Git bleibt für Millionen von Entwicklern weltweit der Eckpfeiler der Versionskontrolle. Während die Grundprinzipien beständig sind, entwickeln sich Greatest Practices und gemeinsame Arbeitsabläufe weiter. Dieser Artikel geht noch einmal auf die wichtigsten Git-Befehle ein, bietet aktuelle Beispiele und erläutert ihre Relevanz in der heutigen Entwicklungslandschaft, komplettiert mit anschaulichen Bildern.

1. git init

Zweck: Initialisiert ein neues Git-Repository. Dies ist der erste Schritt für jedes neue Projekt, das Sie mit Git verfolgen möchten.

Beispiel:

Bash

mkdir my-new-project
cd my-new-project
git init

Dadurch entsteht ein Verborgenes .git Verzeichnis, in dem alle erforderlichen Repository-Dateien gespeichert sind.

2. git clone

Zweck: Erstellt eine lokale Kopie eines vorhandenen Distant-Repositorys. Unverzichtbar für den Beitritt zu einem bestehenden Projekt.

Beispiel:

Bash

git clone https://github.com/consumer/repo-name.git

Dieser Befehl lädt den gesamten Projektverlauf herunter und richtet die Nachverfolgung für das Distant-Repository ein.

3. git add

Zweck: Stufen Sie Änderungen für den nächsten Commit ein. Es teilt Git mit, welche geänderten Dateien Sie in Ihren nächsten Snapshot einschließen möchten.

Beispiel:

Bash

git add index.html          # Add a particular file
git add js/                 # Add all recordsdata in a listing
git add .                   # Add all modifications within the present listing

Benutzen git add . ist üblich, aber achten Sie darauf, Änderungen mit zu überprüfen git standing Erste.

4. git commit

Zweck: Zeichnet die bereitgestellten Änderungen dauerhaft im Verlauf des Repositorys auf. Jeder Commit ist eine Momentaufnahme Ihres Projekts zu einem bestimmten Zeitpunkt.

Beispiel:

Bash

git commit -m "feat: Add consumer authentication module"

Der -m Flag stellt eine Commit-Nachricht bereit. Moderne Greatest Observe empfiehlt beschreibende und konventionelle Commit-Nachrichten (z. B. „feat:“, „repair:“, „docs:“) für eine bessere Lesbarkeit des Projektverlaufs.

5. git standing

Zweck: Zeigt den aktuellen Standing des Arbeitsverzeichnisses und des Staging-Bereichs an. Hier erfahren Sie, welche Änderungen bereitgestellt, nicht bereitgestellt und nicht verfolgt werden.

Beispiel:

Bash

git standing

Dieser Befehl ist Ihr bester Freund, um vor dem Festschreiben zu verstehen, was in Ihrem Repository vor sich geht.

6. git log

Zweck: Zeigt den Commit-Verlauf an. Sie können sehen, wer wann Änderungen vorgenommen hat und wie die Commit-Nachricht lautete.

Beispiel:

Bash

git log                       # Present full historical past
git log --oneline             # Present a condensed one-line abstract per commit
git log --graph --oneline --all # Visualize department historical past with a graph

git log ist unglaublich vielseitig, um die Vergangenheit Ihres Projekts zu erkunden.

7. git department

Zweck: Verwaltet Filialen. Zweige sind eigenständige Entwicklungslinien.

Beispiel:

Bash

git department                     # Listing all native branches
git department characteristic/new-design  # Create a brand new department
git department -d characteristic/old-feature # Delete an area department (after merging)

Characteristic-Verzweigung ist ein Commonplace-Workflow, der die Entwicklung isoliert hält, bis sie zur Integration bereit ist.

8. git checkout (und git swap)

Zweck: Wechselt zwischen Zweigen oder stellt Dateien wieder her. Während checkout Da Git immer noch weit verbreitet ist, wurde es eingeführt git swap Und git restore in neueren Versionen, um die Absicht zu verdeutlichen.

Beispiel (mit git swap für Filialen):

Bash

git swap characteristic/new-design   # Swap to an current department
git swap -c bugfix/login-error # Create and swap to a brand new department

Beispiel (mit git restore für Dateien):

Bash

git restore index.html          # Discard modifications in working listing
git restore --staged index.html # Unstage modifications

Empfehlung: Verwenden git swap zum Wechseln von Filialen und git restore zum Verwalten von Dateizuständen, Reservieren git checkout für ältere Skripte oder bestimmte erweiterte Anwendungsfälle.

9. git merge

Zweck: Integriert Änderungen von einem Zweig in einen anderen.

Beispiel:

Bash

git swap predominant
git merge characteristic/new-design

Dieser Befehl bringt den Verlauf von characteristic/new-design hinein predominant. Git wird versuchen, a Schnellvorlauf-Zusammenführung wenn möglich, oder erstellen Sie eine Merge-Commit wenn es unterschiedliche Geschichten gibt.

10. git rebase

Zweck: Schreibt den Commit-Verlauf neu. Es verschiebt oder kombiniert eine Folge von Commits zu einem neuen Foundation-Commit. Nützlich für die Pflege eines linearen Projektverlaufs.

Beispiel:

Bash

git swap characteristic/new-design
git rebase predominant

Das dauert deine characteristic/new-design schreibt sie fest und wendet sie zusätzlich zum neuesten Stand erneut an predominant Zweig. Es wird häufig verwendet, um Characteristic-Branches auf dem neuesten Stand zu halten und saubere Zusammenführungsverläufe zu erstellen. Vorsicht: Führen Sie kein Rebase für Zweige durch, die in ein gemeinsam genutztes Distant-Repository verschoben wurden, da dadurch der Verlauf neu geschrieben wird und es zu Konflikten für Mitarbeiter kommen kann.

11. git push

Zweck: Lädt lokale Department-Commits in ein Distant-Repository hoch.

Beispiel:

Bash

git push origin predominant               # Push the primary department to 'origin' distant
git push -u origin characteristic/new-design # Set upstream and push for the primary time

Der -u (oder --set-upstream)-Flag ist beim Pushen eines neuen lokalen Zweigs von entscheidender Bedeutung, da es Ihren lokalen Zweig mit seinem Distant-Gegenstück verbindet.

12. git pull

Zweck: Ruft Änderungen aus einem Distant-Repository ab und integriert sie in den aktuellen lokalen Zweig. Es ist im Wesentlichen git fetch gefolgt von git merge.

Beispiel:

Bash

git pull origin predominant

Stets git pull Bevor Sie mit neuen Arbeiten beginnen oder Änderungen vorantreiben, stellen Sie sicher, dass Sie über den neuesten Code verfügen.

13. git fetch

Zweck: Lädt Objekte und Referenzen aus einem anderen Repository herunter. Es ruft alle aktuellen Änderungen von der Fernbedienung ab, ohne sie in Ihrem aktuellen Arbeitszweig zusammenzuführen.

Beispiel:

Bash

git fetch origin

Dadurch können Sie sehen, was es Neues auf der Fernbedienung gibt (z. B. origin/predominant), ohne Ihre lokalen Zweigstellen zu ändern.

14. git distant

Zweck: Verwaltet die Gruppe der verfolgten Repositorys („Remotes“).

Beispiel:

Bash

git distant -v                        # Listing current remotes
git distant add upstream https://github.com/fork/original-repo.git # Add a brand new distant
git distant take away upstream           # Take away a distant

Wird häufig in Fork-Workflows verwendet, um das Repository des ursprünglichen Projekts zu verfolgen.

