Разработчик создал локальный инструмент TeaRAGs для агентной разработки, столкнувшись с неэффективностью существующих решений при работе с монолитом на Ruby объемом более 3,5 миллиона строк. Инструмент полностью автономен: код, индексы, эмбеддинги и графы вызовов остаются на машине пользователя, что исключает передачу данных во внешние облачные сервисы.
Существующие инструменты часто сталкиваются с проблемами индексации и деградацией контекста. Исследования, включая работу Chroma 2025 года о «засорении» контекста и статью TACL 2024 года о потере информации в середине длинных промптов, подтверждают, что избыточные данные снижают точность моделей. Агенты, использующие только grep, тратят время на чтение нерелевантных файлов.
Тестирование TeaRAGs показало преимущество перед стандартными методами. При поиске причины бага по текстовому описанию задачи агент с TeaRAGs справился за 40 секунд, тогда как стандартный агент с grep затратил более 10 минут. Инструмент позволяет агенту быстрее находить логику, скрытую за различиями в именовании сущностей в коде и тикетах.
В индустрии наблюдается отказ от облачных эмбеддингов из-за вопросов безопасности и стоимости масштабирования. Например, Sourcegraph перешел на собственный поиск по ключевым словам, чтобы не отправлять код сторонним провайдерам. Автор отмечает, что семантический поиск остается необходимым инструментом для навигации в крупных проектах, несмотря на критику RAG-подходов.
