> Hogyan találják meg a kódot a kódoló ágensek: AST-darabolás tree-sitterrel, repótérképek, Merkle-fás szinkron, kódbeágyazók 2026-ban, és mikor jobb a grep. > > Web page: https://balazscsorba.com/hu/blog/code-rag-repository-indexing · Language: Magyar · Also available in: [English](https://balazscsorba.com/blog/code-rag-repository-indexing.md) · [Deutsch](https://balazscsorba.com/de/blog/code-rag-repository-indexing.md) > Author: Balázs Csorba · Published: 2026-10-01 · Keywords: RAG over code, AST chunking, tree-sitter code chunking, repository map, code embeddings, semantic code search, codebase indexing, repo map tokens, incremental code index, CoIR benchmark [Blog](https://balazscsorba.com/hu/blog)/Retrieval és keresés # RAG kódon: AST-darabolás, repótérképek és kódbeágyazások ágensekhez Hogyan találják meg a kódot a kódoló ágensek: AST-darabolás tree-sitterrel, repótérképek, Merkle-fás szinkron, kódbeágyazók 2026-ban, és mikor jobb a grep. [Balázs Csorba](https://balazscsorba.com/hu/about)·2026\. október 1.·8 perc olvasás - RAG - Code search - Tree-sitter - Embeddings - Coding agents ![Elágazó kódfa táplál egy sor kartotékkártyát.](https://balazscsorba.com/images/blog/code-rag-repository-indexing/cover.webp?v=ba771e90f4) ## A lényeg röviden - A soralapú darabolás kettévágja a függvényeket, és elválasztja az importokat az őket használó kódtól; a cAST-tanulmány AST-alapú darabolással +4,3 Recall@5-öt mért a RepoEvalon és +2,67 Pass@1-et a SWE-benchen. - A tree-sitter a közös elemző: darabolja a kódot függvény, osztály vagy metódus szerint, vonja össze a kis testvércsomópontokat, ossza fel a túl nagyokat, és minden darabhoz tárolja az útvonalat, a sortartományt, a szimbólumnevet és a szignatúrát. - Egy repótérképhez nem kell beágyazás: az Aider egy fájlfüggőségi gráfon rangsorolja a tree-sitter szimbólumokat, és alapértelmezésben 1k tokenes keretbe illeszti a szignatúrákat. - A frissesség a nehéz rész: a Cursor csak a Merkle-fa megváltozott ágait szinkronizálja, a Kilo Code fájlfigyelőt és hash-gyorsítótárat használ, a CocoIndex pedig csak a megváltozott fájlokat ágyazza be újra. - A grep és a glob sosem avul el, de keresésenként tokenbe kerül; az index tárhelyet, beágyazási költséget és karbantartást igényel. Sok csapatnak mindkettő kell: grep a pontos nevekhez, index a jelentéshez. Ezen az oldalon 1. [Miért bukik el a soralapú darabolás kódon](https://balazscsorba.com/#why-line-based-chunking-fails-on-code) 2. [AST-darabolás tree-sitterrel](https://balazscsorba.com/#ast-chunking-with-tree-sitter) 3. [Repótérképek: szimbólumkontextus beágyazás nélkül](https://balazscsorba.com/#repo-maps-symbol-context-without-embeddings) 4. [Hogyan indexelik a kódot a kereskedelmi ágensek](https://balazscsorba.com/#how-commercial-agents-index-code) 5. [Kódbeágyazó modellek 2026-ban](https://balazscsorba.com/#code-embedding-models-in-2026) 6. [A kódkeresés mérése és frissen tartása](https://balazscsorba.com/#measuring-code-retrieval-and-keeping-it-fresh) 7. [Mikor jobb az ágensalapú grep egy indexnél, és egy ellenőrzőlista](https://balazscsorba.com/#when-agentic-grep-beats-an-index) 8. [Források](https://balazscsorba.com/#sources) Cikk meghallgatása 0:000:00 A **RAG kódon** olyan visszakereséssel kiegészített generálás, ahol a korpusz egy repó, és másképp hibázik, mint