15. git stash

Zweck: Speichert vorübergehend Änderungen, die noch nicht festgeschrieben werden können, sodass Sie Kontexte (z. B. Zweige) wechseln können, ohne unvollständige Arbeit festzuschreiben.

Beispiel:

Bash

git stash save "WIP: login element" # Stash with a message
git stash checklist                      # View stashed modifications
git stash pop                       # Apply the latest stash and take away it
git stash apply stash@{1}           # Apply a particular stash with out eradicating it

Ein unschätzbar wertvoller Befehl zum Kontextwechsel und zur Behandlung von Unterbrechungen.

16. git tag

Zweck: Markiert bestimmte Punkte im Verlauf als wichtig und wird normalerweise für Launch-Versionen verwendet (z. B. v1.0, v2.0-beta).

Beispiel:

Bash

git tag v1.0.0                       # Create a light-weight tag
git tag -a v1.0.0 -m "Launch v1.0.0" # Create an annotated tag (beneficial)
git push origin v1.0.0               # Push tags to distant

Kommentierte Tags umfassen eine Nachricht, einen Tagger und ein Datum und werden im Allgemeinen für offizielle Veröffentlichungen bevorzugt.

17. git revert

Zweck: Macht einen vorherigen Commit rückgängig, indem ein neuer Commit erstellt wird, der die Änderungen rückgängig macht. Dies ist eine sichere Möglichkeit, Änderungen im gemeinsamen Verlauf rückgängig zu machen, da vorhandene Commits nicht neu geschrieben werden.

Beispiel:

Bash

git revert HEAD~1 # Revert the second to final commit
git revert <commit-hash>

Verwenden git revert wenn Sie Änderungen rückgängig machen müssen, die bereits in ein gemeinsam genutztes Repository übertragen wurden.

18. git reset

Zweck: Setzt den HEAD-Zeiger auf einen angegebenen Zustand zurück. Dieser Befehl ist leistungsstark und kann verwendet werden, um Änderungen rückgängig zu machen, Commits rückgängig zu machen oder Dateien aus dem Index zu entfernen.

Beispiel:

Bash

git reset HEAD^                 # Uncommit the final commit, hold modifications (default --mixed)
git reset --soft HEAD~1         # Uncommit, hold modifications staged
git reset --hard <commit-hash>  # Discard all modifications as much as the required commit (DANGEROUS!)

git reset --hard sollte mit äußerster Vorsicht verwendet werden, da lokale Änderungen dauerhaft verworfen werden.

19. git config

Zweck: Ruft Repository- oder globale Optionen ab und legt diese fest. Wird zum Konfigurieren Ihrer Git-Umgebung verwendet.

Beispiel:

Bash

git config --global consumer.identify "Your Identify"
git config --global consumer.e mail "your.e mail@instance.com"
git config --list                   # Listing all configurations

Das globale Festlegen Ihres Namens und Ihrer E-Mail-Adresse ist normalerweise eines der ersten Dinge, die Sie nach der Set up von Git tun.

20. git clear

Zweck: Entfernt nicht verfolgte Dateien aus Ihrem Arbeitsverzeichnis. Nützlich zum Aufräumen einer Bauumgebung oder zum Neubeginn.

Beispiel:

Bash

git clear -n                 # Present what could be eliminated (dry run)
git clear -f                 # Take away untracked recordsdata (use with warning!)
git clear -df                # Take away untracked recordsdata and untracked directories

Immer verwenden git clear -n zuerst, um zu vermeiden, dass wichtige Dateien versehentlich gelöscht werden.

Dieser aktualisierte Leitfaden bietet eine solide Grundlage für den effektiven Einsatz von Git in modernen Entwicklungsworkflows. Wenn Sie diese Befehle beherrschen, können Sie Ihre Projekte souverän verwalten und nahtlos mit Ihrem Crew zusammenarbeiten.

Bild vom Autor

# Einführung

Docker ist zu einem zentralen Bestandteil der modernen Webentwicklung geworden, da es Entwicklern hilft, Anwendungen in konsistenten, portablen Umgebungen auszuführen. Anstatt manuell Abhängigkeiten auf jedem Pc einzurichten, können Sie alles, was Ihre App benötigt, in Container packen und überall auf die gleiche Weise ausführen.

Docker Compose geht noch einen Schritt weiter, indem Sie mithilfe einer einzigen Konfigurationsdatei mehrere Dienste gemeinsam definieren und ausführen können – beispielsweise Ihre App, Datenbank, Verwaltungstools und Hintergrunddienste. Dies macht es besonders nützlich für moderne Projekte, bei denen die Entwicklung oft von mehr als nur einer Anwendung abhängt.

In diesem Artikel behandeln wir 7 Docker Compose-Vorlagen, die jeder Entwickler kennen sollte. Sie können diese Vorlagen klonen, lokal ausführen und sie dann bearbeiten und darauf aufbauen, um eine solide Grundlage für Ihre eigenen Entwicklungs- und DevOps-Projekte zu schaffen.

# 1. WordPress Docker Compose-Vorlage

Für WordPress-Entwickler ist dies ein praktisches lokales Setup für Theme-Arbeit, Plugin-Exams, Shopper-Demos und umfassendere Content material-Administration-System-Workflows (CMS). Der nezhar/wordpress-docker-compose Mit der Vorlage können Sie schnell eine vollständige WordPress-Umgebung starten WordPress, MySQL, WP-CLIUnd phpMyAdminDies macht es sowohl für die Website-Entwicklung als auch für die Datenbankverwaltung in einem realistischeren lokalen Setup nützlich. Es ist ein guter Ausgangspunkt, da Sie es klonen, lokal ausführen und dann zu einer wiederholbaren Grundlage für Ihre eigenen WordPress-Projekte anpassen können.

# 2. Subsequent.js Docker Compose-Vorlage

Entwickler, die eine echte Subsequent.js-Anwendung selbst hosten möchten, werden diese Vorlage besonders nützlich finden. Der leerob/next-self-host Die Vorlage ist rundherum aufgebaut Subsequent.js, PostgreSQL, DockerUnd Nginxund das Repository beleuchtet auch praktische Produktionsaspekte wie Caching, inkrementelle statische Regeneration (ISR) und die Handhabung von Umgebungsvariablen. Das macht es nützlicher als eine minimale Demo, weil es zeigt, wie eine moderne Full-Stack-Subsequent.js-Bereitstellung realistischer strukturiert werden kann. Es ist eine großartige Einstiegsvorlage zum Klonen, Ausführen und Aufbauen, wenn Sie eine klarere Grundlage für selbst gehostete Subsequent.js-Projekte wünschen.

# 3. PostgreSQL und pgAdmin Docker Compose

Wenn Sie eine schnelle lokale Datenbankumgebung benötigen, bietet Ihnen diese Vorlage einen einfachen und praktischen Ausgangspunkt. Der postgresql-pgadmin Beispiel im Superior-Compose-Repository von Docker wird von Docker als Beispiel-Setup für eine PostgreSQL-Datenbank mit dem vorgestellt pgAdmin Webschnittstelle, was es zu einem praktischen Ausgangspunkt für die Verwaltung von Schemata, die Ausführung von Abfragen und die Überprüfung von Daten in einer visuelleren lokalen Umgebung macht.

