githubhunt

githubhunt 是一个基于 AI Agent 的自然语言 Github 仓库搜索工具, 用户通过使用自然语言描述需求, 例如: "查找 golang 实现的 redis 服务器, 基于 AELoop", AI Agent 会识别用户的意图, 并结合内置的搜索工具, 不断调整输入优化搜索结果, 最终帮助用户实现 Github 仓库的精准搜索.

下面是一个简单的使用示例:

除此以外, Agent 还支持:

• 使用视觉理解模型分析仓库, 例如: "解释 xgzlucario/rotom 的流程图"
• 从用户的 starred 列表中搜索, 例如: "从我的关注列表中查找监控相关的项目, 我是 xgzlucario"
• 总结或解释仓库的功能: 例如: xgalucario/githubhunt 仓库是做什么的?

系统依赖

• MeiliSearch
• Python 3.13
• DeepSeek API
• Steel Browser(可选, 用于视觉分析)
• QWEN API(可选, 用于视觉分析)

项目结构

• fetch_repos.py: 拉取 Github 仓库并保存到 MeiliSearch
• agent.py: 使用 Agent 进行搜索
• browser.py: 调用浏览器截图工具, 用于视觉分析
• db.py: MeiliSearch 索引构建定义和 db 操作封装
• config.toml: 配置文件

使用方法

环境配置

在 config.toml 中配置 Github Token(必需) 和 DeepSeek API_KEY(必需) 或者其他模型调用配置, 如果需要使用视觉分析工具, 还需要安装 Steel Browser 并配置 QWEN_API_KEY。

启动 MeiliSearch

docker compose up -d

安装依赖

首先确保安装了 uv 工具, 然后执行命令:

uv sync

拉取 Github 仓库

第一次运行时需要同步 Github 仓库到 MeiliSearch, 后续可以按需定期同步。

在本地构建索引可以大大提升搜索性能, 原因是本地使用 frequency 的匹配策略, 相比 Github API 的 all 策略, 每次搜索的召回率更高, 返回的结果数量更多, 更容易命中目标仓库。

uv run fetch_repos.py

使用 Agent 进行搜索

uv run agent.py --query "查找 golang 实现的 redis 服务器, 基于 AELoop"

如果需要使用视觉分析工具, 首先需要安装 Steel Browser, 命令如下:

sudo docker run --name steel-browser-api -d -p 3000:3000 -p 9223:9223 ghcr.io/steel-dev/steel-browser-api:latest

然后使用视觉分析工具:

uv run agent.py --query "解释 xgzlucario/rotom 的流程图" --visual