a dokumentumokon futó RAG. A kódnak éles határai vannak (függvények, osztályok, importok), pontos azonosítói, amelyek többet számítanak a parafrázisnál, és hívási gráfja, amely összeköti a fájlokat. Ha prózaként daraboljuk, a modell fél függvényt kap importok nélkül; ha egyszer indexeljük és elfelejtjük, az ágens magabiztosan olvas olyan kódot, amelyet tegnap töröltek. Ez a cikk a tree-sitterrel végzett szerkezeti darabolással, a beágyazás nélküli repótérképekkel, azzal, hogyan tartja frissen az indexet a Cursor és a Kilo Code, a 2026 októberében elérhető kódbeágyazó modellekkel, a saját repón végzett mérés módjával, és azzal foglalkozik, mikor jobb a grep bármilyen indexnél. Hogy mi kerüljön egyáltalán egy ágens kontextusába, azt [az AGENTS.md, skillek, MCP és CLI döntési mátrix](https://balazscsorba.com/hu/blog/agents-md-skills-mcp-cli-decision-matrix) írja le; ez a cikk arról szól, hogyan találjuk meg a kódot. ## Miért bukik el a soralapú darabolás kódon A soralapú darabolás azért bukik el, mert a kód határai nem fix sorszámokra esnek. Egy 40 soros ablak középen vág el egy függvényt, egy dekorátort az egyik darabban, az osztályát a következőben hagyja, és elválasztja az importokat az őket használó kódtól. A visszakereső ezután olyan töredékeket rangsorol, amelyek önmagukban már nem jelentenek semmit. A cAST-tanulmány megmérte a hatást. A soralapú heurisztikákról azt írja, hogy „gyakran szétvágják a szemantikai szerkezeteket, kettéosztják a függvényeket vagy összevonják az össze nem tartozó kódot”, és az absztrakt szintaxisfa mentén végzett rekurzív darabolással váltja ki őket, a kis testvércsomópontokat egy méretkorlátig összevonva. Ez 4,3 ponttal javította a Recall@5-öt a RepoEval visszakeresésen és 2,67 ponttal a Pass@1-et a SWE-bench generáláson ([cAST](https://arxiv.org/abs/2506.15655)). A javulás abszolút értékben szerény, de egy elemzőből jön, nem egy nagyobb modellből. ![Sorablakok és AST-darabok Két oszlop ugyanarról a forrásfájlról. Az A oszlop, fix sorablakok: az 1. ablak az importokat és a parse() első felét tartalmazza; a 2. ablak a parse() maradékát és egy osztályától levágott dekorátort; a 3. ablak az osztálytörzset a dekorátora nélkül. A B oszlop, AST-csomópontok: egy modul-darab az importokkal és a fájlszintű konstansokkal; egy függvény-darab a teljes parse() törzzsel, útvonallal, sortartománnyal és szignatúrával; egy osztály-darab az Order osztályhoz, a dekorátorral együtt. Lábléc jelzi a cAST eredményeit: +4,3 Recall@5 a RepoEvalon és +2,67 Pass@1 a SWE-benchen.](https://balazscsorba.com/images/blog/code-rag-repository-indexing/diagram-5.webp?v=d3e781821a) A fix sorablakok szétvágják a definíciókat; az AST-darabok egyben tartják a függvényeket és osztályokat, és magukkal viszik a helyüket és szignatúrájukat. A kódkeresés egy második ok miatt sem szövegkeresés: a lekérdezések keverik a természetes nyelvet a pontos azonosítókkal. Egy olyan kérdéshez, mint „hol próbáljuk újra az ERP-hívást”, szemantikus egyezés kell, a „ki hívja a `createSalesOrder`\-t” kérdéshez viszont pontos szimbólumkeresés. Egy jó rendszer mindkettőt kiszolgálja, ezért kombinálja a lenti rendszerek többsége a szerkezetet a kereséssel. ## AST-darabolás tree-sitterrel A tree-sitter a közös elemző ezekben a rendszerekben: konkrét szintaxisfává elemzi a fájlt, a `tags.scm`\-hez hasonló lekérdezőfájlok pedig nyelvenként meghatározzák, mi számít definíciónak vagy hivatkozásnak ([Aider](https://aider.chat/2023/10/22/repomap.html)). A daraboló végigmegy a legfelső szintű csomópontokon, a függvényeket, osztályokat és metódusokat darabként adja ki, összevonja a kis szomszédokat, hogy egy rövid segédfüggvényekből álló fájlból ne legyen ötven apró darab, a túl nagy csomópontokat pedig a gyerekeikbe lépve osztja fel. ``` # Sketch: AST chunks with sibling merging, the idea behind cAST from tree_sitter import Language, Parser import tree_sitter_python as tspython parser = Parser(Language(tspython.language())) MAX_CHARS = 1000 # Kilo Code documents 100 to 1,000 characters per block def chunks(src: bytes, path: str): buf = [] for node in parser.parse(src).root_node.children: text = src[node.start_byte:node.end_byte].decode() if len(text) > MAX_CHARS and node.child_count: yield from split_children(node, src, path) # oversized: recurse elif sum(len(t) for t, _ in buf) + len(text) <= MAX_CHARS: buf.append((text, node)) # merge small siblings else: yield emit(buf, path) # path, lines, symbol, signature buf = [(text, node)] if buf: yield emit(buf, path) ``` A Cline és Roo vonalból származó Kilo Code konkrét beállításokat dokumentál ehhez: tree-sitter-elemzés 100 és 1000 karakter közötti szemantikai blokkokra, a nagy függvények felosztása, és soralapú tartalék azokhoz a fájlokhoz, amelyeket az elemző nem ért ([Kilo Code](https://kilo.ai/docs/customize/context/codebase-indexing)). A méretkorlátoktól függetlenül minden darabhoz tároljon metaadatot: a fájl útvonalát, a sortartományt, a szimbólum nevét és a szignatúrát. Az ágensnek az útvonal és a sorok kellenek a valódi fájl megnyitásához, a szignatúra pedig a törzs nélkül is olvashatóvá teszi a darabot egy találati listában. ## Repótérképek: szimbólumkontextus beágyazás nélkül Egy repótérkép vektorindex nélkül adja meg a modellnek a repó alakját. Az Aider tree-sitterrel építi: a legfontosabb osztályok és függvények típusokkal és hívási szignatúrákkal. Hogy mi fér bele a tokenkeretbe, egy gráfrangsoroló algoritmus dönti el egy olyan gráfon, ahol minden fájl egy csomópont, a függőségek pedig élek. A `--map-tokens` beállítás alapértéke 1k token, és a térkép bővül, amíg még nincs fájl hozzáadva a csevegéshez ([Aider dokumentáció](https://aider.chat/docs/repomap.html)). A térkép szignatúrákat tartalmaz, nem törzseket, ezért olcsó. Az Aider 2023-as tervezési jegyzete elmagyarázza, hogy a tree-sitter azért váltotta le a ctagset, mert közvetlenül a forrásból mutat teljes szignatúrákat, és telepíthető csomagként szállítja a nyelvi támogatást ([Aider blog](https://aider.chat/2023/10/22/repomap.html)). A visszakeresési minta: előbb a jelölők. A modell elolvassa a térképet, kiválasztja a szükséges fájlokat, és csak azután olvassa el őket teljesen. Egy ismert repóban sok feladathoz ez elég, és semmit sem kell újra beágyazni. A nyelvi szerverek egy lépéssel tovább mennek. A Serena egy MCP-eszközkészlet szimbólumszintű visszakereséshez és szerkesztéshez, amelynek alapértelmezett háttere a Language Server Protocol, több mint 40 nyelvvel ([Serena](https://github.com/oraios/serena)). Az ágens szövegkeresés helyett egy szimbólum definícióját vagy hivatkozásait kéri, és pontos választ kap. Hogy ez a