# 4. Django Docker Compose-Vorlage

Für Python-Webprojekte bietet diese Vorlage einen umfassenderen Ausgangspunkt als eine einfache Demo-App. Der nickjj/docker-django-example Exemplarisch wird das Repository dargestellt Django und Docker-App, die als Foundation für ein neues Projekt oder als Leitfaden für die Dockerisierung eines bestehenden Projekts verwendet werden kann und praktische Dienste und Muster vereint, die häufig in realen Bereitstellungen verwendet werden, einschließlich PostgreSQL. Redis, Sellerieund umgebungsbasierte Konfiguration. Das macht es zu einem nützlichen Ausgangspunkt für Projekte, bei denen Sie ein umfassenderes lokales Setup benötigen, das Sie ausführen, studieren und erweitern können.

# 5. Kafka Docker Compose-Vorlage

Jeder, der Streaming-Systeme oder ereignisgesteuerte Architektur erlernt, wird von diesem Setup großen Nutzen ziehen. Der Dirigent/kafka-stack-docker-compose Das Repository soll eine realistischere Replikation ermöglichen Kafka Bereitstellungsmuster statt nur einer minimalen Demo, mit Stack-Optionen, die Kafka umfassen, TierpflegerSchema Registry, Kafka Join, REST Proxy, ksqlDB und Conduktor Platform für die Verwaltung. Das macht es besonders nützlich für Entwickler, die eine lokale Kafka-Umgebung betreiben, erkunden möchten, wie verschiedene Dienste zusammenpassen, und ein besseres praktisches Verständnis für ereignisgesteuerte Systeme aufbauen möchten.

# 6. n8n AI Docker Compose-Vorlage

Für selbst gehostete KI-Workflows und Automatisierungen ist diese Vorlage eine der praktischsten Optionen auf der Liste. Der n8n-io/self-hosted-ai-starter-kit wird beschrieben von n8n als offene Docker Compose-Vorlage zum Bootstrapping eines lokalen KI- und Low-Code-Setups, das selbst gehostetes n8n kombiniert, Ollama, Qdrantund PostgreSQL in einem Stapel. Dies macht es besonders nützlich für das Experimentieren mit KI-Agenten, Workflow-Automatisierung, lokaler Modellnutzung und abrufbasierten Pipelines, ohne dass die gesamte Umgebung von Grund auf neu zusammengestellt werden muss.

# 7. Ollama und öffnen Sie WebUI Docker Compose

Für Entwickler, die lokale KI-Instruments erkunden, bietet dieser Stack eine versatile Einstiegsmöglichkeit. Der ollama-litellm-openwebui Das Setup in ruanbekker/awesome-docker-compose basiert auf Ollama, LiteLLMUnd Öffnen Sie die WebUIwas es praktisch macht, mit lokalen Modellen zu experimentieren, gleichzeitig eine Verbindung zu OpenAI-kompatiblen APIs herzustellen und alles über eine übersichtlichere browserbasierte Oberfläche zu verwalten. Das macht es zu einem guten Ausgangspunkt für Entwickler, die eine flexiblere lokale KI-Umgebung wünschen, die sie für ihre eigenen Arbeitsabläufe ausführen, erkunden und erweitern können.

# Abschluss

Diese Docker Compose-Vorlagen bieten Entwicklern eine schnellere Möglichkeit, vom Setup zum tatsächlichen Erstellen überzugehen. Anstatt Zeit damit zu verbringen, alles von Grund auf neu zu verkabeln, können Sie mit bewährten Umgebungen beginnen, die bereits zeigen, wie wichtige Dienste in der Praxis zusammenpassen. Egal, ob Sie an einem CMS, einer Full-Stack-Webanwendung, einem Datenbank-Workflow, einem Python-Backend, einem Streaming-System oder einem lokalen KI-Stack arbeiten, diese Vorlagen bieten Ihnen etwas Praktisches, das Sie klonen, lokal ausführen und sofort daraus lernen können.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Da sich die Branche von einfachen LLM-Inferenzen (Giant Language Mannequin) hin zu autonomen Agentensystemen bewegt, haben sich die Herausforderungen für Entwickler verändert. Es geht nicht mehr nur um das Modell; es geht um die Umgebung, in der dieses Modell funktioniert. Ein Forscherteam von Alibaba veröffentlicht CoPawein Open-Supply-Framework, das dieses Downside lösen soll, indem es eine standardisierte Workstation für die Bereitstellung und Verwaltung persönlicher KI-Agenten bereitstellt.

CoPaw basiert auf einem technischen Stack bestehend aus AgentScope, AgentScope-LaufzeitUnd ReMe. Es fungiert als Brücke zwischen der Agentenlogik auf hoher Ebene und den praktischen Anforderungen eines persönlichen Assistenten, wie z. B. persistenter Speicher, Mehrkanalkonnektivität und Aufgabenplanung.

Die Architektur: AgentScope- und ReMe-Integration

CoPaw ist kein eigenständiger Bot, sondern eine Workstation, die mehrere Komponenten orchestriert, um eine zusammenhängende „Agenten-App“ zu erstellen.

Das System basiert auf drei Hauptschichten:

1. AgentScope: Das zugrunde liegende Framework, das die Agentenkommunikation und -logik verwaltet.
2. AgentScope-Laufzeit: Die Ausführungsumgebung, die einen stabilen Betrieb und ein stabiles Ressourcenmanagement gewährleistet.
3. ReMe (Speicherverwaltung): Ein spezialisiertes Modul, das sowohl lokalen als auch cloudbasierten Speicher verwaltet. Dadurch können Agenten eine „Langzeiterfahrung“ aufrechterhalten und das mit Customary-LLM-APIs verbundene Downside der Zustandslosigkeit lösen.

Durch Hebelwirkung ReMeMit CoPaw können Benutzer ihren Datenschutz kontrollieren und gleichzeitig sicherstellen, dass der Agent den Kontext über verschiedene Sitzungen und Plattformen hinweg behält. Dieser dauerhafte Speicher ermöglicht es der Workstation, sich im Laufe der Zeit an die spezifischen Arbeitsabläufe eines Benutzers anzupassen.

Erweiterbarkeit über das Abilities System

Ein Kernmerkmal der CoPaw-Workstation ist ihre Kompetenzerweiterung Fähigkeit. In diesem Rahmen ist eine „Fähigkeit“ eine diskrete Funktionseinheit – im Wesentlichen ein Werkzeug, das der Agent aufrufen kann, um mit der Außenwelt zu interagieren.

Das Hinzufügen von Funktionen zu CoPaw erfordert keine Änderung der Kern-Engine. Stattdessen unterstützt CoPaw a Benutzerdefiniertes Ability-Verzeichnis wo Ingenieure Python-basierte Funktionen löschen können. Diese Fähigkeiten folgen einer standardisierten Spezifikation (beeinflusst von anthropics/expertise), wodurch der Agent Folgendes tun kann:

• Führen Sie Net Scraping durch (z. B. Zusammenfassung von Reddit-Threads oder YouTube-Movies).
• Interagieren Sie mit lokalen Dateien und Desktop-Umgebungen.
• Fragen Sie persönliche Wissensdatenbanken ab, die auf der Workstation gespeichert sind.
• Verwalten Sie Kalender und E-Mails in natürlicher Sprache.

Dieses Design ermöglicht die Erstellung von Agentische Apps– komplexe Arbeitsabläufe, bei denen der Agent eine Kombination aus integrierten Fähigkeiten und geplanten Aufgaben nutzt, um ein Ziel autonom zu erreichen.

