AI正在改变软件开发,那你自己改变了吗

本文目录

#软件开发正在被 AI 改变

#全自动 AI 驱动软件开发框架(AutoDev)

# 告别枯燥编码：人工智能助力软件开发

一、软件开发正在被 AI 改变

（原创空格、空格的键盘）

这一年 AI 应用的发展，最直观的表现是生产力工具的改变，在我所从事的互联网行业中，具备 AI 能力的设计和代码工具已经影响了个人工作和团队协作方式。

简单的说，AI 能力的加入提高了效率，增强了能力，这模糊了工具的能力边界，进一步对工具使用者的能力和职责产生影响。

设计工具融合代码能力，代码工具跳过了设计环节，Agent 工具则保罗万象。

一直以来，设计和代码分得很清楚。

设计师在 Figma 里创作界面，产出设计稿，再交给开发。

程序员则在各种编辑器里敲代码，将设计转化为产品页面和业务逻辑。

而 Agent 平台的前身——低代码和无代码工具，致力于降低开发门槛，让非专业人员也能做简单应用。

大模型的介入，让这三类工具的使用门槛降低，能力天花板上升。

1. 设计工具的改变

Figma 作为设计的主流工具加上了：

- 内容生成:自然语言描述快速为设计填充相关内容。

- 智能搜索:通过上传图片、选择画布区域或输入文本查询，Figma能够即时显示团队文件中视觉上相似的设计。

- 一键制作原型：将静态模型迅速转化为交互式原型。

- 自动图层命名：为图层自动命名。

甚至设计师不必从零开始画稿，可以用一句描述生成初稿，再进行修改迭代。而 PS 也拥有非常强大的指定区域修改。

2, 代码工具的改变

今年大火的 V0、Bolt.New、 Cursor、Windsuf 在 Claude 模型的加持下，支持自动补全、错误检测和对话式生成代码，大幅提高编程效率，并且让小白也能制作软件。

这样一来，后端工程师能轻松写前端，前端工程师也能写简单的后端代码，设计师则能根据设计图产出代码。

显然，个人能力和职责要求也将改变，只是那条主流的改变还未成形。这不仅需要颠覆性的工具出现，还要行业内从业人员的共识。

3, Agent 平台的能力

设计和代码工具是在原有工具上的能力增强，而 Agent 的出现则是一种创新和颠覆，不过它目前对行业的改变受限于模型能力和用户接受度，影响还不是很大。

与直接用提示词对话的场景不同，Agent 强调流程节点化配置。

通过配置多个节点中串接信息流，让大模型在合适的时机介入判断、生成或过滤内容，输出理想的结果。

现在主流的 Coze、Dify N8N，各有优势:

Agent 最大的不同是，它是一个全新的产品类型，必将替代过去同等能力的产品。它直接涵盖了软件的设计和开发，并且作为平台，他能方便对接第三方的技术和分发渠道，实现商业闭环。

观察字节跳动的 coze 的产品架构，可以初见一个平台化的产品未来发展走势：

- 火山引擎提供底层算力和数据能力。

- 兼容多种大模型厂商的 API 服务。

- 自带开发环境和应用商店。

- 对接多种发布渠道：微信小程序、抖音小程序、飞书、豆包。

设计、代码工具和 Agent 平台本是互不相干，现在发生了交集，甚至未来会互相取代。谁能成为主流还不得而知。

可以知道的是，当工具的能力越来越强，个人和企业的工作方式势必会发生改变。

AutoCAD 这款理工科大学必学的绘图软件，在它出现之前，工程师和绘图员需要使用各种铅笔、橡皮、丁字尺、三角板、圆规、曲线板等工具手工绘制图纸。效率低且难度高。

AutoCAD 出现后，绘图门槛降低，建筑绘图员和机械绘图员职业的开始兴起，而这款工具的普适性，让它应用到了建筑、航天、机械制造等多个领域。

AI 时代，势必会有一款像 AutoCAD 一样的工具给软件开发带来改变。

实际上，过去两年，已经有企业和个人因使用 AI 工具而改变协作流程，开发 Claude 模型的公司 Anthropic 曾表示：

Claude 变得更强大 → 更好地辅助开发 → 开发速度加快 → Claude 更快地变得更强大

这不是空话，从 Claude 的高频发布，可以看到 AI 辅助开发的实践成果。

Anthropic 在官网文档表示:使用 claude ：

- 投入生产的新功能数量增加了300%;

