MashuPack

MashuPack est une application web côté client conçue pour préparer les dépôts de code local pour une utilisation avec les grands modèles de langage (LLMs) tels que ChatGPT et Claude. Il résout le problème des dumps de contexte naïfs en générant un fichier d'export structuré avec des en-têtes de chemin de fichier clairs et des limites explicites, permettant aux outils IA de naviguer, rechercher et parcourir le code de manière efficace, comme le ferait un développeur dans un terminal. Toutes les opérations s'exécutent entièrement dans le navigateur de l'utilisateur, sans qu'aucune donnée ne soit téléchargée sur un serveur, garantissant une confidentialité totale.

Comment utiliser MashuPack

1. Chargez votre projet en faisant glisser-déposer un dossier sur l'interface de l'application ou en cliquant sur "Browse for folder" pour utiliser le sélecteur de fichiers natif. 2. Utilisez l'arborescence interactive pour naviguer, filtrer (appuyez sur `/` pour focusser la recherche) et sélectionner les fichiers ou dossiers spécifiques à inclure. Cocher un dossier sélectionne tout son contenu. 3. Vérifiez les statistiques du projet dans le panneau de droite, en particulier l'estimation des tokens (basculer en cliquant sur la statistique Size) pour vous assurer qu'elles tiennent dans la fenêtre de contexte de votre modèle IA. 4. Exportez la sélection en utilisant l'une des options : "Export combined text" pour télécharger un fichier `.txt` pour le téléchargement vers l'IA, "Copy to clipboard" pour coller directement dans un chat, ou "Save as .txt".

Fonctionnalités principales de MashuPack

• Format d'export structuré : Génère un fichier texte brut avec un en-tête d'arborescence de répertoire et chaque fichier enveloppé dans des marqueurs de chemin explicites START/END, permettant une navigation fiable par les modèles IA.
• Traitement entièrement basé sur le navigateur : Utilise l'API File System Access pour lire les dossiers locaux sans télécharger de contenu. Toute l'indexation et le calcul se font côté client.
• Moteur haute performance : L'indexation et le calcul de la sélection s'exécutent en Rust compilé en WebAssembly, déchargé vers un Web Worker pour maintenir l'interface fluide même avec des dépôts massifs (par exemple, plus de 28 000 fichiers).
• Sélection et filtrage intelligents des fichiers : Prend en charge la sélection par case à cocher, étiquettes de type de fichier ou tableau de types de fichier dans le panneau de droite. Fournit des statistiques en temps réel (fichiers, dossiers, taille, estimation des tokens).
• Visionneuse de fichiers intégrée : Prévisualise les fichiers avec coloration syntaxique (par CodeMirror) sans affecter la sélection d'exportation.
• Options d'exportation multiples : Exporte le texte combiné sous forme de fichier, copie le rapport dans le presse-papiers ou télécharge le projet sous forme d'archive ZIP.

Cas d'utilisation pour MashuPack

MashuPack est idéal pour les développeurs et les équipes qui souhaitent exploiter l'IA pour l'analyse, la revue, la documentation ou le débogage de code. Il permet de fournir la structure complète d'une base de code à une IA, lui permettant de tracer les dépendances, de localiser des fonctions spécifiques et de comprendre la disposition du projet sans être submergé par un seul dump de contexte. Il est particulièrement utile pour l'intégration de nouveaux projets, la génération de résumés ou pour poser des questions complexes et multi-fichiers sur un dépôt.

Avantages de MashuPack

L'avantage principal est d'augmenter considérablement l'utilité de l'IA pour le code en fournissant un contexte structuré et navigable plutôt qu'un dump de texte plat. Cela respecte les mécanismes internes des LLMs modernes qui peuvent analyser des données structurées. De plus, il offre une robuste confidentialité en maintenant toutes les données locales et des performances exceptionnelles grâce à son architecture Rust/WASM, le rendant pratique pour les projets réels à grande échelle. L'interface utilisateur est intuitive, avec des outils de sélection et de filtrage puissants pour affiner le contexte exact envoyé à l'IA.