Multi-Channel-Konnektivität (All-Area-Zugriff)

Eine der größten technischen Hürden bei der persönlichen KI ist der Einsatz auf fragmentierten Kommunikationsplattformen. CoPaw begegnet diesem Downside durch seine All-Area-Zugriff Schicht, die standardisiert, wie Agenten mit verschiedenen Messaging-Protokollen interagieren.

Derzeit unterstützt CoPaw die Integration mit:

• Unternehmensplattformen: DingTalk und Lark (Feishu).
• Soziale/Entwicklerplattformen: Discord, QQ und iMessage.

Diese Mehrkanalunterstützung bedeutet, dass ein Entwickler eine einzelne CoPaw-Instanz initialisieren und von jedem dieser Endpunkte aus mit ihr interagieren kann. Die Workstation übernimmt die Übersetzung von Nachrichten zwischen der Logik des Agenten und der API des spezifischen Kanals und sorgt für einen konsistenten Zustand und Speicher, unabhängig davon, wo die Interaktion stattfindet.

Wichtige Erkenntnisse

• Wechsel vom Modell zur Workstation: CoPaw verlagert den Fokus weg vom reinen Giant Language Mannequin (LLM) hin zu einem strukturierten Modell Workstation-Architektur. Es fungiert als Middleware-Schicht, die das orchestriert AgentScope Rahmen, AgentScope-Laufzeitund externe Kommunikationskanäle, um die reinen LLM-Funktionen in einen funktionalen, dauerhaften Assistenten zu verwandeln.
• Langzeitgedächtnis über ReMe: Im Gegensatz zu standardmäßigen zustandslosen LLM-Interaktionen integriert CoPaw die ReMe (Speicherverwaltung) Modul. Dadurch können Agenten eine „Langzeiterfahrung“ aufrechterhalten, indem sie Benutzerpräferenzen und vergangene Aufgabendaten entweder lokal oder in der Cloud speichern und so eine personalisierte Entwicklung des Verhaltens des Agenten im Laufe der Zeit ermöglichen.
• Erweiterbare Python-basierte „Fähigkeiten“: Das Framework verwendet eine entkoppelte Fähigkeitserweiterungssystem basierend auf der anthropics/expertise Spezifikation. Entwickler können den Nutzen eines Agenten erweitern, indem sie einfach Python-Funktionen zu einem benutzerdefinierten Ability-Verzeichnis hinzufügen, sodass der Agent bestimmte Aufgaben wie Net Scraping, Dateimanipulation oder API-Integrationen ausführen kann, ohne die Kerncodebasis zu ändern.
• All-Area-Multi-Channel-Zugriff: CoPaw bietet eine einheitliche Schnittstelle für plattformübergreifende Bereitstellung. Eine einzelne Workstation-Instanz kann mit Unternehmenstools (Lark, DingTalk) und sozialen/Entwicklerplattformen (Discord, QQ, iMessage) verbunden werden, sodass in verschiedenen Umgebungen auf denselben Agenten und seinen Speicher zugegriffen werden kann.
• Automatisierte Agenten-Workflows: Durch Kombinieren Geplante Aufgaben Mit dem Abilities-System geht CoPaw vom reaktiven Chat zur proaktiven Automatisierung über. Entwickler können „Agentic Apps“ programmieren, die Hintergrundvorgänge ausführen – wie etwa die tägliche Forschungssynthese oder die automatisierte Repository-Überwachung – und Ergebnisse an den bevorzugten Kommunikationskanal des Benutzers weiterleiten.

Schauen Sie sich das an Repo hier Und Webseite. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 120.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Bild vom Autor

# Einführung

Als Groups nutzen sie KI-Codierungsagenten und -assistenten Kopilot, CursorUnd Claude CodeEntwickler generieren Code schneller als je zuvor. Aber der Überprüfungsprozess hat nicht ganz Schritt gehalten. Pull-Requests bleiben oft tage- oder wochenlang im Leerlauf, der Kontext geht verloren und subtile Fehler entgehen oft der manuellen Überprüfung.

Ein effektiverer Ansatz besteht darin, den Überprüfungsprozess mit KI-Instruments zu verbessern. Im Gegensatz zu herkömmlichen Linters analysieren moderne KI-Instruments Code im Kontext, erkennen Architekturmuster, identifizieren subtile Logikfehler und geben innerhalb von Sekunden aussagekräftige Empfehlungen. In diesem Artikel werden fünf Instruments zur KI-Codeüberprüfung behandelt, die für unterschiedliche Teamanforderungen einen echten Mehrwert bieten, wie zum Beispiel:

• Umfassende Workflow-Plattformen
• Tiefes Verständnis der Codebasis
• Testgenerierung und Qualitätsanalyse
• Eigenständige Überprüfungsautomatisierung
• Automatisierte Repair-Implementierung

Bei diesem Artikel handelt es sich nicht um eine erschöpfende Liste, sondern vielmehr um einen Überblick über die High-Instruments in diesem Bereich, dargestellt in keiner bestimmten Reihenfolge.

# 1. Arbeitsabläufe mit Graphite neu denken

Bei den meisten KI-Assessment-Instruments handelt es sich lediglich um Bots, die Kommentare zu bestehenden Pull-Requests hinterlassen. Graphit ist eine vollständige Assessment-Plattform, die den gesamten Code-Assessment-Workflow neu überdenkt. Es kombiniert gestapelte Pull Requests (PR) mit KI-gestützter Analyse für schnellere und qualitativ hochwertigere Überprüfungen.

Hier sind die Funktionen, die den Graphite-Agenten für Entwicklungsteams nützlich machen:

• Ermöglicht gestapelte Pull-Anfragen, die große Options in atomare, überprüfbare Blöcke aufteilen, die KI effektiver analysieren kann
• Bietet einen interaktiven KI-Begleiter direkt in Ihrer PR-Oberfläche, wo Sie Fragen stellen und sofort kontextbezogene Antworten erhalten können
• Erstellt automatisch Testpläne und Zusammenfassungen
• Liefert Bewertungen über eine übersichtlichere und schnellere Benutzeroberfläche als die native Benutzeroberfläche von GitHub

Der Graphitführungen Auf dieser Seite finden Sie mehrere praktische Leitfäden, die nach Anwendungsfällen kategorisiert sind. Graphit + KI-Agenten: Testen gestapelter Unterschiede ist auch eine gute Komplettlösung.

# 2. Indizierung von Codebasen mit Greptile

Während die meisten Instruments nur geänderte Zeilen in einer PR analysieren, Greptile erstellt einen umfassenden Wissensgraphen Ihres gesamten Repositorys. Dies erleichtert eine tiefgreifende Kontextanalyse, die verfolgt, wie sich Änderungen auf Ihr gesamtes System auswirken.

Warum Greptile eine Überlegung wert ist:

• Erstellt einen vollständigen Repository-Index, der jede Funktion, Abhängigkeit und historische Änderung in Ihrer Codebasis versteht
• Führt eine modulübergreifende Abhängigkeitsanalyse durch, um potenzielle Breaking Modifications und Auswirkungen auf die Architektur automatisch zu identifizieren
• Nützlich für die Beantwortung komplexer Fragen wie „Welche Dienste hängen von dieser API ab?“ oder „Wie wirkt sich das auf nachgelagerte Systeme aus?“

Der 5-Minuten-Schnellstart Die Dokumentation von Greptile enthält Einrichtungsanleitungen für verschiedene Repository-Größen. Der Greptile in Aktion | Echte Beispiele Auf der Seite finden Sie mehrere Beispiele, die zeigen, wie Graphite in großen Open-Supply-Repositories verwendet wird.

