Розробка AI-розширення для VSCode з використанням Language Server Protocol (LSP) для інтеграції FIM моделі автодоповнення коду

Abstract

UA : Робота викладена на 37 сторінках друкованого тексту, містить 14 рисунків, 10 джерел. Об’єкт дослідження – процес розробки та інтеграції AI-розширення для VSCode з використанням Language Server Protocol (LSP) для автодоповнення коду. Мета роботи: розробка AI-розширення для VSCode на основі Language Server Protocol (LSP) з інтеграцією FIM-моделі для автодоповнення коду. Метод дослідження: аналіз, проєктування, експериментальний. У роботі розглядається розробка AI-розширення для середовища VSCode, що забезпечує генерацію контекстно-залежних пропозицій коду з використанням FIM-моделі автодоповнення. Для реалізації рішення застосовано Language Server Protocol (LSP), що забезпечує ефективну взаємодію між серверною та клієнтською частинами. У процесі роботи використано такі технології: TypeScript, Node.js, VSCode API, FIM-моделі у форматі GGUF, Redis для кешування та Docker для контейнеризації. Результати тестування показали ефективність обраної архітектури, а використання Redis дозволило суттєво зменшити час відгуку та навантаження на модель, що підтверджує доцільність застосованого підходу.

EN : The work is presented on 37 pages of printed text, 14 figures, 10 references. Object of the research: The process of developing and integrating an AI extension for VSCode using Language Server Protocol (LSP) for code autocompletion. Objective of the work: development of an AI-powered VS Code extension based on the Language Server Protocol (LSP) with integration of a Fill-in-the-Middle (FIM) model for code autocompletion. Research method: analytical, design-oriented, experimental. This work focuses on the development of an AI extension for the VS Code environment that provides context-aware code suggestions using a FIM-based autocompletion model. The solution is implemented using the Language Server Protocol (LSP), which enables efficient interaction between the server and client components. The implementation utilizes technologies such as TypeScript, Node.js, the VS Code API, FIM models in the GGUF format, Redis for caching, and Docker for containerization. Performance evaluation results demonstrate the effectiveness of the chosen architecture, while Redis caching significantly reduces response time and model load, confirming the feasibility of the proposed approach.