Show HN: AI biến codebase GitHub thành các hướng dẫn dễ hiểu

 (github.com/The-Pocket)
15 điểm bởi GN⁺ 2025-04-20 | 1 bình luận | Chia sẻ qua WhatsApp
  • Pocket Flow là một dự án sử dụng AI để chuyển đổi codebase trên GitHub thành các hướng dẫn thân thiện với người mới bắt đầu
  • Dự án crawl các kho lưu trữ GitHub, phân tích những trừu tượng cốt lõi của mã nguồn và biến chúng thành các hướng dẫn có trực quan hóa để giúp hiểu mã phức tạp một cách dễ dàng
  • Cung cấp các kết quả ví dụ do AI tự động tạo cho nhiều kho lưu trữ GitHub khác nhau
  • Giải thích cách thiết lập cơ bản và cách chạy để bắt đầu dự án
  • Cung cấp thêm tài liệu liên quan đến tutorial phát triển

Tạo tutorial cho codebase bằng AI

  • Pocket Flow là một framework LLM 100 dòng, phân tích các kho lưu trữ GitHub để tạo ra các hướng dẫn thân thiện với người mới bắt đầu
  • Dự án này xác định các trừu tượng cốt lõi của codebase và phân tích các tương tác của chúng để chuyển đổi mã phức tạp thành các hướng dẫn mà ngay cả người mới bắt đầu cũng có thể hiểu được
  • Có thể tìm hiểu thêm thông tin qua tutorial phát triển trên YouTube và các bài tutorial trên Substack

Ví dụ tutorial do AI tạo cho các kho GitHub phổ biến

  • AutoGen Core: giải thích cách lập một nhóm AI để giải quyết vấn đề
  • Browser Use: giải thích cách AI duyệt web và hoạt động như một trợ lý số
  • Celery: giải thích cách tăng cường ứng dụng bằng các tác vụ nền
  • Click: giải thích cách chuyển các hàm Python thành công cụ dòng lệnh
  • Codex: giải thích cách biến tiếng Anh thông thường thành mã chạy được
  • Crawl4AI: giải thích cách trích xuất thông tin quan trọng từ website
  • CrewAI: giải thích cách lập một đội chuyên gia AI để giải quyết các vấn đề phức tạp
  • DSPy: giải thích cách tối ưu hóa ứng dụng LLM
  • FastAPI: giải thích cách tạo API với tốc độ cao
  • Flask: giải thích cách xây dựng ứng dụng web với lượng mã tối thiểu
  • Google A2A: giải thích cách các AI agent cộng tác với nhau
  • LangGraph: giải thích cách thiết kế AI agent bằng lưu đồ
  • LevelDB: giải thích cách lưu trữ dữ liệu nhanh chóng
  • MCP Python SDK: giải thích cách xây dựng ứng dụng mạnh mẽ
  • NumPy Core: giải thích cách làm chủ bộ máy khoa học dữ liệu
  • OpenManus: giải thích cách xây dựng AI agent
  • Pydantic Core: giải thích cách xác thực dữ liệu
  • Requests: giải thích cách giao tiếp với Internet bằng Python
  • SmolaAgents: giải thích cách xây dựng các AI agent nhỏ gọn

Bắt đầu

  • Clone kho lưu trữ và cài đặt các dependency cần thiết
  • Hoàn tất cấu hình LLM trong utils/call_llm.py
  • Chạy script chính để phân tích kho GitHub và tạo tutorial
  • Có thể chỉ định các tệp và ngôn ngữ cần phân tích bằng nhiều tùy chọn khác nhau

Tutorial phát triển

  • Giải thích mô hình phát triển dùng Agentic Coding, trong đó con người thiết kế và agent thực hiện việc viết mã
  • Sử dụng framework Pocket Flow để cho agent viết mã
  • Giải thích từng bước thông qua tutorial phát triển trên YouTube

Bài viết liên quan

1 bình luận

 
GN⁺ 2025-04-20
Ý kiến trên Hacker News
  • Có câu hỏi về việc liệu công cụ này chỉ sử dụng tài liệu hoặc mã trong kho lưu trữ hay không
  • Đã thử bằng khóa API của AI Studio và thấy khá ấn tượng
    • Việc dùng phép so sánh nhà hàng để giải thích API tạo cảm giác dài dòng không cần thiết
    • Phần giải thích về GraphQL cũng kéo dài quá mức
    • Tài liệu được tạo ra có vẻ phù hợp hơn với một PM có chút nền tảng kỹ thuật hơn là kỹ sư phần mềm
    • Có vẻ có thể giảm bớt điều này bằng cách cải thiện prompt
  • Sẽ tốt hơn nếu prompt khuyến khích sự đa dạng trong các loại sơ đồ
    • Ví dụ, với workflow state machine bền vững dùng AWS Step Functions, sơ đồ luồng có thể phù hợp hơn flowchart
  • Khi dùng một thư viện mới, bước đầu tiên là clone kho lưu trữ rồi chạy Claude Code và yêu cầu nó viết tài liệu tốt
    • Có vẻ điều này có thể tiết kiệm rất nhiều bước
  • Đã hỏi Cursor rất nhiều câu và nhận được kết quả tương tự
    • Như người khác cũng đã nói, tôi muốn một giọng điệu hơi khác
    • Sẽ rất hay nếu có tính năng "style template" để khớp với phong cách viết ưa thích
    • Nếu không tốn quá nhiều thời gian, tôi thậm chí có thể gửi một PR
  • Có một công ty tên mutable ai đã được Google mua lại năm ngoái, họ làm việc xuất ra wiki thay vì tutorial
  • Tutorial về dspy rất xuất sắc
    • dspy khó hiểu về mặt khái niệm, nhưng tutorial giải thích rất tốt
  • Được xây dựng để phục vụ việc dùng trình duyệt
    • Kết quả từ thư viện này rất ấn tượng
    • Đầu ra hoàn toàn chưa được chỉnh sửa
    • Hiện có vấn đề trong việc duy trì codebase và tài liệu đồng bộ (ví dụ mã đôi khi bị lỗi)
    • Tò mò liệu có thể dùng một phần của Pocket để giải quyết việc này không
  • Có ý kiến cho rằng đây là công việc thật sự rất tuyệt và cảm ơn vì đã chia sẻ
    • Đây là ví dụ cho thấy rất rõ giá trị của LLM
    • Giúp vượt qua góc nhìn tiêu cực về tác động tới kỹ sư junior
    • Giúp giải quyết vấn đề đa số dự án thiếu tài liệu được cập nhật
  • Có thể là yếu tố thay đổi cuộc chơi cho việc onboarding cộng tác viên mã nguồn mở mới
    • Có thể đưa codebase của postgres hoặc redis vào, hiểu đủ tốt và bắt đầu đóng góp
  • Phần trên là nội dung cấp cao gọn gàng, nhưng xuống dưới thì nhanh chóng chuyển thành mã được viết bằng ngôn ngữ con người
    • Có lẽ xem các unit test liên quan sẽ giúp trích xuất các mẫu sử dụng hữu ích hơn
    • Điều quan trọng với đa số người đọc tutorial là "cách sử dụng"