# 3. Verbesserung der Qualität mit Qodo

Qodo verfolgt bei der Codeüberprüfung einen verhaltensorientierten Ansatz, indem es automatisch umfassende Testsuiten generiert und die Codequalität analysiert. Dies hilft Groups, Fehler zu erkennen, bevor sie in die Produktion gelangen.

Das macht Qodo für die Codequalität nützlich:

• Generiert automatisch Komponententests basierend auf Ihren Codeänderungen, einschließlich Randfällen und Randbedingungen, die Sie möglicherweise übersehen
• Bietet eine Verhaltensanalyse, die Funktionseingaben, -ausgaben und potenzielle Fehlermodi untersucht
• Bietet Vorschläge zur Codequalität, die sich auf Wartbarkeit, Lesbarkeit und Greatest Practices konzentrieren
• Integriert sich direkt in Ihren IDE- und PR-Workflow und unterstützt mehrere Programmiersprachen

Kasse Qodos Leitfaden „Erste Schritte“. zur Set up und Einrichtung. Du kannst siehe Dokumentation Weitere Informationen zur Verwendung von Qodo in der CLI-, IDE- und Git-Schnittstelle finden Sie hier.

# 4. Automatisieren Sie Bewertungen mit CodeRabbit

CodeRabbit ist ein beliebter Drittanbieter-Bot, der eine Verbindung herstellt GitHub, GitLaboder Bitbucket. Es bietet umfassende KI-gestützte Bewertungen durch detaillierte PR-Kommentare und eine interaktive Chat-Oberfläche.

Die Funktionen, die CodeRabbit einen Besuch wert machen:

• Erstellt automatisch detaillierte Walkthrough-Zusammenfassungen, wenn Sie eine Pull-Anfrage öffnen, und erklärt, was sich geändert hat und warum
• Führt verschiedene Code-Analysatoren aus, die große Sprachmodelle mit traditionellen Linters kombinieren, um umfassendes Suggestions zu erhalten
• Bietet eine Chat-Schnittstelle in PR-Kommentaren, über die Sie Folgefragen stellen und um Erläuterungen bitten können
• Bietet hochgradig konfigurierbare Regeln, mit denen Sie das Feedbackniveau optimieren und die KI basierend auf den Vorlieben Ihres Groups trainieren können

Der CodeRabbit-Schnellstartanleitung behandelt Einrichtungs- und Konfigurationsoptionen. Ihre Integrationsleitfäden Zeigen Sie, wie Sie eine Verbindung mit verschiedenen Git-Plattformen herstellen und Suggestions-Ebenen anpassen können.

# 5. Überbrückung der Lücke mit Ellipsis

Ellipse schließt die Lücke zwischen Codeüberprüfung und Implementierung, indem automatisch Korrekturen für Prüferkommentare generiert werden. Dies trägt dazu bei, die Hin- und Her-Zyklen zu reduzieren, die die Entwicklung verlangsamen.

Was macht Ellipsis für die Verkürzung der Überprüfungszyklen nützlich?

• Liest Kommentare von Prüfern und setzt angeforderte Änderungen automatisch um
• Generiert Commits mit Fixes, nachdem Checks ausgeführt wurden, um sicherzustellen, dass nichts kaputt geht
• Behält das Verständnis Ihrer Codierungsstandards bei und repliziert konsistente Muster in Ihrer Codebasis
• Funktioniert mit GitHub und unterstützt mehrere Programmiersprachen

Der Installationsanleitung Enthält Anweisungen zur Einrichtung. Der Codeüberprüfung Der Leitfaden erklärt, wie man Ellipsis für Codeüberprüfungen verwendet, welche Arten von Änderungen am besten mit der automatisierten Implementierung funktionieren und vieles mehr.

# Zusammenfassung

KI-gestützte Code-Assessment-Instruments haben sich von experimentellen Add-ons zu wesentlichen Bestandteilen moderner Entwicklungsworkflows entwickelt. Da die Codegenerierung durch KI-Assistenten beschleunigt wird, wird eine intelligente Überprüfungsautomatisierung für die Aufrechterhaltung von Qualität und Geschwindigkeit eher notwendig als non-obligatory.

Welches Werkzeug das richtige ist, hängt jedoch von Ihren spezifischen Herausforderungen ab. Und der Schlüssel liegt darin, das Werkzeug an Ihren Engpass anzupassen.

Fügen Sie einem fehlerhaften Prozess nicht einfach KI-Codeüberprüfungstools hinzu. Wählen Sie stattdessen Instruments, die die Ursachen langsamer Überprüfungen in Ihrem Arbeitsablauf angehen. Beginnen Sie mit einem Software, messen Sie die Auswirkungen auf die Überprüfungszeit und die Codequalität und erweitern Sie von dort aus. Viel Spaß beim Entdecken!

Bala Priya C ist ein Entwickler und technischer Redakteur aus Indien. Sie arbeitet gerne an der Schnittstelle von Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Zu ihren Interessen- und Fachgebieten gehören DevOps, Datenwissenschaft und Verarbeitung natürlicher Sprache. Sie liebt es zu lesen, zu schreiben, zu programmieren und Kaffee zu trinken! Derzeit arbeitet sie daran, zu lernen und ihr Wissen mit der Entwickler-Group zu teilen, indem sie Tutorials, Anleitungen, Meinungsbeiträge und mehr verfasst. Bala erstellt außerdem ansprechende Ressourcenübersichten und Programmier-Tutorials.

Nur zwei Wochen nach der Veröffentlichung des bahnbrechenden Claude Opus 4.6 hat Anthropic sein neuestes Kraftpaket herausgebracht: Claude Sonett 4.6.

Aber lass das nicht zu Sonett Etikett täuscht dich. Sonnet 4.6 wird von Entwicklern im Early Entry als „Higher-Opus“ gefeiert. Zum ersten Mal sehen wir ein Modell der Sonnet-Klasse, das nicht nur seinen Vorgänger, Sonnet 4.5, um Längen übertrifft, sondern auch das vorherige Flaggschiff, Opus 4.5, in puncto Codierung und Befehlsfolge übertrifft: Und das, während es fünfmal günstiger ist als das aktuelle Opus 4.6.

Was? Aber wie? All diese Fragen beantworten wir in diesem Artikel, in dem wir Claudes neuestes Modell entschlüsseln.

Sonnet 4.6: Was ist neu?

Claude Sonnet 4.6 ist nicht nur ein inkrementeller Patch, sondern ein vollständiges Architektur-Improve. Während Sonett 4.5 warfare ein Spezialist für langwierige Aufgaben, 4.6 bringt Intelligenz auf Grenzniveau in die breite Masse.

Wichtigste Highlights:

• 1 Million Token-Kontext: Sonnet 4.6 warfare bisher Opus vorbehalten und kann jetzt ganze Codebasen oder mehr als 30 Forschungsarbeiten in einer einzigen Eingabeaufforderung aufnehmen.
• Adaptives Denken: Das Modell erkennt nun, wann eine Abfrage „erweitertes Denken“ erfordert, und passt seine Argumentationstiefe automatisch an, um sowohl Geschwindigkeit als auch Genauigkeit zu optimieren.
• Überlegene Computernutzung: In OSWorld MaßstäbeSonnet 4.6 erreichte eine Genauigkeit von 94 % und ist damit das zuverlässigste Modell für die Automatisierung browserbasierter Arbeitsabläufe.
• Verbesserte Sicherheit: Großer Widerstand gegen sofortige Injektionen und eine „wärmere, prosoziale“ Persönlichkeit, die die übertechnischen „Prediger“ älterer Modelle vermeidet.

