開發者「第二大腦」來襲,GitHub Copilot更新,人類開發參與進一步減少
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!

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

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

0.這篇文章乾了啥?提出了DepthFM:一個多功能且快速的最先進的生成式單目深度估計模型。除了傳統的深度估計任務外,DepthFM還展示了在深度修復等下游任務中的最先進能力。 DepthFM效率高,可以在少數推理步驟內合成深度圖。以下一起來閱讀這項工作~1.論文資訊標題:DepthFM:FastMonocularDepthEstimationwithFlowMatching作者:MingGui,JohannesS.Fischer,UlrichPrestel,PingchuanMa,Dmytr

想像一下,一個人工智慧模型,不僅擁有超越傳統運算的能力,還能以更低的成本實現更有效率的效能。這不是科幻,DeepSeek-V2[1],全球最強開源MoE模型來了。 DeepSeek-V2是一個強大的專家混合(MoE)語言模型,具有訓練經濟、推理高效的特點。它由236B個參數組成,其中21B個參數用於啟動每個標記。與DeepSeek67B相比,DeepSeek-V2效能更強,同時節省了42.5%的訓練成本,減少了93.3%的KV緩存,最大生成吞吐量提高到5.76倍。 DeepSeek是一家探索通用人工智

AI,的確正在改變數學。最近,一直十分關注這個議題的陶哲軒,轉發了最近一期的《美國數學學會通報》(BulletinoftheAmericanMathematicalSociety)。圍繞著「機器會改變數學嗎?」這個話題,許多數學家發表了自己的觀點,全程火花四射,內容硬核,精彩紛呈。作者陣容強大,包括菲爾茲獎得主AkshayVenkatesh、華裔數學家鄭樂雋、紐大電腦科學家ErnestDavis等多位業界知名學者。 AI的世界已經發生了天翻地覆的變化,要知道,其中許多文章是在一年前提交的,而在這一

本月初,來自MIT等機構的研究者提出了一種非常有潛力的MLP替代方法—KAN。 KAN在準確性和可解釋性方面表現優於MLP。而且它能以非常少的參數量勝過以更大參數量運行的MLP。例如,作者表示,他們用KAN以更小的網路和更高的自動化程度重現了DeepMind的結果。具體來說,DeepMind的MLP有大約300,000個參數,而KAN只有約200個參數。 KAN與MLP一樣具有強大的數學基礎,MLP基於通用逼近定理,而KAN基於Kolmogorov-Arnold表示定理。如下圖所示,KAN在邊上具

波士頓動力Atlas,正式進入電動機器人時代!昨天,液壓Atlas剛「含淚」退出歷史舞台,今天波士頓動力就宣布:電動Atlas上崗。看來,在商用人形機器人領域,波士頓動力是下定決心要跟特斯拉硬剛一把了。新影片放出後,短短十幾小時內,就已經有一百多萬觀看。舊人離去,新角色登場,這是歷史的必然。毫無疑問,今年是人形機器人的爆發年。網友銳評:機器人的進步,讓今年看起來像人類的開幕式動作、自由度遠超人類,但這真不是恐怖片?影片一開始,Atlas平靜地躺在地上,看起來應該是仰面朝天。接下來,讓人驚掉下巴

特斯拉機器人Optimus最新影片出爐,已經可以在工廠裡打工了。正常速度下,它分揀電池(特斯拉的4680電池)是這樣的:官方還放出了20倍速下的樣子——在小小的「工位」上,揀啊揀啊揀:這次放出的影片亮點之一在於Optimus在廠子裡完成這項工作,是完全自主的,全程沒有人為的干預。而且在Optimus的視角之下,它還可以把放歪了的電池重新撿起來放置,主打一個自動糾錯:對於Optimus的手,英偉達科學家JimFan給出了高度的評價:Optimus的手是全球五指機器人裡最靈巧的之一。它的手不僅有觸覺

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

什麼?瘋狂動物城被國產AI搬進現實了?與影片一同曝光的,是一款名為「可靈」全新國產影片生成大模型。 Sora利用了相似的技術路線,結合多項自研技術創新,生產的影片不僅運動幅度大且合理,還能模擬物理世界特性,具備強大的概念組合能力與想像。數據上看,可靈支持生成長達2分鐘的30fps的超長視頻,分辨率高達1080p,且支援多種寬高比。另外再劃個重點,可靈不是實驗室放出的Demo或影片結果演示,而是短影片領域頭部玩家快手推出的產品級應用。而且主打一個務實,不開空頭支票、發布即上線,可靈大模型已在快影
