许多开发人员在编程过程中碰到问题，首选都是打开浏览器，搜索问题，并尝试找出答案，现在，有一个神器可以让你不用这么麻烦了。
这个名为codequestion的神器，是一个基于archive.org上的Stack Exchange Dump构建的。使用来自Stack Exchange的数据，codequestion针对预先训练的模型在本地运行。
安装后你无需网络连接，你只需要在终端输入问题，就可以得到答案，搜索出来的结果和你在浏览器上搜索的没有什么两样。
目前，codequestion知道的人并不是很多，只获得 117 个Star，累计分支 11 个（Github地址：https://github.com/neuml/codequestion），下面一起来看看具体使用方法：
安装方式
最简单的安装方式是通过pip和PyPI：
- pip install codequestion
你也可以直接从GitHub安装codequestion。建议使用Python虚拟环境，支持Python 3.6+：
- pip install git+https://github.com/neuml/codequestion
下载模型
一旦安装了Codequestion，就需要下载模型。
- python -m codequestion.download
该模型将存储在〜/ .codequestion /中，预训练的模型可以从Github详情页面获取
- $ git reset --hard
可以自定义代码问题以针对自定义的问题解答存储库运行，目前，仅支持Stack Exchange模型。
运行查询
运行查询最快的方法是启动一个codequestion shell
- $ git reset --hard
技术原理
原始数据转储处理：codequestion的运行原理是怎样的呢？首先是原始数据转储处理，来自Stack Exchange库的原始7z XML转储通过一系列步骤进行处理。仅检索得分高且得分高的问题存储，问题和答案被合并到一个名为questions.db的SQLite文件中。questions.db的模式如下：
- $ git reset --hard
索引编制：codequestion工具为questions.db建立了一个句子嵌入索引。单词嵌入模型是基于questions.db构建的自定义fastText模型。一旦将每个标记转换为单词嵌入，就会创建加权句子嵌入。词嵌入使用BM25索引对资源库中的所有token进行加权。但有一个重要的修改：标签被用来提升标签标记的权重。将questions.db转换为句子嵌入的集合后，会将它们标准化并存储在Faiss中，从而可以进行快速相似性搜索。
查询方式：codequestion使用与索引相同的方法对每个查询进行标记。这些标记用于构建句子嵌入。针对Faiss索引查询该嵌入，以找到最相似的问题。
除此之外，创建者还在Github项目详情页介绍了如何使用Stack Exchange构建代码问题模型。感兴趣的伙伴们赶紧收藏。