Wie greife ich zu?

Auf Claude 4.6 kann auf verschiedene Arten zugegriffen werden. Einige davon umfassen:

1. Claude.ai: Free- und Professional-Benutzer haben jetzt Sonnet 4.6 als Standardmodell.

2. Claude Cowork: Das Teamproduktivitätstool wurde vollständig auf 4.6 migriert.
3. API: Erhältlich über die Claude-Entwicklerplattform (Claude-Sonett-4-6).

4. Cloud-Plattformen: Jetzt reside auf Amazon Bedrock, Vertex AI von Google Cloud und Microsoft Foundry.

Praktische Rezension

Wir haben drei spezifische Assessments durchgeführt, um die „Higher-Opus“-Aussagen zu überprüfen.

Check 1: Erweiterte Datenvisualisierung (Artefakte)

Ich würde die folgende CSV-Datei verwenden:

timestamp,wallet_address,asset,sort,quantity,usd_value,fee_usd,standing
2026-02-14 10:20:01,0x71C...341,BTC,purchase,0.5,24500.00,12.50,accomplished
2026-02-14 11:15:22,0x71C...341,ETH,promote,10.2,31000.45,15.20,pending
2026-02-14 11:15:22,0x71C...341,ETH,promote,10.2,31000.45,15.20,pending
2026-02-15 09:00:00,,SOL,purchase,150.0,18000.00,9.00,accomplished
2026-02-15 14:30:45,0x92B...112,BTC,switch,0.1,4900.00,250.00,accomplished
2026-02-30 12:00:00,0x44D...990,ETH,purchase,1.0,3000.00,5.00,accomplished

Notiz: Diese Datei enthält eine doppelte Zeile, eine fehlende Pockets-Adresse, eine exorbitante Gebühr und ein unmögliches Datum: 30. Februar.

Immediate:

I've uploaded a transactions.csv. Construct a high-fidelity React dashboard utilizing Artifacts. It should embody: 
1. A abstract card for complete quantity and costs. 
2. A bar chart evaluating purchase vs. promote quantity. 
3. A 'Information Well being' part that explicitly identifies and flags the duplicate row, the lacking tackle, the outlier payment ($250), and the invalid date (Feb 30).
Use a glossy dark-mode aesthetic.

Antwort:

Toll! Das Modell warfare nicht nur in der Lage, die Probleme im Datensatz zu erkennen, sondern konnte damit auch ein ästhetisches Dashboard erstellen.

Ein hochwertiges reaktives Dashboard, das alle Probleme, die unsere Daten hatten, klar darlegte und gleichzeitig die Erkenntnisse auflistete.

Check 2: Geführte Spieleentwicklung

Immediate:

Construct a easy browser-based platformer impressed by Mario the place the consumer controls a personality that strikes, jumps, defeats enemies, and restarts the sport. Concentrate on a clear UI interface and easy playability fairly than complicated structure.
Tech:
• Use HTML, CSS, JavaScript solely
• Three recordsdata: index.html, model.css, script.js
• Use HTML5 Canvas for rendering
• No exterior libraries
Gameplay:
• Arrow keys -> Transfer left/proper
• Spacebar -> Soar
• Gravity-based leaping
• Floor/platform collision
• One transferring enemy with fastened patrol conduct
• Leaping on enemy defeats it
• Aspect collision causes Recreation Over
• Rating will increase when enemy defeated
Recreation States:
• Begin display screen with title, directions, Play button
• Energetic gameplay
• Recreation Over display screen with Restart button
UI Necessities:
• Centered canvas
• Title/header above sport
• Rating show panel
• Standing textual content (Begin / Enjoying / Recreation Over)
• Styled buttons with CSS
• Coloured shapes solely (no pictures)
• Distinct colours for participant, enemy, floor
Circulation:
• On load -> present begin display screen
• On Play -> initialize entities + begin loop
• Throughout play -> course of enter, motion, collisions
• On loss -> cease loop and present restart
Code Construction (script.js):
Embody capabilities: initGame(), startGame(), handleInput(), replace(), checkCollisions(), draw(), gameLoop(), endGame(). Monitor state for participant, enemy, rating, and gameState.
Output Format:
• Clarify in 5–7 bullets how UI helps playability
• Output full copy-paste code for index.html, model.css, script.js
• Add “Tips on how to run” directions (open index.html)

Antwort:

You might be an knowledgeable full-stack engineer and product designer. Construct a easy LinkedIn-style net app clone utilizing dummy frontend information solely.
Tech Stack:
• Use Subsequent.js (App Router) + React + TypeScript + Tailwind CSS.
• No authentication, backend, database, or APIs — all information should be mocked in-memory on the frontend.
Structure Necessities:
1. Left Sidebar
• Brand/title
• Navigation (Dwelling, Community, Jobs, Messaging, Notifications, Profile)
• Major “Create Submit” button
2. Middle Feed
• Submit composer at high (avatar + enter)
• Feed of posts exhibiting avatar, identify, function, time, textual content, optionally available picture
• Actions: Like, Remark, Share (UI-only)
• New submit immediately seems at high
3. Proper Sidebar
• Search enter
• “Trending Subjects” card
• “Folks You Might Know” (3–5 dummy profiles)
4. High Bar
• Mounted navigation header with app title and search
5. Cellular Conduct
• Collapse sidebar into backside navigation bar
Dummy Information:
• Create TypeScript sorts for: Person, Submit, Pattern.
• Seed with 12–15 posts, 5 traits, and 5 instructed customers.
Conduct:
• Posting updates feed immediately.
• Like toggles state and rely.
• Search filters traits.
• Feed renders deterministically from native state.
File Construction:
app/format.tsx, app/web page.tsx, elements/Sidebar.tsx, elements/Feed.tsx, elements/Submit.tsx, elements/PostComposer.tsx, elements/RightSidebar.tsx, elements/BottomNav.tsx, information/information.ts
Output Format:
• Clarify in 5–7 bullets how structure & information stream helps the UI.
• Output full copy-paste-ready code for all recordsdata.
• Clear file path feedback at high.
• Tips on how to Run directions.

Ja. Claude Sonnet 4.6 ist derzeit das Modell mit dem besten Preis-Leistungs-Verhältnis auf dem Planeten. Während Opus 4.6 bleibt der König des tiefen wissenschaftlichen Denkens und die „letzte Prüfung der Menschheit“. Sonett 4.6 ist für 90 % der Entwickler und Geschäftsanwender der überlegene tägliche Treiber.

Das Urteil: Wenn Sie ein Entwickler sind, der Folgendes verwendet: Cursor, Windsurfenoder Claude Codewechseln Sie sofort zu Sonnet 4.6. Es ist schneller, günstiger und wohl intelligenter für reale Büroaufgaben als jedes Flaggschiffmodell, das erst vor sechs Monaten auf den Markt kam.