gyakorlatban mennyit spórol, azt [a kódoló ágensek tokenspóroló eszközeiről](https://balazscsorba.com/hu/blog/token-saving-tools-coding-agents-top-20) szóló cikk mutatja be. ## Hogyan indexelik a kódot a kereskedelmi ágensek A Cursor Merkle-fával indexel. Minden fájl SHA-256 hasht kap, minden mappa pedig a gyerekei hashét, így egy módosítás után csak a megváltozott ágak térnek el, és csak azokat kell szinkronizálni. Egy 50 000 fájlos munkaterületen pusztán a fájlnevek és hashek nagyjából 3,2 MB-ot tesznek ki. A megváltozott fájlokat szintaktikai darabokra bontja, a beágyazásokat a darab tartalma szerint gyorsítótárazza, egy hasonlósági hash pedig újrahasznosítható meglévő indexet keres, tartalmi bizonyítékokkal, hogy egy kliens csak olyan fájlokra kapjon találatot, amelyeket ténylegesen olvashat ([Cursor](https://cursor.com/blog/secure-codebase-indexing)). A mögötte álló vektorréteg a turbopuffer, amely szerint a Cursor visszakeresése több mint egybillió vektort kezel, kódbázis-példányonként külön névtérrel, a Cursor saját modelljével beágyazva. Egy meglévő névtér másolása egy új checkouthoz az első lekérdezésig eltelt medián időt 7,87 másodpercről 525 milliszekundumra, a p99-et pedig 4,03 óráról 21 másodpercre csökkentette ([turbopuffer](https://turbopuffer.com/customers/cursor)). Ez minden kódindex beüzemelési gondja: egy nagy repó első indexelése a lassú rész. A Kilo Code ugyanezt a mintát adja helyi telepítéshez: alapból LanceDB, külső tárként Qdrant, beágyazási szolgáltatók, köztük az Ollama a teljesen helyi felépítéshez, fájlfigyelés és hash-alapú gyorsítótárazás a növekményes frissítéshez, valamint az ágváltások kezelése. Alapértékei között szerepel a 0,4-es minimális keresési pontszám és legfeljebb 50 találat ([Kilo Code](https://kilo.ai/docs/customize/context/codebase-indexing)). Maga a Cline ezzel szemben jelenleg beépített eszközöket dokumentál, például `read_files` és `search_codebase`, beágyazási indexet nem ([Cline dokumentáció](https://docs.cline.bot/tools-reference/all-cline-tools.md)). ![Indexelt visszakeresési út kódhoz Öt lépés balról jobbra: a repó, amelyet Merkle-hashek követnek; a tree-sitter a megváltozott fájlokból AST-darabokat készít; a darabok beágyazást kapnak, tartalom-hash szerinti gyorsítótárral; a vektorok kódbázisonként külön névtérbe kerülnek egy tárban; a keresés darabokat ad vissza, majd az ágens elolvassa a fájlokat.](https://balazscsorba.com/images/blog/code-rag-repository-indexing/diagram-19.webp?v=9eee616d4b) Az indexelt út egyszer fizet a szerkezetért és a beágyazásokért; az ágensalapú út (grep, glob, olvasás, ismétlés) minden dobozt kihagy, és helyette keresésenként tokenben fizet. Rendszer Darabolás Visszakeresési primitív Tárolás Frissesség Aider repótérkép tree-sitter címkék, csak szignatúrák gráfrangsor a fájlfüggőségeken nincs; a térkép a promptba kerül kérésenként újraépül, 1k token alapból Cursor szintaktikai darabok szemantikus keresés beágyazásokon turbopuffer, névtér kódbázisonként Merkle-fa, csak a változott ágak Kilo Code tree-sitter blokkok, 100–1000 karakter vektorkeresés, min. pontszám 0,4 LanceDB vagy Qdrant fájlfigyelő és hash-gyorsítótár Serena nincs; szimbólumok nyelvi szerverekből LSP definíció- és hivatkozáskeresés a nyelvi szerver állapota élő Claude Code nincs grep (ripgrep) és glob, igény