- 功能部署速度提高了4倍;

- 工程师处理客户支持工单时的上下文切换大幅减少。

对企业来说，不止是给个人提效这么简单，协作的流程和工具将被革新，职业的要求也会变化。掌握AI的使用能力是必要条件。

未来的设计师、程序员和产品经理，不需要熟知所有技能细节，而是需要能把需求拆分成节点、定义提示词、选择合适模型，让工具自动完成中间环节。

对于个人来说，一个人就是设计师+全栈开发，个人开发者花生，用 Cursor 开发的小猫补光灯登顶了 Appstore 付费榜。

软件开发不再受限于工具的使用门槛，这已成为一个铁律，意识的改变是漫长的，有人在证明，有人还在接受。

二、全自动 AI 驱动软件开发框架(AutoDev)

（原创苦叶子开源优测）

“AutoDev: Automated AI-Driven Development” 提出了一种名为 AutoDev 的全自动 AI 驱动软件开发框架，旨在解决现有 AI 编码助手在集成开发环境（IDE）中功能有限的问题。以下是对该论文的详细总结：

1. 研究背景与动机

AI 编码助手的现状与局限：随着 AI 技术在软件开发中的应用，如 GitHub Copilot 等工具已集成到 IDE 中，但它们功能有限，主要集中在代码片段建议和文件操作，缺乏对上下文的理解，无法充分利用 IDE 的全部功能，如调用编译器、执行命令行操作等，开发者仍需手动进行许多操作，如代码验证、执行和错误检查。
AutoDev 的目标：填补现有解决方案的空白，实现复杂软件工程任务的自动化规划和执行，使 AI 代理能够在代码库上执行多种操作，包括文件编辑、检索、构建、执行、测试和 git 操作等，并在安全的环境中运行。

2. AutoDev 框架设计

规则、动作和目标配置：用户通过 yaml 文件配置规则和动作，定义 AI 代理可执行的命令，可根据需求启用或禁用特定命令来定制 AutoDev。同时指定要完成的软件工程任务，如生成测试用例并确保其语法正确、通过测试且无错误。
对话管理器（Conversation Manager）

解析器（Parser）：解释代理生成的响应，提取命令和参数，确保格式正确。若解析失败则阻止进一步操作，成功解析后会根据用户定义的权限和语义检查命令，若通过则调用工具库中的相应动作。
输出组织者（Output Organizer）：处理评估环境返回的输出，选择关键信息（如状态或错误）并添加到对话历史中，确保用户能清晰了解 AutoDev 的操作和结果。
对话结束判断：当代理发出任务完成信号、达到用户定义的最大迭代次数或在过程中检测到问题时，对话管理器结束对话。

代理调度器（Agent Scheduler）：负责协调 AI 代理以实现用户定义的目标，采用多种协作算法（如轮询、基于令牌或基于优先级）确定代理参与对话的顺序和方式。代理包括大语言模型（LLM）和针对代码生成优化的小语言模型（SLM），它们通过文本自然语言接收目标和对话历史，并根据规则和动作配置响应。
工具库（Tools Library）

文件编辑：提供编辑文件（包括代码、配置和文档）的命令，如 write、edit、insert 和 delete，可进行不同粒度的操作，从编写整个文件到修改特定行。
检索：包括基本的 CLI 工具（如 grep、find 和 ls）和基于嵌入的技术，用于查找相似代码片段，帮助代理从代码库中检索相关信息。
构建与执行：使代理能够使用简单命令（如 build 和 run <file>）轻松编译、构建和执行代码库，抽象了底层构建命令的复杂性。
测试与验证：允许代理执行单个测试用例、特定测试文件或整个测试套件，还包括语法检查工具和错误查找工具，如 syntax <file>用于检查语法正确性，test 用于运行整个测试套件。
Git 操作：用户可配置 git 操作的细粒度权限，如提交、推送和合并，代理可根据权限执行相应操作。
通信：代理可使用 talk 命令发送自然语言消息（不被解释为仓库操作命令），ask 命令请求用户反馈，stop 命令表示任务完成或无法继续进行。

