Transforme ton projet en base de connaissances vectorielle locale — prête pour un chatbot IA.
codetovecto scanne ton code source, le découpe intelligemment via AST, génère des embeddings, et les stocke dans une base vectorielle embarquée (LanceDB). Aucun serveur requis. Aucune donnée envoyée ailleurs que ta clé OpenRouter.
- Installation
- Démarrage rapide
- Configuration
- Commandes
- Ce que ça génère
- Utilisation dans ton projet
- Comment ça marche
- Fichiers supportés
- Fichiers ignorés
- Auteur
- Licence
npm install -g codetovectoOu sans installation globale :
npx codetovectoLance cette commande à la racine de ton projet :
npx codetovecto initDeux fichiers sont générés automatiquement :
| Fichier | Rôle |
|---|---|
codetovecto.config.js |
Configuration des dossiers à scanner |
codetovecto-exemple.js |
Exemple d'intégration RAG avec un LLM |
Ouvre codetovecto.config.js et indique les dossiers de ton projet :
module.exports = {
frontend: "./src", // dossier frontend (React, Vue, etc.)
backend: "./server", // dossier backend (Express, etc.)
};Crée un fichier .env à la racine de ton projet :
OPENROUTER_API_KEY=sk-or-v1-xxxxxxxxxxxxxxxxTa clé API est fournie gratuitement par OpenRouter. Les embeddings utilisent le modèle
nvidia/llama-nemotron-embed-vl-1b-v2:free— gratuit.
# Scanner uniquement le frontend
npx codetovecto scan --frontend
# Scanner uniquement le backend
npx codetovecto scan --backend
# Scanner les deux
npx codetovecto scan --fullstackVoici toutes les options disponibles dans codetovecto.config.js :
module.exports = {
frontend: "./src", // chemin vers ton dossier frontend
backend: "./server", // chemin vers ton dossier backend
// Options de filtrage de taille de chunk
minLines: 5, // Nombre de lignes minimales pour conserver un chunk (défaut : 5)
minCharacters: 120, // Nombre de caractères minimaux pour conserver un chunk (défaut : 120)
};Les options avancées (chemin d'export, limite de tokens, provider) se configurent via les flags CLI.
Initialise le projet en générant les fichiers de démarrage.
npx codetovecto initLance le scan, le parsing AST, la génération des embeddings et l'export.
npx codetovecto scan [options]| Option | Description | Défaut |
|---|---|---|
--frontend |
Scanner le dossier frontend | — |
--backend |
Scanner le dossier backend | — |
--fullstack |
Scanner frontend + backend | ✅ par défaut |
--output <path> |
Chemin du fichier JSON exporté | codetovecto-output.json |
--lancedb <path> |
Chemin de la base LanceDB | codetovecto-lancedb/ |
Exemples :
npx codetovecto scan --frontend
npx codetovecto scan --fullstack --output ./data/knowledge.jsonUn fichier JSON contenant tous les chunks vectorisés de ton projet :
[
{
"name": "useAuth",
"type": "arrow-function",
"file": "useAuth.js",
"path": "/src/hooks/useAuth.js",
"code": "const useAuth = () => { ... }",
"embedding": [0.021, -0.043, 0.091, "..."]
}
]Ce fichier est portable — tu peux le versionner ou le partager.
Une base vectorielle locale embarquée générée par LanceDB.
codetovecto-lancedb/
└── chunks.lance/
├── data/
├── _transactions/
└── _versions/
- Aucun serveur requis — tout tourne en local
- Recherche en millisecondes — même sur de grandes codebases
- Persistant — le dossier se recharge à chaque appel
const search = require("codetovecto/search");
const resultat = await search("comment fonctionne le login ?");
console.log(resultat.question); // "comment fonctionne le login ?"
console.log(resultat.context); // tableau des chunks les plus proches{
question: "comment fonctionne le login ?",
context: [
{
name: "handleLogin",
type: "arrow-function",
file: "auth.js",
path: "/src/services/auth.js",
code: "const handleLogin = async (email, password) => { ... }"
},
// ...4 autres chunks proches
]
}const resultat = await search("ta question", {
dbPath: "./codetovecto-lancedb", // chemin de la base (défaut)
limit: 5, // nombre de chunks retournés (défaut: 5)
});Consulte le fichier codetovecto-exemple.js généré par init pour un exemple complet d'intégration avec OpenRouter, OpenAI, ou tout autre LLM.
// codetovecto-exemple.js (simplifié)
const search = require("codetovecto/search");
const resultat = await search("comment fonctionne le scanner ?");
const contexte = resultat.context
.map(c => `// ${c.file}\n${c.code}`)
.join("\n\n");
// Injecte `contexte` dans le prompt de ton LLMTip
Système de Cache Intelligent : Un fichier .codetovecto-cache.json est généré localement. Il enregistre le hash MD5 de chaque fichier scanné avec ses chunks et embeddings. Lors des scans futurs, seuls les fichiers modifiés ou nouveaux interrogent l'API d'OpenRouter, rendant l'exécution instantanée (moins de 3 secondes pour les fichiers inchangés).
npx codetovecto scan
↓
Scan des fichiers
(filtre node_modules, dist, .env...)
↓
Vérification du cache MD5
↓
Lecture du contenu brut (si changé)
↓
Parsing AST
(Babel parser — JS, JSX, TS, TSX)
(node-html-parser — HTML)
↓
Chunking intelligent
fonction par fonction,
composant par composant
↓
Génération des embeddings
via OpenRouter (uniquement pour les nouveaux chunks)
↓
Export JSON + LanceDB local
↓
search("ta question")
→ vecteur → similarité cosinus
→ chunks les plus proches
→ contexte prêt pour ton LLM
| Extension | Type | Support |
|---|---|---|
.js |
JavaScript | ✅ |
.jsx |
React | ✅ |
.ts |
TypeScript | ✅ |
.tsx |
React + TypeScript | ✅ |
.html |
HTML | ✅ |
.php |
PHP | 🔜 prochaine version |
.py |
Python | 🔜 prochaine version |
codetovecto ignore automatiquement ces dossiers et fichiers :
Dossiers : node_modules, dist, .git, build, .next
Fichiers : package-lock.json, .env, .env.example, .gitignore, ainsi que tous les fichiers correspondant aux motifs globaux *.json, *.xml et *.txt.
Octave Précieux Mahunan BAHOUN HOUTOUKPE
- GitHub: https://github.com/octavebahoun
- LinkedIn: https://www.linkedin.com/in/octave-précieux-mahunan-bahoun-houtoukpe-b9114b337/
For bugs, feature requests or collaboration: https://github.com/octavebahoun/Code-to-vector/issues
MIT