szerint nincs sosem avul el; keresésenként token ## Kódbeágyazó modellek 2026-ban 2026 októberében három gyakorlati út van. Hosztolt és kódra hangolt: a Voyage a `voyage-code-4`\-et jelöli aktuális kódmodelljeként millió tokenenként 0,12 dollárért, 200 millió ingyenes tokennel, míg a `voyage-code-3` 0,18 dolláros áron a régebbi modellek közé került ([Voyage](https://docs.voyageai.com/docs/pricing)). Saját üzemeltetésű: a Qwen3-Embedding 0.6B, 4B és 8B méretben érhető el 32k kontextussal, Matryoshka-dimenziókkal, és több mint 100 nyelvet támogat, a programozási nyelveket is beleértve ([Qwen](https://qwenlm.github.io/blog/qwen3-embedding/)). A harmadik út egy általános multimodális vagy hosszú kontextusú modell. A jina-embeddings-v4 egyetlen 2048 dimenziós vektort vagy késői interakcióhoz tokenszintű vektorokat tud kiadni, 71,59-et jelent a CoIR kódbenchmarkon, és a Qwen Research License alatt érhető el, ami kereskedelmi felhasználásnál számít ([Jina](https://jina.ai/models/jina-embeddings-v4/)). A Cohere Embed v4 128k kontextust és 256-tól 1536 dimenzióig terjedő Matryoshka-kimenetet kínál millió tokenenként 0,12 dollárért ([Cohere](https://docs.cohere.com/changelog/embed-multimodal-v4)). A modellválasztás általános kérdés, ezt a [beágyazó modell kiválasztásáról](https://balazscsorba.com/hu/blog/embedding-model-selection-2026) szóló cikk tárgyalja; kódnál a hosszú kontextus azért számít, mert egész fájlok és hosszú függvények is beleférnek. Néhány százezer soros repónál ezeken az árakon kicsi a beágyazási számla; a valódi költség a változások utáni újrabeágyazás és az a fejlesztési munka, amely helyesen tartja az indexet. A kódra hangolás ott térül meg leginkább, ahol a lekérdezések természetes nyelvűek, a kód pedig olyan szakmai neveket használ, amelyeket az általános modell sosem látott. ## A kódkeresés mérése és frissen tartása A saját repóján mérjen, a nyilvános benchmarkokat csak józansági ellenőrzésnek használja. Az ACL 2025-ön megjelent CoIR tíz adathalmazt fog össze nyolc visszakeresési feladaton és hét területen, és a szerzők szerint még a legkorszerűbb modelleknek is jelentős nehézségeik voltak a kódkereséssel ([CoIR](https://arxiv.org/abs/2407.02883)). Az Ön lekérdezései, azonosítói és konvenciói nincsenek benne, ezért építsen saját kis készletet. 1. Gyűjtsön 30–50 valódi kérdést jegyekből és kódellenőrzésekből, mindegyikhez a választ adó fájllal és szimbólummal. 2. Keverje a természetes nyelvű kérdéseket a pontos névkeresésekkel, mert ezek más-más visszakeresőt terhelnek. 3. Mérje a recallt 5-nél és 10-nél minden darabolási és modellváltozatra, és tartsa a készletet a repóban. 4. Futtassa újra modellváltás és nagyobb refaktorálás után, ne csak egyszer. A frissesség ugyanannyi tervezést igényel, mint a minőség. A bevált minták: fájlfigyelők tartalom-hash gyorsítótárral (Kilo Code), csak a megváltozott ágakat szinkronizáló Merkle-fák (Cursor) és memoizált folyamatok. A CocoIndex fájlonként és feldolgozási lépésenként kulcsolja a gyorsítótárát, így egy néhány fájlt érintő commit csak azokat ágyazza be újra, a törölt fájlok sorai eltűnnek, az index pedig vagy felzárkóztató futásként a CI-ban, vagy élő módban, a munkakönyvtárat körülbelül egy másodperces késéssel figyelve fut ([CocoIndex](https://cocoindex.io/blogs/index-codebase-v1)). A törlések