从 AI编程认知 AI | 盛溪的博客

type

status

date

slug

summary

AI Agent的定义和特点

定义

AI Agent是一种能够感知环境、处理信息、做出决策并采取行动的软件实体。

自主性：AI Agent能够独立运行，无需持续的人类干预。

适应性：AI Agent能够根据环境变化调整自身行为。

社会性：AI Agent能够与其他Agent或人类交互和协作。

AI Agent的基本组件

感知（Perception）：

传感器：AI Agent使用传感器感知环境，例如相机、麦克风等。

数据处理：感知到的数据需要进行预处理，如图像处理、语音识别等。

决策（Decision Making）：

规划：AI Agent需要制定计划以达到目标，这通常涉及路径规划、任务调度等。

推理：AI Agent通过逻辑推理或机器学习算法进行决策。

行动（Action）：

执行器：AI Agent通过执行器与环境交互，如机械臂、移动机器人等。

行为策略：定义具体的行动策略，如避障、导航等。

学习（Learning）：

强化学习：AI Agent通过与环境互动学习最优策略。

监督学习：AI Agent通过训练数据学习任务，例如分类、回归等。

AI Agent的类型

反应式Agent（Reactive Agent）：

基于规则的系统，直接根据感知到的状态采取行动。

优点：快速响应，计算简单。

缺点：缺乏长期规划和学习能力。

基于目标的Agent（Goal-Based Agent）：

具备目标导向的行为，能够制定和执行计划以达到目标。

优点：具备一定的规划和决策能力。

缺点：需要复杂的规划算法，计算量较大。

基于效用的Agent（Utility-Based Agent）：

通过效用函数评估各种可能的行为选择最佳行动。

优点：能够权衡多种目标，选择最优策略。

缺点：需要构建复杂的效用模型。

学习型Agent（Learning Agent）：

具备学习能力，能够通过经验不断改进自身行为。

优点：适应性强，能够处理复杂环境。

缺点：需要大量训练数据和计算资源。

AI Agent的应用场景

机器人控制：

自主导航机器人、无人机控制、工业机器人等。

智能助理：

语音助手（如Siri、Alexa）、智能客服等。

游戏AI：

游戏中的智能NPC、对手AI等。

金融分析：

自动交易系统、风险管理、市场预测等。

医疗诊断：

疾病诊断系统、个性化治疗方案等。

总结

AI Agent模式通过模拟人类智能行为，赋予系统感知、决策、行动和学习的能力。不同类型的Agent适用于不同的任务和场景，能够在各种复杂环境中自主完成任务。随着人工智能技术的进步，AI Agent模式将会在更多领域得到应用和发展。

GitHub copilot

产品和设计产品

程序员直接受益

函数指令同样一个词很多想象的空间

装修推荐系统

单一训练一个语言是不足的

编程这件事情

包含但是不仅仅

copilot

130万，5万企业用户

agi课堂

失业但是在扩招

连接整个工程的项目

一步步操作

tab一下

书写测试用例

很快

实践当中更加像一个提示词

拥有对话框

在code当中做交互修复函数

终端的调用听对方讲解

光标交互

直接使用命令行

可以解释命令

提交代码

commit 每提交了一个版本，都要说明

补全恢复了问答

不要改变用户的操作习惯

单点实现

不是单独的模型，写code和问普通问题是两个

前端设计是精益求精

现有写代码

不仅仅关注当前的问题

打开一个tabs，就是打开了一个视窗

程序可以直接执行

是不是一次就可以命中

introduction

这张图片展示了一个关于代码补全提示（Prompt）的结构图，详细描述了代码补全提示中前缀部分和后缀部分的组成和处理方式。以下是对这张图的详细介绍：

整体结构

Prompt：代码补全提示，由前缀部分和后缀部分组成。

前缀部分

1. 光标之前的部分（beforeCursor）

描述：光标之前的代码片段，作为补全提示的上下文信息。

2. 导入的文件（importedFile）

描述：当前文件依赖的其他文件，目前仅支持TypeScript（TS）。

3. 代码片段（Snippet）

描述：最近打开的同语言文件的相似代码片段。

最近打开的20个同语言文件：从最近打开的同语言文件中提取代码片段。
大小固定的滑动窗口：使用滑动窗口技术获取代码片段。
计算Jaccard相似性：根据文本token的重合度计算相似性。
取最相似的Top N：选取最相似的前N个代码片段。