Häufig gestellte Fragen

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

Seit seiner Einführung hat Kimi K2.5 die Erwartungen an große Sprachmodelle auf den Kopf gestellt. Aus eigener Erfahrung weiß ich, dass sich die meisten KI-Modelle, die täglich verwendet werden, immer noch auf Antworten im Chat-Stil konzentrieren. In eine solche KI-Ära kam Kimi K2.5 mit einem anderen Ziel: das KI-Potenzial für echte, nutzbare Ergebnisse zu nutzen, die Sie sofort in Ihrer täglichen Arbeit nutzen können. Vom Code bis zum Inhalt, von Dokumenten bis zum Design scheint Kimi K2.5 alles zu können, mit einer Menge Funktionen, insbesondere für Entwickler.

Und das ist der Grund, warum das KI-Modell von Moonshot AI heute beispiellosen Ruhm erlangt. Wir früher abgedeckt wie es Profis dabei hilft, in Sekundenschnelle komplette PDF-Berichte, PPT-Präsentationen und Excel-Tabellen zu erstellen. Dieser Artikel konzentriert sich mehr auf seine Verwendung für die Entwicklung.

Wenn Sie ein Entwickler sind und auch von Kimi K2.5 gehört haben, sich aber immer noch fragen, ob es das Richtige für Sie ist, finden Sie hier etwas, das Ihnen bei der Entscheidung hilft. In diesem Artikel stellen wir die fünf wichtigsten Funktionen von Kimi K2.5 vor, die jeder Entwickler kennen sollte. Dies sind nicht die Funktionen, die auf dem Papier cool klingen, aber sie lösen reale Probleme, auf die man jeden Tag stößt.

Bevor wir zur Liste kommen, hier ein kurzer Überblick über Kimi K2.5

Was ist Kimi K2.5?

Aus technischer Sicht ist Kimi K2.5 ein Open-Supply-Programm der nächsten Technology multimodales KI-Modell das auf wichtigen Architektur- und Trainingsverbesserungen aufbaut, die nach Kimi K2 eingeführt wurden. Diese Upgrades ermöglichen eine Leistung, die weit über das textbasierte Denken hinausgeht. Kimi K2.5 übernimmt jetzt die Agentenentscheidung, das visuelle Verständnis und die Ausführung umfangreicher Aufgaben und arbeitet dabei nahtlos mit Textual content, Bildern, Movies und externen Instruments in einem einzigen Workflow zusammen.

Natürlich gibt es auch noch andere Highlights. Lassen Sie uns hier all dies untersuchen und herausfinden, was Kimi K2.5 Trul für Entwickler auszeichnet.

Funktion 1: Agentenschwarm für parallele Ausführung

Dies ist zweifellos die leistungsstärkste und daher am meisten diskutierte Funktion von Kimi K2.5, insbesondere aus der Sicht eines Programmierers. Durch den Einsatz einer Agentenschwarmarchitektur geht Kimi K2.5 über ein einzelnes, monolithisches KI-Modell hinaus und verhält sich eher wie ein koordiniertes Workforce.

Lesen Sie auch: OpenAI Swarm: Ein praktischer Leitfaden für Multi-Agent-Systeme

Anstatt Aufgaben nacheinander abzuarbeiten, kann Kimi K2.5 autonom mehrere Unteragenten – bis zu hundert davon – einrichten und jedem Agenten eine bestimmte Verantwortung zuweisen. Diese Agenten arbeiten parallel und tauschen Kontext und Ergebnisse miteinander aus, während das Hauptsystem lediglich die Koordination überwacht. Das Ergebnis – eine drastische Verkürzung der Ausführungszeit für komplexe, mehrstufige Aufgaben.

Für Entwickler ändert sich dadurch die Artwork und Weise, wie große Probleme angegangen werden. Sie können Kimi K2.5 bitten, eine Codebasis zu analysieren, Komponenten umzugestalten, Dokumentation zu generieren und gleichzeitig Ausgaben zu validieren. Das bedeutet, dass Sie nicht mehr darauf warten müssen, dass jeder Schritt nacheinander abgeschlossen wird. Das Modell ermittelt die Aufgabenzerlegung selbstständig, ohne dass Sie Workflows explizit definieren müssen.

In der Praxis bedeutet dies eine schnellere Prototypenerstellung, schnelleres Debuggen und eine reibungslosere Ausführung großer technischer Aufgaben. Kimi K2.5 orchestriert aktiv die Arbeit, wodurch er sich einem echten technischen Assistenten viel näher kommt als einem herkömmlichen KI-Chatbot.

Kurz gesagt, der Agentenschwarm von Kimi K2.5 ermöglicht Entwicklern:

• Führen Sie mehrere komplexe Aufgaben parallel aus
• Vermeiden Sie die manuelle Definition schrittweiser Arbeitsabläufe
• Teilen Sie große technische Probleme automatisch in koordinierte Teilaufgaben auf
• Reduzieren Sie die Bearbeitungszeit für Analyse, Refactoring und Dokumentation
• Arbeiten Sie mit einem KI-System, das sich eher wie ein Workforce als wie ein einzelnes Werkzeug verhält

Funktion 2: Natives multimodales Verständnis (Textual content, Bilder und Video)

Wie ich bereits erwähnt habe, sind die meisten anderen KI-Modelle immer noch von Natur aus textbasiert und verfügen über zusätzliche visuelle Ebenen, die zeitnah weiterentwickelt werden. Kimi K2.5 stellt diese Vorstellung auf den Kopf. Multimodalität ist in seinem Kern integriert, was bedeutet, dass es gleichzeitig über Textual content, Bilder und Movies nachdenken kann, ohne den Kontext zu unterbrechen oder den Modus zu wechseln.

Für Programmierer ist das weitaus nützlicher, als es auf dem Papier klingt. Kimi K2.5 kann sich UI-Screenshots, Architekturdiagramme, Flussdiagramme, Fehlerprotokolle und sogar kurze Videoaufzeichnungen ansehen und sie als Teil desselben Issues verstehen. Sie sind nicht mehr gezwungen, alles in Worten zu beschreiben, wenn das Downside eindeutig visuell ist. Machen Sie einfach einen Screenshot, teilen Sie ihn mit Kimi und lassen Sie Ihre Fragen in Echtzeit klären.

Dies ist besonders wertvoll beim Debuggen und Systemdesign. Sie können einen Screenshot einer defekten Benutzeroberfläche hochladen, ihn mit einem Code-Snippet koppeln und Kimi K2.5 bitten, herauszufinden, was schief läuft. Sie können sogar ein Design-Mockup freigeben und auf einmal die Modellbegründung zu Format-Auswahl, Barrierefreiheitsproblemen und Komponentenstruktur erhalten. Das Modell versteht, wie es mit der zugrunde liegenden Logik verknüpft ist, und reagiert entsprechend.

Diese Artwork des Verständnisses bringt eine neue Kind der Macht mit sich – die Kontextkontinuität. Kimi K2.5 behandelt visuelle Eingaben nicht als isolierte Abfragen. Bilder und Movies werden Teil derselben Argumentationskette wie Ihr Code, Ihre Dokumentation und Ihre Anweisungen. Dadurch wird ein großer Reibungspunkt in modernen Entwicklungsabläufen beseitigt, bei denen visuelle und textliche Informationen oft in getrennten Gesprächen stattfinden.