评估环境（Evaluation Environment）：在 Docker 容器中运行，安全执行文件编辑、检索、构建、执行和测试命令，为代理提供简化接口，将标准输出 / 错误返回给输出组织者模块。

3. 实验设计

研究问题

RQ1：评估 AutoDev 在代码生成任务中的有效性。
RQ2：评估 AutoDev 在测试生成任务中的有效性。
RQ3：评估 AutoDev 完成任务的效率。

实验设置

使用基于 GPT - 4 模型（gpt - 4 - 1106 - preview）的一个代理，启用文件编辑、检索和测试等操作，禁用除 stop 外的通信命令，以确保 AutoDev 自主运行。
在代码生成任务中，使用 HumanEval 数据集，AutoDev 根据提供的函数签名和文档字符串生成函数体代码，并通过 Pass@k 指标评估，设置 k = 1 计算 Pass@1。
在测试生成任务中，修改 HumanEval 数据集，AutoDev 根据给定方法生成测试用例，评估基于测试成功、是否调用目标方法和测试覆盖率，同样计算 Pass@1，并比较 AutoDev 生成测试的覆盖率与人工编写测试的覆盖率。

4. 实验结果

RQ1 结果：AutoDev 在代码生成任务中达到 91.5% 的 Pass@1 率，位居 HumanEval 排行榜第二，优于零样本 GPT - 4（67%），且无需额外训练数据，相对提升 30%。不过，AutoDev 实现有效性可能需要多次推理调用和步骤。
RQ2 结果：在测试生成任务中，AutoDev 的 Pass@1 得分为 87.8%，相对基于相同 GPT - 4 模型的基线提高了 17%，其生成的正确测试覆盖率达 99.3%，与人工编写测试的 99.4% 覆盖率相当，在整个数据集上的覆盖率为 88.8%。
RQ3 结果

在代码生成任务中，AutoDev 平均执行 5.5 个命令，包括 1.8 次写操作、1.7 次测试操作、0.92 次停止操作，还有少量检索、语法检查和通信命令，其中存在少量格式错误或参数不正确的命令（归类为错误命令）。
在测试生成任务中，平均执行 6.5 个命令，涉及更多检索操作和错误操作。
AutoDev 与单次推理调用生成候选代码的方法相比，虽然推理调用次数更多，但执行了开发者通常需要进行的测试和验证操作。其通过 talk 命令提供任务完成信息，增加了解释性，stop 命令相对成本较低。AutoDev 解决每个 HumanEval 问题的对话平均长度分别为 1656（代码生成）和 1863（测试生成）个令牌，虽多于基线方法，但用于测试、验证和解释生成代码。此外，AutoDev 在协调 AI 代理、管理对话和在 Docker 环境中执行命令会产生执行成本，但确保了安全执行和验证。

5. 讨论

AutoDev 实际应用示例：通过生成测试用例的任务展示 AutoDev 的工作流程，包括代理生成测试文件、执行测试、根据错误修改测试用例并再次执行直至成功，体现了 AutoDev 自我评估生成代码和处理错误的能力，以及促进用户了解代理行为的作用。
多代理协作：支持多代理协作，初步结果表明在复杂任务中多代理协作有积极影响，未来计划在更复杂场景中评估其性能提升。
人机交互（Human in the Loop）：允许代理使用 talk 和 ask 命令与用户通信，开发者可借此了解代理意图和计划，未来计划深入集成人机交互，允许用户中断代理并提供反馈。
AutoDev 集成：目前作为 CLI 命令使用，未来目标是集成到 IDE 中创建聊天机器人体验，并纳入 CI/CD 管道和 PR 审查平台，以简化软件开发流程。

