开发者大会正式发布HarmonyOS 2.0 扑灭面向全场景智慧生态的星星之火
提升开发效率N倍的20+命令行神器，赶忙收藏了
51CTO成为华为综合性社区战略协作同伴 双方合力打造HarmonyOS开发者生态
Java开发中Websocket的技术选型参考
为什么阿里巴巴Java开发手册中强迫要求超大整数制止运用Long类型前往？
(责任编辑：admin)