自定义你的 AI 项目文档系统——基于开源 LLM + LangChain + VSCode 插件构建

下面是一份关于如何自定义你的 AI 项目文档系统的完整实战指南，结合开源大语言模型、LangChain 框架与 VSCode 插件技术，打造一个类 DeepWiki 的“智能项目文档专家”。

---

项目目标

构建一个本地化的 AI 文档助手，具备以下能力：

• 自动解析项目代码结构

• 使用开源大模型自动生成函数/类/模块级文档

• 结合 LangChain 构建文档生成链

• 集成 VSCode 插件，实现在编辑器中“选中代码 ➝ 自动生成注释或文档”

• 支持私有部署，无需联网依赖 OpenAI

---

技术栈选型

模块	工具/框架
大模型	DeepSeek-Coder / Qwen / Mistral
模型运行	Ollama / FastChat / LMDeploy
代码解析	Python AST / tree-sitter
文档生成链	LangChain + 自定义 PromptTemplate
向量检索（可选）	FAISS / Chroma / Milvus
前端	VSCode 插件 (Webview API)

---

系统模块设计图

             ┌────────────────────────────┐
             │         VSCode 插件         │
             │ (选中代码 → 生成注释/文档)   │
             └────────────┬───────────────┘
                          │
                   (HTTP/IPC调用)
                          │
               ┌──────────▼──────────────────┐
               │     本地服务 (Flask/FastAPI) │
               │ - 接收请求                   │
               │ - 调用 LangChain链           │
               └──────────┬──────────────────┘
                          │
               ┌──────────▼──────────────────┐
               │   LangChain + 本地大模型     │
               │ - 加载模型                   │
               │ - 构造 PromptTemplate       │
               │ - 执行文档生成链             │
               └──────────┬──────────────────┘
                          │
               ┌──────────▼──────────────┐
               │    代码解析模块          │
               │ - 抽取函数/类/注释等信息  │
               └─────────────────────────┘

---

搭建步骤

第一步：启动开源大模型（以 DeepSeek-Coder 为例）

ollama run deepseek-coder:instruct

你也可以使用 FastChat + Qwen 等部署方式，只需保证能通过 localhost:port 发起模型调用即可。

---

第二步：LangChain 构建文档生成链

# doc_chain.py
from langchain.prompts import PromptTemplate
from langchain.llms import Ollama
from langchain.chains import LLMChain

llm = Ollama(model="deepseek-coder")

prompt_template = PromptTemplate.from_template("""
你是一位资深开发专家，请阅读以下代码片段，并使用中文写出简洁明了的函数说明文档：

代码如下：
```python
{code}

说明文档（包括功能、参数含义、返回值）：
""")

doc_chain = LLMChain(llm=llm, prompt=prompt_template)

def generate_doc(code_snippet: str) -> str:
return doc_chain.run({"code": code_snippet})

第三步：VSCode 插件开发（简化版本）

使用 VSCode Webview API 编写插件，核心逻辑如下：

// extension.ts (主入口)
vscode.commands.registerCommand('docgen.generateDoc', async () => {
    const editor = vscode.window.activeTextEditor;
    if (!editor) return;
    const code = editor.document.getText(editor.selection);

    const response = await fetch('http://localhost:5000/gen', {
        method: 'POST',
        body: JSON.stringify({ code }),
        headers: { 'Content-Type': 'application/json' }
    });

    const result = await response.text();
    vscode.window.showInformationMessage('生成的文档：' + result);
});

---

第四步：本地服务 Flask/FastAPI

# api.py
from flask import Flask, request
from doc_chain import generate_doc

app = Flask(__name__)

@app.route("/gen", methods=["POST"])
def gen():
    code = request.json["code"]
    return generate_doc(code)

if __name__ == "__main__":
    app.run(port=5000)

---

示例效果演示

假设你选中如下代码：

def calculate_discount(price, rate):
    return price * (1 - rate)

AI 输出：

### calculate_discount(price, rate)

计算折扣后的价格。

- 参数：
  - `price`: 原价
  - `rate`: 折扣率，范围 0~1

- 返回值：
  - 应支付的折扣后价格

---

可扩展功能建议

• 支持自动解析整个项目，批量生成模块文档

• 支持版本差异比较，自动更新变化部分文档

• 与 MkDocs/VuePress 集成，构建在线文档站点

• 接入向量数据库 + RAG，打造智能问答文档助手

---

总结

这个系统架构灵活、私有、安全，具备以下优势：

特性	描述
本地运行	数据不出本机，适合企业/私有项目
支持多模型	可替换 DeepSeek/Qwen 等模型
开发门槛低	基于 LangChain 和标准 API
易于扩展	插件、文档、搜索、RAG 等