6. 相关工作

AI 在软件工程中的应用：介绍了 AI，特别是大语言模型（LLM）在软件工程中的集成进展，如 GPT - 3、GPT - 4 等模型在理解和生成源代码方面的能力，以及在 IDE 中作为智能编程助手的潜力。AutoDev 在此基础上提供了更全面的框架，包括多功能工具库，使 AI 代理能自主执行复杂任务，且与不同参数大小和架构的 AI 模型兼容。
LLM 在软件工程中的评估：指出评估 LLM 在软件工程任务中的挑战，传统语言指标的局限性，介绍了 CodeXGLUE 和 HumanEval 等评估平台和数据集，以及 Copilot Evaluation Harness 在扩展评估范围和指标方面的贡献。当前 AutoDev 使用 HumanEval 评估，未来计划扩展到更具挑战性和实际的数据集。
AI 在软件工程交互中的应用：提及 Auto - GPT、LATS 和 Reflexion 等相关工作在 AI 驱动任务方面的独特方法，AutoDev 借鉴并专门化这些想法，旨在弥合传统软件工程实践与 AI 驱动自动化之间的差距，促进开发者与 AI 代理的协作。

7. 结论

AutoDev 框架使 AI 代理能够自主与代码库交互、执行操作并处理复杂软件工程任务，将提取上下文和验证代码的责任从用户转移到 AI 代理，开发者角色转变为监督多代理协作并提供反馈。
在 HumanEval 数据集上的评估显示，AutoDev 在代码生成（Pass@1 为 91.5%）和测试生成（Pass@1 为 87.8%）任务中取得了优异成绩。
未来工作目标是将 AutoDev 集成到 IDE、CI/CD 管道和 PR 审查平台，进一步提升软件开发效率和质量。

三、告别枯燥编码：人工智能助力软件开发

（原创诚哥看开源诚哥看开源）

解锁 GPT 的潜力，提升开发效率！本期 GitHub 探索带你领略人工智能在软件开发领域的创新应用，助你告别枯燥编码，拥抱高效开发！

1.提示工程指南

🏷️仓库名称：dair-ai/Prompt-Engineering-Guide🌟截止发稿星数: 51393 (今日新增:44)🇨🇳仓库语言: MDX🤝仓库开源协议：MIT License🔗仓库地址：https://github.com/dair-ai/Prompt-Engineering-Guide

引言

本指南旨在提供有关提示工程的全面信息，包括其概念、技术分析、案例研究以及最佳实践，以帮助开发人员和研究人员有效利用语言模型。

项目作用

Prompt工程涉及使用特定技术和方法来设计提示：

零样本提示：无需任何示例就要求模型执行任务。
少样本提示：使用少量示例引导模型对任务进行推理。
自洽提示：提示中包含模型推理的中间步骤。
主动提示：提示能够适应模型的响应并对其进行调整。

仓库描述

该仓库是一个综合资源，包含指导、讲座、笔记本和用于提示工程的工具。它包括入门教程、高级技术分析、案例研究和不断更新的最佳实践。

案例

该指南提供了使用提示工程技术解决各种任务的案例，例如问答、代码生成和生成合成数据集。

客观评测或分析

Prompt工程已证明可以显著提高语言模型在多种任务中的性能，使其在自然语言处理、信息检索和生成式AI领域发挥至关重要的作用。

使用建议

理解Prompt工程的基本概念和技术。
探索该指南提供的资源和工具。
实验不同的提示设计技巧，以找到与特定任务最匹配的方法。
监控模型的响应并根据需要调整提示。

结论

Prompt工程是解锁语言模型全部潜力的关键因素。通过了解和实践本指南中概述的技术，开发人员和研究人员能够显着提高其人工智能应用的性能和准确性。

2.Teable：开源 Airtable 替代品

🏷️仓库名称：teableio/teable🌟截止发稿星数: 13978 (今日新增:32)🇨🇳仓库语言: TypeScript🤝仓库开源协议：Other🔗仓库地址：https://github.com/teableio/teable

