§SOLUTION

Tooling de IDE

Memoria semántica de código para editores y copilots

Semantic code search · in-process

Indexa símbolos + docstrings + commits · el editor ES el servidor

El dolor

grep no es search

La búsqueda de código es solo keyword. '¿Dónde manejamos la lógica de retry?' devuelve ruido de grep. Los copilots carecen de contexto del proyecto más allá del archivo abierto.

Solución VantaDB

Memoria semántica de código

Indexa símbolos de código, docstrings y commit messages con embeddings. VantaDB hybrid search encuentra código semánticamente relevante incluso sin coincidencias exactas de keywords. Corre in-process — el editor ES el servidor.

Flujo

Cómo funciona end-to-end

Parsea AST → extrae símbolos + docstrings → embed cada uno

db.put("code", symbol-id, source, metadata={file, line, type}, vector)

Dev consulta → db.search_memory("code", query_vector=embed(query), top_k=10)

Resultados rankeados por BM25 (keyword) + HNSW (semántico) fusionados vía RRF

Métricas

Local

Símbolos/sec indexado

In-process

Lookup BM25

In-process

Sin servidor LSP

Código

ai-ide-tooling.pyPython · vantadb

import vantadb

db = vantadb.VantaDB("./code_index")

# Index a code symbol with its docstring
db.put("code", "src/auth.py:login",
    "def login(user, password): ...",
    metadata={"file": "src/auth.py", "line": 42, "type": "function"},
    vector=embed("authenticate user login password session"))

# Semantic code search
hits = db.search_memory("code", query_vector=embed("how do we handle auth?"), top_k=10)
for hit in hits:
    print(hit.metadata["file"], hit.metadata["line"], hit.payload)

db.close()

Búsqueda semántica de código en tu editor

Indexa una codebase en segundos. Busca por significado, no por coincidencia de strings.

pip install vantadb-py