SourceBridge：ローカルLLMを使用したコードベース分析のためのオープンソースツール

SourceBridgeは、ローカルLLMを使用してコードベースの構造化された理解を構築するオープンソースプロジェクトです。Gitリポジトリを指定すると、コードベースをファイル、関数、クラス、依存関係を含むシンボルグラフにインデックス化します。その後、このツールはLLMを使用して、個々のコードセグメントから始まり、ファイル、パッケージ、リポジトリ全体を通じて階層的な理解ツリーを構築します。

生成されるもの

• クリフノート：実際のコードに基づいた多段階の要約
• コードツアー：特定のファイル/関数参照を含むアーキテクチャ順の解説
• 学習パス：教育的に構造化されたオンボーディング教材
• ワークフローストーリー：システムを通じたデータフローのトレース
• リポジトリグラフに対するセマンティック検索

ローカルモデルのサポート

ローカルモデルのサポートは最初から優先事項でした。現在サポートされているバックエンドは次のとおりです：

• Ollama — 主要なローカルバックエンド、開発者が毎日テストに使用
• llama.cpp — 直接llama-serverサポート、テストではOllamaよりわずかに高速
• vLLM — GPUサーバー向け
• LM Studio — 投機的デコーディングを含む
• SGLang — マルチGPUセットアップ向け

すべてのバックエンドはOpenAI互換APIを介して動作するため、そのプロトコルに対応するものは何でも動作します。特定のタスクでより高い品質が必要な場合には、クラウドプロバイダー（Anthropic、OpenAI、Gemini、OpenRouter）もサポートされています。

モデルの性能

開発者は主に、Mac Studio上のllama.cppを介してQwen 3.5 35B-A3B（MoE、アクティブパラメータは3Bのみ）で実行しています。Q4_K_XL量子化では約50トークン/秒で実行され、しっかりとしたクリフノートとコードツアーを生成します。より大きなリポジトリでは、Ollamaを介したQwen 3.5 122B-A10Bがテストされており、より良い指示追従を示しますが、約76GBのRAMが必要です。

理解タスク（コードの要約、理解ツリーの構築）では、32Bクラスのモデルが妥当な仕事をします。ローカルモデルとクラウドモデルの品質差は顕著ですが、ほとんどのユースケースでは致命的ではありません。複雑なフォーマット指示をループせずに追従する必要があるレポートスタイルの生成では、クラウドモデルが依然として明らかに優れています。

Qwen 3.5モデルの思考モードはデフォルトで無効になっています — 理解出力を改善しない推論チェーンにトークンを浪費するためです。これは環境変数を介して設定可能で、実験したい場合に使用できます。

アーキテクチャ

• Go APIサーバー（インデックス作成、認証、ジョブキュー、グラフストア）
• Python gRPCワーカー（LLM呼び出し、理解パイプライン、成果物生成）
• Next.js Web UI（リアルタイム進捗、マークダウンビューア）
• SurrealDB（グラフデータ、ナレッジ成果物、ジョブ状態）
• 3つのコンポーネントはすべてDocker化されており、docker compose upで実行

ワーカーはキューイング、リトライ、バックオフ、キャンセルを処理するため、ローカルモデルが遅い場合や生成中にクラッシュした場合でも、作業を失うことなくシステムは適切に回復します。

はじめに

git clone https://github.com/sourcebridge-ai/sourcebridge.git
cd sourcebridge
# config.tomlを編集 — llm.providerをOllama/llama.cppインスタンスに設定
docker compose up

コードはマシンから離れることはありません。LLM推論はローカルに留まります。オプトアウトの匿名テレメトリーがあります（インストール数のみ、DO_NOT_TRACK=1で無効化可能）。

開発者は、ローカルモデルを実行している人々からのフィードバックを求めています。特に、どのモデルが最良の理解出力を生成するか、MoEモデルが密モデルとのRAMトレードオフに見合う価値があるか、特定のバックエンドでの問題などについてです。