引言

Teable 是一款开源的无代码应用程序，它使用电子表格界面来管理数据，促进团队协作。

项目作用

Teable 提供了各种功能，包括：

基于电子表格的界面
实时协作
自定义字段和视图
SQL 查询
扩展性可达百万行数据

仓库描述

代码语言： TypeScript
许可证： AGPL 3.0
stars： 7700+
contributors： 30+

案例

用于管理客户关系、项目跟踪和库存管理的数据库应用程序
用于团队协作的无代码仪表板

客观评测或分析

Teable 因其易用性、可扩展性和对开发者和非开发者都友好的特性而受到赞誉。

使用建议

使用 Teable 创建无代码数据库应用程序
探索各种视图和功能来满足您的数据管理需求
利用 Teable 的实时协作功能与团队无缝协作

结论

Teable 是一个强大的开源项目，为无代码开发提供了灵活且可扩展的解决方案。它使非技术人员和开发者能够轻松管理和利用数据。

3.SiYuan：一款注重隐私且强大的个人知识管理软件

🏷️仓库名称：siyuan-note/siyuan🌟截止发稿星数: 24525 (今日新增:487)🇨🇳仓库语言: TypeScript🤝仓库开源协议：GNU Affero General Public License v3.0🔗仓库地址：https://github.com/siyuan-note/siyuan

引言

SiYuan 是一款注重隐私、自我托管且完全开源的个人知识管理软件，用 TypeScript 和 Go 编写。它旨在为用户提供一个安全可靠的环境来组织、存储和检索他们的知识。

项目作用

SiYuan 的主要功能包括：

细粒度的块级引用和 Markdown WYSIWYG 编辑器。
自定义属性、SQL 查询嵌入和协议 siyuan://。
导出为标准 Markdown、PDF、Word 和 HTML。
基于表的数据库视图和闪卡间隔重复。
通过 OpenAI API 进行人工智能写作和问答聊天。
支持 Android、iOS 和 HarmonyOS 应用程序。

仓库描述

SiYuan 的 GitHub 仓库托管了该软件的源代码、文档和贡献指南。该仓库遵循 GNU Affero General Public License v3.0 许可。

案例

SiYuan 已被个人、学生和专业人士广泛使用，在各种用例中证明了其价值，包括：

笔记整理
项目管理
研究和学术写作
知识管理
个人成长和自我提升

客观评测或分析

SiYuan 因其强大的功能、注重隐私以及开放源代码的性质而受到赞誉。该项目的贡献者社区也因其积极和支持的态度而受到认可。

使用建议

SiYuan 最适合希望管理个人知识、创建知识库或增强学习和研究体验的用户。该软件可以作为桌面应用程序或通过 Docker 部署在服务器上。

结论

SiYuan 是一款功能强大且用户友好的个人知识管理软件，它提供了创新的功能和对隐私的关注。它是一个开放源代码项目，欢迎贡献，将继续发展以满足用户的不断变化的需求。

4.掌握编程奧秘，打造你的技術杰作

🏷️仓库名称：codecrafters-io/build-your-own-x🌟截止发稿星数: 318955 (今日新增:171)🇨🇳仓库语言: Markdown🔗仓库地址：https://github.com/codecrafters-io/build-your-own-x

引言

這個項目匯集了一系列深入淺出的分步指南，教你從頭開始重新創建你最喜歡的技術，旨在幫助你深入理解編程原理，提升技術技能。

项目作用

提供以多種編程語言編寫的詳細教程
涵蓋各種技術領域，從遊戲開發到人工智能

仓库描述

這個倉庫提供了全面且豐富的教程，涵蓋了各種技術，旨在指導你構建自己的技術項目，從基礎概念到複雜技術棧。

案例

使用 C++ 構建 3D 渲染器
用 Go 編寫一個 Bittorrent 客户端
使用 Python 構建區塊鏈

客观评测或分析

此項目提供了一種實踐性的學習方法，通過創建實際項目，幫助你深入了解編程概念並掌握技術技能。教程內容全面且深入，適合各種技能水平的程序員。

使用建议

選擇與你的興趣和技能水平相匹配的教程。
按照分步指南進行操作，並嘗試理解每個概念。
嘗試創建自己的項目，應用你學到的知識。

结论

無論是初學者還是經驗豐富的程序員，此項目都是通過實踐掌握編程技能和深入理解技術原理的寶貴資源。它提供了豐富的教程庫，指導你從構思到實施，構建自己的技術項目。

5.shadPS4：PlayStation 4 仿真器

🏷️仓库名称：shadps4-emu/shadPS4🌟截止发稿星数: 11814 (今日新增:122)🇨🇳仓库语言: C++🤝仓库开源协议：GNU General Public License v2.0🔗仓库地址：https://github.com/shadps4-emu/shadPS4