4. 当前文件路径（pathMarker）

描述：当前文件的路径信息，有助于理解文件的位置和结构。

5. 当前文件的编程语言标记（languageMarker）

描述：当前文件使用的编程语言，有助于代码补全时提供符合语言语法和风格的建议。

后缀部分

光标之后的部分

描述：光标之后的代码片段。

默认长度不超过Prompt的15%：为了保证补全提示的效率和准确性，光标之后的部分默认长度控制在Prompt总长度的15%以内。

总结

这张图展示了代码补全提示系统中如何利用当前文件和上下文信息来生成高效、准确的代码补全提示。通过结合光标之前和之后的代码、最近使用的代码片段、文件路径和编程语言标记等信息，系统能够提供更为智能和符合语境的代码补全建议。这种方法不仅提高了开发效率，还帮助开发者更快地编写和维护高质量的代码。

introduction

这张图片展示了代码补全（completion）过程的工作流程，特别是GitHub Copilot等基于GPT模型的代码补全系统的工作机制。以下是对这张图的详细介绍：

整体流程概述

这个流程分为两个主要部分：本地（Local）和服务器（Server）。

本地部分（Local）

打开的标签页（Open tabs）：

用户当前在编辑器中打开的文件和标签页，这些文件提供了上下文信息。

编辑器中的数据（Data from editor）：

用户正在编辑的代码和光标位置，这些信息用于生成补全提示。

向量数据库（Vector database）：

存储和检索与当前编辑的代码相关的向量化表示，可以用于匹配相似的代码片段。

提示库（Prompt library）：

收集和管理提示信息，包括来自打开的标签页、编辑器数据和向量数据库的信息。

提示（Prompt）：

提示包含用户编码会话的上下文信息。前缀表示光标之前的文本，后缀表示光标之后的文本。

服务器部分（Server）

上下文过滤模型（Contextual filter model）：

根据提示和会话上下文（例如上一个建议是否被接受）确定是否需要向模型发送请求。

GPT模型（GPT Model）：

GPT模型根据提示生成代码补全建议，这些建议填充在提示的前缀和后缀之间。

生成的补全（n completion(s) generated）：

GPT模型生成的n个代码补全建议。

显示的补全（<=n completion(s) shown）：

最终在编辑器中显示的代码补全建议，可以是最多n个补全建议。

详细步骤

从编辑器和打开的标签页收集数据：

编辑器提供当前正在编辑的代码和光标位置，打开的标签页提供额外的上下文信息。

向量数据库可以提供相关的历史代码片段作为参考。

生成和管理提示：

提示库收集这些信息并生成一个包含上下文信息的提示（Prompt），这个提示包括光标之前和之后的代码。

上下文过滤模型处理提示：

上下文过滤模型根据提示和当前会话的上下文（例如上一个建议是否被接受）决定是否将提示发送给GPT模型。

这个步骤可以提高系统的效率，避免不必要的请求。

GPT模型生成代码补全建议：

GPT模型接收到提示后，根据提示生成代码补全建议。

这些补全建议基于模型的训练数据和当前提示的上下文。

显示补全建议：

最终，系统选择最多n个补全建议并在编辑器中显示，供用户选择和使用。

持续改进

本地改进：持续改进提供更好上下文的来源，以生成更准确的提示。

服务器改进：持续改进新的和优化的模型引擎，为Copilot提供更好的补全建议。

总结

这张图展示了代码补全系统的详细工作流程，通过结合本地编辑器的数据、上下文信息和强大的GPT模型，系统能够为用户提供智能和高效的代码补全建议。不断的改进和优化确保了代码补全系统能够适应不同的编程环境和需求，提高开发效率。

原来的代码进入到向量库当中

tongyi lingma

codegemma

agent长链条到底能不能解决

autogpt

metagpt可执行环境是有需求的

足够细分

见识和认知

提升幅度是最快的

提升判断力和提升实操能力更重要

同样是当农民，现在出来了一台收割机，你现在不学如何操作机器，而还只练习如何用镰刀把麦子割得更快，不淘汰你淘汰谁？

美术领域抵抗更加明显

review一下

变更率

协议解析

如何把代码解出来

使用大模型的规律

公司来部署

三年以上的程序员

写着问题就会卡

vue转为java

要有提问规范

回复准确率最高的

带入进去

本地搭建大模型

什么时候可以开始编程

哪里有缺陷返回给工程师

如何省时间要有数据

要做修改

大语言模型整合出来的一个过程

代码就转出来了