​
CodeDocsSearchTool

Experimental: Ainda estamos trabalhando para melhorar as ferramentas, então pode haver comportamentos inesperados ou mudanças no futuro.

​
Descrição

O CodeDocsSearchTool é uma poderosa ferramenta RAG (Geração Aumentada por Recuperação) projetada para buscas semânticas em documentação de código. Ela permite que usuários encontrem de forma eficiente informações ou tópicos específicos dentro da documentação de código. Ao fornecer um docs_url durante a inicialização, a ferramenta restringe a busca àquele site de documentação em particular. Alternativamente, sem um docs_url específico, ela realiza buscas em uma ampla variedade de documentações de código conhecidas ou descobertas durante sua execução, tornando-a versátil para diversas necessidades de busca em documentação.

​
Instalação

Para começar a usar o CodeDocsSearchTool, primeiro instale o pacote crewai_tools via pip:

pip install 'crewai[tools]'

​
Exemplo

Utilize o CodeDocsSearchTool conforme abaixo para realizar buscas em documentação de código:

Code
from crewai_tools import CodeDocsSearchTool

# Para buscar qualquer conteúdo de documentação de código 
# se a URL for conhecida ou descoberta durante a execução:
tool = CodeDocsSearchTool()

# OU

# Para focar sua busca especificamente em um site de documentação 
# fornecendo sua URL:
tool = CodeDocsSearchTool(docs_url='https://docs.example.com/reference')

Substitua ‘https://docs.example.com/reference’ pela URL da documentação desejada e ‘How to use search tool’ pela consulta de busca relevante às suas necessidades.

​
Argumentos

Os seguintes parâmetros podem ser usados para personalizar o comportamento do CodeDocsSearchTool:

ArgumentoTipoDescrição
docs_urlstringOpcional. Especifica a URL da documentação de código a ser pesquisada.

​
Modelo e embeddings personalizados

Por padrão, a ferramenta utiliza a OpenAI tanto para embeddings quanto para sumarização. Para customizar o modelo, você pode usar um dicionário de configuração conforme abaixo:

Code
tool = CodeDocsSearchTool(
    config=dict(
        llm=dict(
            provider="ollama", # ou google, openai, anthropic, llama2, ...
            config=dict(
                model="llama2",
                # temperature=0.5,
                # top_p=1,
                # stream=true,
            ),
        ),
        embedder=dict(
            provider="google", # ou openai, ollama, ...
            config=dict(
                model="models/embedding-001",
                task_type="retrieval_document",
                # title="Embeddings",
            ),
        ),
    )
)