引言

shadPS4 是一款使用 C++ 编写的 PlayStation 4 仿真器，适用于 Windows、Linux 和 macOS 系统。

项目作用

该仿真器利用 Vulkan 图形 API 提供低开销且高效的图形渲染，同时使用 SDL3 框架处理输入和窗口管理。

仓库描述

该仓库包含 shadPS4 仿真器的源代码、文档和构建说明。

案例

该仿真器已成功运行《血源诅咒》、《黑魂重置版》和《荒野大镖客》等游戏。

客观评测或分析

shadPS4 尚处于早期开发阶段，但已显示出模拟 PlayStation 4 游戏的巨大潜力。

使用建议

确认系统满足最低系统要求。
下载并安装最新版本。
配置输入设备并加载游戏镜像。

结论

shadPS4 是一款有前途的 PlayStation 4 仿真器，正在不断开发和改进。它为玩家提供了在 PC 上体验 PlayStation 4 游戏的独特机会。

6.适用于模型上下文协议的 Python SDK

🏷️仓库名称：modelcontextprotocol/python-sdk🌟截止发稿星数: 1056 (今日新增:28)🇨🇳仓库语言: Python🤝仓库开源协议：MIT License🔗仓库地址：https://github.com/modelcontextprotocol/python-sdk

引言

本文将深入介绍模型上下文协议 (MCP) Python SDK，阐述其功能、用例和技术解析。

项目作用

MCP 是一种用于在 LLM（大型语言模型）中提供上下文的标准化协议。MCP 服务器将数据和功能暴露给 LLM 应用程序，允许 LLM 轻松访问信息并执行操作。MCP Python SDK 提供了对该协议的完整实现，简化了与 MCP 服务器的交互。

使用建议

对于希望构建 MCP 客户端或服务器的开发者。
对于寻求在应用程序中集成 MCP 功能的工程师。
对于希望了解 MCP 协议的人员。

结论

MCP Python SDK 是构建和使用 MCP 应用程序的不可或缺的工具。它提供了对 MCP 协议的全面实现，使开发者能够轻松创建强大的 LLM 增强应用程序。

7.MetaGPT：多智能体软件公司框架

🏷️仓库名称：geekan/MetaGPT🌟截止发稿星数: 46205 (今日新增:32)🇨🇳仓库语言: Python🤝仓库开源协议：MIT License🔗仓库地址：https://github.com/geekan/MetaGPT

引言

MetaGPT是一个创新的开源项目，它通过采用多智能体系统，将大语言模型整合到软件公司的工作流程中。本文概述了MetaGPT的作用、特点、优势和潜在的应用前景。

项目作用

MetaGPT框架由一系列特定角色的GPT智能体组成，这些角色协同工作，模拟软件公司中不同团队的职责。它提供了一个直观的用户界面，允许用户使用自然语言提出需求，并生成详细的项目结构、代码和文档。此外，MetaGPT还集成了数据解析和可视化功能，从而进一步优化了软件开发过程。

仓库描述

MetaGPT 项目托管在 GitHub 上，由一个包含文档、代码示例和教程的综合仓库组成。该仓库采用 MIT 许可证，允许用户自由使用和修改代码。

客观评测或分析

MetaGPT是一个新颖且富有前瞻性的项目，它将大语言模型的力量与多智能体系统相结合。它对软件开发行业具有潜在的变革意义，因为它自动化了许多繁琐的任务，从而使团队能够专注于更具战略性的工作。

使用建议

要使用 MetaGPT，用户可以下载项目仓库并按照提供的安装指南进行操作。然后，他们可以通过 CLI 或编程接口与 MetaGPT 交互，并根据需要调整配置。

结论

MetaGPT是一项激动人心的技术，它为软件开发和团队协作开辟了新的可能性。它提供了一个强大的平台，使开发人员能够利用大语言模型的潜力，并以前所未有的方式加速软件开发过程。

8.JumpServer：开源堡垒机

🏷️仓库名称：jumpserver/jumpserver🌟截止发稿星数: 25790 (今日新增:12)🇨🇳仓库语言: Python🤝仓库开源协议：GNU General Public License v3.0🔗仓库地址：https://github.com/jumpserver/jumpserver