azok az esetek, amelyeket a legtöbb rendszer elront, így jut el egy ágens oda, hogy már eltávolított kódra hivatkozik. A késői darabolás és a kontextuális visszakeresés ezen felül kontextussal egészíti ki a darabokat, lásd [kontextuális visszakeresés és késői darabolás](https://balazscsorba.com/hu/blog/contextual-retrieval-late-chunking). **A ranglista nem az Ön repója** A kódbeágyazások benchmarkpontszámai hónapról hónapra változnak, és egyik sem tartalmazza az Ön elnevezési konvencióit. A CoIR-számot használja a szűkített lista szűrőjeként, a döntést pedig hagyja a saját kérdéskészletére. ## Mikor jobb az ágensalapú grep egy indexnél, és egy ellenőrzőlista A grep akkor jobb egy indexnél, ha a repó elég kicsi a gyors kereséshez, folyamatosan változik, vagy nem hagyhatja el a gépet. Az Anthropic hibridként írja le a Claude Code-ot: a CLAUDE.md előre betöltődik, és „az olyan primitívek, mint a glob és a grep, lehetővé teszik, hogy bejárja a környezetét és igény szerint töltsön be fájlokat, gyakorlatilag megkerülve az elavult indexek és a bonyolult szintaxisfák problémáit”. Ugyanez az írás megjegyzi, hogy a futásidejű felfedezés lassabb, mint az előre kiszámolt visszakeresés ([Anthropic](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)). A Claude Code Grep eszköze ripgrepre épül, mellette ott a Glob ([Claude Code dokumentáció](https://code.claude.com/docs/en/tools-reference)). A Claude Code-ot, az opencode-ot és a Codexet párhuzamosan használom, és a kompromisszum a mindennapokban is látszik: a grepet előnyben részesítő ágensek egy ismeretlen területen több keresési és olvasási körre költenek tokent, de sosem adnak vissza olyan kódot, amely már nem létezik. Az index költsége ennek a fordítottja: tárhely, beágyazási költség és a fenti frissességi gépezet, cserébe kevesebb kör a jelentés szerint megfogalmazott kérdéseknél. - **Repóméret**: amíg a ripgrep azonnal válaszol, kezdjen greppel és repótérképpel. - **Változási ütem**: gyakori változásnál a grep vagy az LSP előnyös; egy indexnek törléseket is kezelő növekményes frissítés kell. - **Monorepó**: sok csapat és ismeretlen terület az index mellett szól, lehetőleg megosztva és checkoutok között újrahasznosítva. - **Megfelelőség**: ha a kód nem hagyhatja el a gépet, használjon helyi beágyazót és helyi tárat, vagy hagyja ki az indexet. - **Alapból hibrid**: grep a pontos nevekhez, LSP a definíciókhoz és hivatkozásokhoz, index a jelentéshez. Ha visszakeresést épít egy kódoló ágenshez vagy belső kódasszisztenshez, a [MI-mérnöki munkám](https://balazscsorba.com/hu/expertise/ai-engineer) az ilyen rendszereket fedi le a darabolástól a kiértékelésig. ## Források 1. [cAST: AST-based chunking for code RAG (arXiv 2506.15655)](https://arxiv.org/abs/2506.15655) 2. [Aider docs: repository map](https://aider.chat/docs/repomap.html) 3. [Aider blog: building a better repository map with tree-sitter (2023)](https://aider.chat/2023/10/22/repomap.html) 4. [Anthropic Engineering: effective context engineering for AI agents (Sep 2025)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) 5. [Cursor blog: securely indexing large codebases (Jan 2026)](https://cursor.com/blog/secure-codebase-indexing) 6. [turbopuffer: Cursor customer story](https://turbopuffer.com/customers/cursor) 7. [Kilo Code docs: codebase