ColGrep-Agent-2B

ColGrep-Agent-2B

一个 2.5B 参数的模型，通过搜索和阅读代码仓库，找出与缺陷报告或问题相关的文件和行范围。通过 ColGrep 在本地运行。

由 lightonai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：ColGrep-Agent-2B 是 LightOn 推出的小型代码定位智能体。给它一份缺陷报告、功能请求或关于仓库的问题，它就找出相关的文件和行范围。

它在用 ColGrep 搜索和在不能改动任何东西的终端里打开文件之间交替进行，然后报告精确的位置。它基于 MiniCPM5-2B，目的是替更大的编程智能体承担仓库探索的工作。

适合谁：适合想快速找到正确代码的开发者和编程智能体构建者，他们更愿意用小型本地模型，而不是把整个仓库发给大模型。

Industry | Who uses it | How they use it | Example
软件 | 开发者 | 为缺陷或问题定位代码 | 找出重试是在哪里配置的
AI 工具 | 编程智能体构建者 | 把仓库搜索交给小型助手 | 把代码查找委托出去的大型智能体
工程团队 | 维护者 | 更快地分诊问题 | 把一个问题指向可能的文件

如果你不处理代码仓库，或者想要写代码而不是找代码的模型，可以跳过它。

用在哪里：它通过 ColGrep 命令行在 macOS、Linux 和 Windows 上本地运行，有 GPU 时可加速。它不需要 Python 环境、推理服务器或 API 密钥。

• colgrep 命令行
• 装有 Homebrew 的 macOS 和 Linux，或带 PowerShell 的 Windows
• Cargo，用来从源码构建 ColGrep
• 调用 colgrep --agent 的更大的编程智能体

Use case | Who | What they get back
问题定位 | 维护者 | 缺陷报告对应的文件路径和行范围
关于代码的问答 | 开发者 | 仓库里能回答问题的位置
委托搜索 | 智能体构建者 | 供更大模型使用的精简结果

如何设置：你只需安装一次 ColGrep，让它去获取模型。install-agent 这一步会下载约 2.5 GB 的 Q8_0 GGUF 文件，检查它能否加载，并准备提示词缓存。

• Homebrew、Cargo，或模型卡里的安装脚本
• 默认模型文件约需 2.5 GB
• GPU 可选，但能加快速度

1. 用下面的命令之一，通过 Homebrew 或 Cargo 安装 ColGrep。
2. 运行 install-agent 这一步，下面的命令已经包含了它。
3. 用 colgrep init 给你的仓库建一次索引。

brew install lightonai/tap/colgrep && colgrep --install-agent

cargo install colgrep && colgrep --install-agent

cd /path/to/project
colgrep init

如何使用：用 colgrep --agent 以自然语言提问。第一次索引之后，搜索会发现改动的文件，并在回答前更新索引。结果以路径、起始行和结束行的形式给出。

colgrep --agent "where does the agent decide which GPU backend llama.cpp uses"

Tool | What it does
colgrep --install-agent | 下载并准备默认模型
colgrep init | 为当前仓库建立索引
colgrep --agent | 对一个问题运行智能体并返回代码位置

示例：在 ColGrep 自己的代码上，模型卡问的是智能体在哪里决定 llama.cpp 使用哪个 GPU 后端。在所展示的 M3 Pro 会话里，智能体用了 9 轮和 2 次搜索，在 21.7 秒内返回了 5 个位置。

新手与专家：如果你是新手，安装 ColGrep，给一个小项目建索引，问一个具体的问题。答案是一份文件和行号的列表，你可以自己打开查看。

如果你熟悉这个领域：这个智能体用强化学习训练，学会用 ColGrep 搜索并通过只读终端读文件。它在搜索和阅读之间循环，然后调用 finish 给出最终位置，这与更大智能体的工具循环很契合。

用 colgrep init 为仓库建索引
用 colgrep --agent 提问
智能体搜索并阅读文件
智能体以路径和行范围结束

注意事项：输出遵循路径、起始行和结束行的格式，所以脚本和其他智能体可以直接使用。模型卡展示的示例会话为了便于阅读省略了工具结果。

• License: Apache 2.0
• Cost to run: 未提及费用，也不需要 API 密钥
• Data it reaches: 你建索引并提问的仓库，以及它下载的模型文件
• Not for: 写代码，因为它只负责找出相关代码

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 框架：transformers
• 参数量：2.5B
• Weights: about 5 GB in BF16; about 1.3 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,141
• 点赞：38
• 许可证：apache-2.0
• 语言：en
• 基于：openbmb/MiniCPM5-2B
• Quantized versions: 6
• 标签：transformers, safetensors, llama, text-generation, code, code-search, tool-use, reinforcement-learning, colgrep, conversational

链接

• 模型：https://huggingface.co/lightonai/colgrep-agent-2B
• 文件：https://huggingface.co/lightonai/colgrep-agent-2B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download lightonai/colgrep-agent-2B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。