引言

JumpServer 是在 GitHub 上开源的 PAM（特权访问管理）工具，旨在向 DevOps 和 IT 团队提供对 SSH、RDP、Kubernetes、数据库和 RemoteApp 端点的安全访问。

仓库描述

这个 GitHub 仓库包含 JumpServer 的源代码、文档和配置指南。它提供了一个快速入门脚本，可以简化部署过程。

案例

JumpServer 已被广泛应用于生产环境，用于保护敏感系统并简化 IT 管理。

客观评测或分析

JumpServer 的主要优点包括易于使用、功能丰富和开源。它提供了一个安全且易于管理的解决方案，用于控制对特权系统的访问。

使用建议

JumpServer 适用于需要增强其网络安全措施并提高 IT 管理效率的组织。它可以与现有安全系统集成，并可以根据需要进行定制。

结论

JumpServer 是 GitHub 上一个出色的开源堡垒机，提供了安全、高效和可定制的特权访问管理解决方案。它广泛的特性和易用性使其成为保护敏感系统并增强 IT 管理的理想选择。

9.OpenHands：提升软件开发的 AI

🏷️仓库名称：All-Hands-AI/OpenHands🌟截止发稿星数: 39227 (今日新增:91)🇨🇳仓库语言: Python🤝仓库开源协议：MIT License🔗仓库地址：https://github.com/All-Hands-AI/OpenHands

引言

本文旨在介绍 OpenHands，一个由 AI 驱动的软件开发 agent 平台，助力开发者提升开发效率。

项目作用

OpenHands 利用大型语言模型 (LLM) 的强大功能，作为软件开发的主导，赋予其修改代码、查找文档、编写测试以及生成创意输出等能力。

仓库描述

OpenHands 采用 MIT 许可证发布，包含了一个开源平台，用于构建和部署软件开发 agent。

案例

该项目的实际应用包括通过使用 LLM 自动化编码任务、提高代码质量以及简化软件开发流程。

客观评测或分析

OpenHands 受到开发者的好评，被认为是一种变革性的工具，能够释放开发人员的潜力，使其专注于更具战略性和创造性的任务。

使用建议

利用 OpenHands 与 LLM（如 Anthropic 或 OpenAI）集成，以获得最佳效果。
在 Docker 或本地文件系统中运行 OpenHands。
通过 Slack、Discord 或 GitHub 社区加入 OpenHands 社区。

结论

OpenHands 是一款创新的工具，将 AI 的力量引入软件开发领域，为开发者提供了一种高效且强大的方法来构建和维护软件系统。

10.Transformers：最先进的机器学习

🏷️仓库名称：huggingface/transformers🌟截止发稿星数: 136826 (今日新增:55)🇨🇳仓库语言: Python🤝仓库开源协议：Apache License 2.0🔗仓库地址：https://github.com/huggingface/transformers

引言

Transformers是一个Python库，提供访问用于文本、图像和音频任务的数千个预训练模型。它使用户可以无缝下载、使用、微调和共享模型。

项目作用

Transformers提供：

用于将模型无缝集成到工作流中的预处理管道。
使用Flax、PyTorch和TensorFlow训练模型的支持，提供灵活性和选择性。
通过用户友好的API轻松下载和使用模型。

案例

使用Electra进行命名实体识别
使用BERT进行蒙面词完成
使用ViT进行图像分类
使用AST进行音频分类

客观评测或分析

Transformers因以下特点而受到赞扬：

覆盖各种领域和任务的广泛模型存储库。
简化对预训练模型的访问，减少开发时间。
与流行的深度学习框架集成。

使用建议

利用管道将模型直接应用于新数据。
通过在特定数据集上微调来自定义模型以提高性能。
探索Hugging Face Hub以发现和与社区共享模型。

结论

对于自然语言处理、计算机视觉和音频处理领域的开发人员、研究人员和从业人员来说，Transformers是一个非常宝贵的工具。凭借其全面的模型存储库、直观的API和与流行框架的无缝集成，Transformers使用户能够加速其机器学习工作流程并实现最先进的结果。

本公众号声明：

1、如您转载本公众号原创内容必须注明出处。

2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。

3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。

4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。