indexing](https://kilo.ai/docs/customize/context/codebase-indexing) 8. [Serena on GitHub](https://github.com/oraios/serena) 9. [Voyage AI docs: pricing](https://docs.voyageai.com/docs/pricing) 10. [Qwen blog: Qwen3-Embedding (Jun 2025)](https://qwenlm.github.io/blog/qwen3-embedding/) 11. [CoIR: a benchmark for code information retrieval (arXiv 2407.02883)](https://arxiv.org/abs/2407.02883) 12. [CocoIndex blog: indexing a codebase](https://cocoindex.io/blogs/index-codebase-v1) ## Gyakori kérdések Mi az a RAG kódon? Visszakereséssel kiegészített generálás, ahol a korpusz egy kódrepó. A rendszer nem bekezdésekre bontja a szöveget, hanem a szintaxis mentén darabolja a kódot, többnyire függvényekre és osztályokra, ezeket beágyazásokkal vagy szimbólumtérképekkel indexeli, és egy feladathoz a legrelevánsabb részeket adja a modellnek. Miért AST-darabolás fix sorablakok helyett? A fix ablakok kettévágják a függvényeket, és elválasztják a dekorátorokat és importokat a hozzájuk tartozó kódtól. Az absztrakt szintaxisfa mentén való darabolás egyben tartja a teljes definíciókat. A cAST-tanulmány testvércsomópont-összevonással végzett rekurzív AST-darabolással +4,3 pont Recall@5-öt mért a RepoEvalon és +2,67 pont Pass@1-et a SWE-benchen. Mi az a repótérkép? Egy repó osztályainak és függvényeinek tömör, szignatúrákat tartalmazó összefoglalója, amelyet tree-sitter készít. Az Aider a fájlfüggőségek gráfján rangsorolja a szimbólumokat, és csak azt veszi bele, ami belefér a tokenkeretbe, alapértelmezésben 1k tokenbe, így a modell fájltartalmak nélkül látja a szerkezetet. Melyik beágyazó modellt használjam kódhoz 2026-ban? 2026 októberében kódra hangolt lehetőség például a voyage-code-4 millió tokenenként 0,12 dollárért, és a saját üzemeltetésre a Qwen3-Embedding 0.6B, 4B és 8B méretben; a jina-embeddings-v4 kutatási licenc alatt 71,59-et jelent a CoIR-on. Választás előtt értékeljen két-három jelöltet a saját repójából vett lekérdezésekkel. Kell egyáltalán vektorindex a kódoló ágenseknek? Nem mindig. A Claude Code grep és glob segítségével, igény szerint navigál, ami elkerüli az elavult indexeket és a bonyolult szintaxisfákat, de lassabb, mint az előre kiszámolt visszakeresés. Az index nagy vagy ismeretlen repóknál és a név helyett jelentés szerint megfogalmazott kérdéseknél térül meg. Írta: Csorba Balázs Senior fullstack és AI mérnök Stájerországban – több mint 10 év Vue, Nuxt, Node.js és PHP, ma AI-ügynököknek építek eszközöket. [AI fejlesztés és MCP szerverek →](https://balazscsorba.com/hu/expertise/ai-engineer)[Rólam →](https://balazscsorba.com/hu/about) ## További cikkek - [Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon](https://balazscsorba.com/hu/blog/embedding-model-selection-2026) - [Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat](https://balazscsorba.com/hu/blog/contextual-retrieval-late-chunking) - [Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül](https://balazscsorba.com/hu/blog/rag-access-control-permissions) - [RAG termékkatalógusra: PIM-adatokból megbízható válaszok](https://balazscsorba.com/hu/blog/rag-product-catalog-pim-data) ## Pont erre van szükséged? Írj a projektedről vagy a pozícióról – szívesen hallok felőled. [Lépj velem kapcsolatba](mailto:contact@balazscsorba.com) [Kapcsolódjunk LinkedInen](https://www.linkedin.com/in/balazs-csorba)