Newshot

Psychic:像 fzf 一样,但能从你的操作中学习

Translation(model translation, not the source's own text)

psychic:像 fzf,但会从你的行为中学习

psychic 是一个快速的、带 ML 驱动排序的文件浏览器

大多数日子里,我都在终端里 cd 进各种目录、在编辑器里打开文件。任何一周里,大多都是同样的文件和目录,因为我在做同样的项目。我烦透了必须记住文件放在哪里,也厌倦了反复对那几个相同路径按 Tab 补全。我的电脑本该已经知道我想打开哪个文件!

于是我做了 psychic,一个快速的、基于终端的文件浏览器。它跟踪你去过的目录,并记住你打开过哪些文件。它在你的数据上训练一个轻量级 ML 模型,并用该模型对结果排序。它把交互性和速度置于一切之上:结果随输入即时更新,UI 渲染时间低于 16ms。

它的一切工作方式都源自一个关键设计决策:它必须足够快,快到在按键后的一帧之内完成更新。我宁愿在几秒之内做 10 次快速搜索,也不愿做 1 次需要很多秒才能完成的聪明搜索。

我每次用电脑都会用 psychic。它已经成了我在文件系统中移动的主要方式。一些数字:自 2025 年 10 月开始使用以来,

  • 我打开了它 1450 次。平均而言,我在得到想要的结果之前只输入了 1.6 个字符。
  • 有 29% 的情况我一个字符都没输!psychic 知道我想要什么,直接排在第一位。我所做的只是打开它、按下回车。
  • 从打开 psychic 到抵达目标位置的中位时间是 2 秒。41% 的搜索在 1 秒内完成,69% 在 3 秒内完成。
  • 有 80% 的情况我选了第一条结果。96% 的选择落在前三条之内。
  • 我选中的路径平均约 50 个字符。所以我只输入了其中 3% 就到那里了。

(这些数据来自内置的 psychic stats 命令,你也可以在自己的历史记录上运行它!)

它在 homebrew 上:brew install kshitijl/tap/psychic。

左侧是搜索结果。右侧是当前选中文件或目录的预览。你在底部输入查询,结果会被过滤并排序,每输入一个字母都会变化。如果在文件上按回车,它会在同一窗口中打开你的终端编辑器,并在后台等待。如果是一个目录,它就在该目录内重新开始搜索。它会记住你打开的每个文件和目录,而一个 shell 集成会记录你从 psychic 外部 cd 进的每个目录。所有这一切都会纳入每次搜索。

它就像是 fzf 和 zoxide 生的孩子,外加一个学习你的模式和偏好、小巧的 ML 模型。它是在你自己的数据上做广告优化,帮你更快地在电脑中导航。

工作原理

你所有的搜索和点击都会写入你电脑上的一个 sqlite 数据库。psychic 在该数据上训练一个 LightGBM 模型。模型学着根据你的搜索查询,预测你会打开哪些文件。psychic 用这个模型对搜索结果排序。每次按键之后,psychic 都会重新运行模型并重新排序所有结果。

更多细节,见仓库中的 README。

一些关键设计决策

我使用的模型是 LightGBM,一种梯度提升树的实现。它体积小、速度快,几秒内就能训练完。它能学到依赖阈值取值的规则。例如,它可以学到类似“大于 1 MB 的文件只有在最近 24 小时内被修改过才会被打开”的规则,比如日志文件。LightGBM 还有出色的 LambdaRank 目标函数,正是为这类排序任务专门设计的。

延迟预算排除了任何非本地模型:一次网络调用很容易超过 10 ms,甚至更糟。它也排除了 LLM 或任何形式的 transformer 模型。线性回归和逻辑回归过于简单,表现比 LightGBM 差得多。

文章标题:Psychic:像 fzf 一样,但会从你的操作中学习

每次打开 psychic 时,模型都会从头重新训练。这意味着它始终反映你当前的使用模式。训练在后台进行,完成后会将模型写入磁盘。我们不会在你查看结果时切换到新模型,因为应用这样做会让人感到突兀。相反,我们会等你不再看屏幕时,比如在编辑器中打开文件或点击目录时,再切换到新模型。我为这个精心设计的小小舞蹈感到自豪。

当用户刚开始使用 psychic 时,没有足够的点击数据可供训练。我们使用一个简单模型,它会奖励最近的点击、最近的修改时间,以及查询与文件名之间的模糊匹配。最终得分是简单模型和 ML 模型的加权和。点击很少时,简单模型占主导。随着点击数据积累,ML 模型的得分权重会越来越高,直到基本上为 1。

如何做到 psychic

我使用一组精心挑选的特征来尝试预测你会打开哪个文件。有些特征很简单:你上次在 psychic 中点击它的时间有多近、它的修改时间、文件名是否以查询开头、查询与文件名之间的模糊文本匹配得分。下面是一个调试面板,显示了这些特征和一些性能统计:

带有特征名称的调试面板
带有特征名称的调试面板

这个调试面板在初期非常有用,可以帮助我弄清楚奇怪的结果或性能缓慢的问题。如今 psychic 已经相当稳定,但我有时还是喜欢打开它看看。

有一个特征是“与当前文件位于同一目录下的文件最近被点击的次数”。这个特征帮助模型提升当前活跃项目中文件的排名。

“针对此查询的点击次数”这个特征帮助模型将特定查询与特定文件关联起来,而无需字面记住文件名和查询文本。这样一来,虽然模型并不直接看到文件名,它仍然可以记住关联关系。

训练数据图
训练数据图

每次训练运行都会写出一份包含一些统计数据的 pdf。这里我们看到一条训练曲线以及每个特征的增益。

一个 episode 定义为从打开 psychic(或从上次点击)到点击某个项目之间发生的所有事情。因此单个 episode 会包含一系列查询,包括按退格键和尝试新查询。“episode 中使用该查询的互动次数”这个特征统计的是,在一个 episode 中任何时刻,当当前查询出现时你点击文件的次数。所以如果你总是输入“es”并最终点击“bayesian-estimate.md”,那么模型就能看到这个关联。下次你输入“es”时,模型会把该文件放在列表顶部。

特征 SHAP
特征 SHAP

这里是 SHAP 值和一张点图。这些帮助我理解某个特征对模型输出的影响程度,并解释模型为何会以某种方式表现。例如,点图显示模型偏好最近修改过的文件,并且不喜欢大多数大文件。

计算机跑得快

我密切关注性能,并在良好的基准测试设置上投入了大量精力,外加性能日志记录。每次提交都有性能基准测试。如果你使用 psychic 时遇到性能不佳的情况,那是一个 bug!告诉我,我会修复它。

我的技术选择是由性能驱动的。最重要的选择大概是 Rust 和 LightGBM。

系统调用开销很大,但当然整个程序都是系统调用。我尽量减少了系统调用。主渲染循环中没有文件系统系统调用;我仔细确保在遍历文件系统时请求文件元数据,然后在其他地方一直携带这些数据。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by Hacker News
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