是什麼讓 Andrej Karpathy 感慨,人類在軟體開發過程中直接編寫程式碼的貢獻將越來越小,直接輸入和監督作用將更加抽象化。最終,人類的角色將只是進行基本的審核和確認,而不再是主要的程式設計和開發者。
原來是 GitHub 新發布的 Copilot Workspace,它重新構想了開發者的內部流程。如果 AI 開發工具是開發者的第二雙手,那麼 Copilot Workspace 將是開發者的「第二個大腦」。
在編碼的過程中,最頭痛的莫過於遇到不熟悉的軟體倉庫、程式語言或框架。解決這些問題所帶來的困難,可能會拖延你完成任務的時間,甚至導致根本無法完成。在時間內想要快速掌握這些,重振旗鼓並不容易。但 Copilot Workspace 或許能讓你事半功倍,甚至能幫助你完成更大、更複雜的任務。
Copilot Workspace,你的「第二個大腦」
#Copilot Workspace 專注於任務選擇、意圖表達和與AI 合作尋求解決方案。這樣做的目的是減少複雜性,提高生產力,同時也能維持軟體開發中重要的方面,如決策和創造性和自主權。
你可以向 Copilot Workspace 提出問題,它會自動提出解決方案。 Copilot Workspace 擁有問題(包括所有評論和回應)和程式碼庫的全部上下文,因此它既能理解你想做什麼,也能理解你的程式碼具體內容。如果 Copilot Workspace 提出的解決方案不完全正確,你也可以編輯流程中的任何步驟,從行為到計劃,再到程式碼,全部都可以用自然語言完成。
Copilot Workspace 回答GitHub 問題
編輯流程中的步驟,進行調整
Copilot Workspace 可在整個軟體包的粒度範圍內運行,並可跨不同程式語言對多個檔案進行連貫修改。它既能處理核心編碼任務,也能處理鷹架類型的任務,例如「建立測試框架 」或「為持續整合編寫 GitHub Actions 工作流程」。它已在 GitHub Next 中被使用,用於開發 Copilot Workspace 本身和其他專案。
以任務為中心的工作流程
Copilot Workspace 能夠幫助開發人員完成完整的開發任務,這些任務通常以GitHub 問題的形式指定和追蹤。因此,Copilot Workspace 可以將問題作為輸入,自動提取程式碼的當前行為,提出可解決該問題的新行為,制定計劃,並實施該計劃(即編寫程式碼)。 Copilot Workspace 擁有問題的全部上下文,包括所有註釋,甚至可以追蹤問題中的連結以提取訊息,幫助完成任務。
使用者回饋和迭代是 Copilot Workspace 所注重的。從建議的新行為、計畫到實施,你可以編輯流程的每一步。例如,在實施計劃並看到程式碼後,您可以返回並調整行為或計劃,然後再試一次。你甚至可以在多個標籤頁中開啟同一個問題,探索幾條不同的路徑。
使用展示
先前使用LLM 完成開發人員任務的嘗試主要集中在對話上,但Copilot Workspace 更基於任務的使用者介面具更結構化,有明顯的優勢:
- 1. Copilot Workspace 可以全面了解問題的來龍去脈,從而提出正確的解決方案。
- 2. 結構化的輸出(原始和修改後的行為、計劃和實施)使得使用者可以在適當的抽象層次上方便地指導 Copilot Workspace。
目前,Copilot Workspace 以 GitHub 的問題作為起點,但計畫未來將支援更多的入口點。例如,Copilot Workspace 可以幫助開發人員處理透過 CodeQL 發現的安全性警報,遷移到新版本的依賴函式庫或從一個函式庫遷移到另一個函式庫,以及解決 PR 審核中的評論問題。
雲端驅動的智能體
GitHub 結合 AI 智能體技術和 GitHub Codespaces 實現無頭、短暫、安全的運算方式。當使用者點擊「執行」按鈕時,後台中會建立一個新的 codespace,將修改後的程式碼推送到其中,並嘗試建置專案。如果建置失敗,我們會將錯誤訊息和程式碼回饋給 Copilot Workspace,並要求其修復建置。一旦建置成功,修改後的程式碼會同步回 Copilot Workspace 的使用者介面,讓使用者看到建置是如何被修復的。如果執行的專案是 Web 應用,codespace 上的連接埠會轉送到只有該使用者能存取的 URL。使用者可以點擊並查看 Web 應用程式的即時預覽,從而直觀地驗證 Copilot Workspace 是否按照他們的預期執行。
由於大型語言模型(LLMs)並不完美,許多任務的「最後一公里」顯得十分重要。 Copilot Workspace 讓你開啟 Codespace 並從中斷的地方繼續,可以在具有安全運行時的完整雲端 IDE 中完成任務。
為協作設計
只要點選「共享」按鈕,Copilot Workspace 就能輕鬆共享工作區。由於使用者體驗是結構化的,因此它能捕捉到會話的整個活動日誌,這也是了解實施方案為何如此的好方法。你可以查看計劃,觀看每一步的實施流程,然後透過點擊使用者介面中的計劃步驟導航到對應的程式碼變更。這豐富了程式碼審查形式,在這種審查中,程式碼差異及其原因都一目了然。
GitHub 計畫加入註解和多人編輯功能,Copilot Workspace 將能在一個工具中同時處理開發人員內循環和審查循環。
以上是開發者「第二大腦」來襲,GitHub Copilot更新,人類開發參與進一步減少的詳細內容。更多資訊請關注PHP中文網其他相關文章!

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:https://spj.scien

译者 | 李睿审校 | 孙淑娟近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

SublimeText3 Linux新版
SublimeText3 Linux最新版

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

SublimeText3漢化版
中文版,非常好用

記事本++7.3.1
好用且免費的程式碼編輯器

Dreamweaver Mac版
視覺化網頁開發工具