Kurz gesagt: Die multimodalen Funktionen von Kimi K2.5 ermöglichen Entwicklern Folgendes:

• Kombinieren Sie Textual content, Bilder und Movies in einem einzigen Problemlösungs-Workflow
• Beheben Sie UI- und Frontend-Probleme mithilfe von Screenshots anstelle langer Erklärungen
• Denken Sie über Diagramme, Modelle und Architekturvisualisierungen neben Code nach
• Reduzieren Sie den Kontextwechsel zwischen Design- und Entwicklungstools
• Lösen Sie visuell gesteuerte Probleme deutlich klarer und schneller

Funktion 3: Visible-to-Code-Übersetzung

Eine der praktischsten Erweiterungen der multimodalen Intelligenz von Kimi K2.5, insbesondere im Entwicklungskontext, ist seine Fähigkeit, visuelle Eingaben direkt in nutzbaren Code umzuwandeln. Jeder Entwickler, der sich mit Code auskennt, kann vorhersagen, dass dies in der Praxis eine enorme Zeitersparnis bedeuten kann.

Mit Kimi K2.5 können Screenshots von UI-Designs, Wireframes, Dashboards oder sogar handgezeichnete Skizzen als erstklassige Eingaben behandelt werden. Das Modell kann diese visuellen Elemente analysieren, Layoutstrukturen, Komponenten, Abstände und Hierarchien identifizieren und sie in funktionierenden Frontend-Code oder strukturierte Komponentenlogik übersetzen. Das bedeutet im Grunde, dass Sie nicht mehr jedes Element eines Designs manuell beschreiben müssen, bevor Sie Code schreiben.

Denken Sie jetzt beim Speedy Prototyping und der Frontend-Entwicklung darüber nach. Anstatt zwischen Design-Instruments und Code-Editoren hin und her zu wechseln, können Sie ein Design-Mockup hochladen und Kimi K2.5 bitten, eine Startimplementierung in HTML, CSS oder einem komponentenbasierten Framework zu generieren. Die Ausgabe ist nicht perfekt für die Produktion, aber sie bietet Ihnen eine solide, logisch strukturierte Grundlage, auf der Sie aufbauen können.

Über die Benutzeroberfläche hinaus funktioniert dies auch für Diagramme und visuelle Workflows. Flussdiagramme, Systemdiagramme und sogar kommentierte Screenshots können in Codelogik, Pseudocode oder strukturierte Erklärungen umgewandelt werden, die direkt bei der Implementierung helfen. Dies reduziert die Reibung zwischen Planung und Ausführung, insbesondere in schnell agierenden Groups.

Kurz gesagt, die Visible-to-Code-Funktionen von Kimi K2.5 ermöglichen Entwicklern Folgendes:

• Konvertieren Sie UI-Designs und Mockups direkt in Code
• Überspringen Sie ausführliche visuelle Beschreibungen beim Prototyping von Schnittstellen
• Erstellen Sie schneller strukturierte Frontend-Layouts
• Übersetzen Sie Diagramme und Arbeitsabläufe in umsetzbare Logik
• Verkürzen Sie die Lücke zwischen Designabsicht und funktionierendem Code

Funktion 4: Produktionsbereite Asset-Generierung (über die Codierung hinaus)

Was kann besser sein als das perfekte Code-Snippet? Das fertig geformte Asset, das einsatzbereit ist, oder? Kimi K2.5 ermöglicht dies und erstellt vollständig geformte, produktionsbereite Property, die Entwickler tatsächlich in echten Arbeitsabläufen verwenden können.

Dazu gehören vollständige Dokumente, Präsentationen, Tabellenkalkulationen, PDFs und strukturierte Berichte. Und nein, wir sprechen nicht von Rohtext-Dumps, sondern von ordnungsgemäß formatierten, herunterladbaren Property. Für Programmierer ist dies eine große Hilfe bei Angelegenheiten, die über das Codieren hinausgehen. Alltägliche Aufgaben wie Dokumentation, technische Vorschläge, Architekturzusammenfassungen, Berichte für Stakeholder und interne Instrument-Artefakte werden jetzt mit Kimi K2.5 vereinfacht.

Im realen Einsatz sieht das etwa so aus: Sie können Kimi K2.5 bitten, aus einer Codebasis ein technisches Designdokument zu generieren. Es durchläuft die Codebasis, dann alle von Ihnen definierten Parameter und generiert dann ein A-Grade-PDF, das so genau ist, wie Sie es sich nur vorgestellt haben.

Das Beste daran ist, dass diese Vermögenswerte nicht statisch sind. Sie befolgen Anweisungen, respektieren die Struktur und beziehen häufig Logik wie Formeln, Referenzen und Formatierungsregeln ein. Ich habe versucht, mit Kimi K2.5 PDFs, PPTs und Excel-Dateien zu erstellen, und das Endergebnis hat mich quick nie enttäuscht.

Wenn Sie darüber nachdenken, verwandelt diese Funktion Kimi K2.5 effektiv in eine Brücke zwischen technischer Leistung und geschäftsfertigen Ergebnissen. Anstatt Instruments zu wechseln oder Dateien manuell zusammenzustellen, können Entwickler direkt aus einer einzigen Eingabeaufforderung heraus verwendbare Property generieren.

Kurz gesagt, die Funktionen zur Asset-Generierung von Kimi K2.5 ermöglichen Entwicklern Folgendes:

• Erstellen Sie fertige Dokumente, Tabellenkalkulationen und PDFs, nicht nur Entwürfe
• Generieren Sie Property, die strukturiert, formatiert und bearbeitbar sind
• Reduzieren Sie den Zeitaufwand für Dokumentation und Berichterstattung
• Übersetzen Sie technische Arbeit in für Stakeholder geeignete Ergebnisse
• Gehen Sie schneller von der Implementierung bis zur Lieferung

Characteristic 5: Large Kontextverarbeitung für reale Codebasen

Das letzte Merkmal, das Kimi K2.5 für Programmierer besonders related macht, ist seine Fähigkeit, extrem große Kontextfenster zu verarbeiten, ohne die Kohärenz zu verlieren. Dies ist keine Benchmark-Funktion, sondern eine praktische.

Wir alle wissen, wie große moderne Softwareprojekte wachsen können. Reale Codebasen umfassen mehrere Dateien, Frameworks, Konfigurationsebenen und Dokumentation. Mit Kimi K2.5 sind Sie nicht darauf beschränkt, kleine Schnipsel oder isolierte Dateien zu teilen. Sie können ganze Module, lange Spezifikationen, API-Verträge und unterstützende Dokumentation auf einmal bereitstellen, und das Modell kann alles konsistent berücksichtigen.

Dies hat direkte Auswirkungen auf Aufgaben wie Debugging, Refactoring und Analyse auf Systemebene. Anstatt den Kontext immer wieder neu zu erklären, können Sie Kimi K2.5 bitten, die Logik über Dateien hinweg zu verfolgen, Architekturprobleme zu identifizieren, Refaktoren vorzuschlagen oder zu erklären, wie verschiedene Komponenten interagieren. Das Modell bewahrt das Bewusstsein für das umfassendere System und nicht nur für die letzte Eingabeaufforderung.

Kombiniert mit seinem Agentische Ausführung und multimodalen Fähigkeiten ermöglicht dieses Denken im großen Kontext es Kimi K2.5, als langfristiger Mitarbeiter zu fungieren. Es versteht das gesamte Downside und geht entsprechend vor.

Kurz gesagt, die Handhabung großer Kontexte von Kimi K2.5 ermöglicht Entwicklern Folgendes:

• Arbeiten Sie mit ganzen Codebasen statt mit isolierten Snippets
• Reduzieren Sie die wiederholte Kontexteinrichtung bei komplexen Aufgaben
• Führen Sie Debugging und Refactoring auf Systemebene durch
• Analysieren Sie lange Spezifikationen und API-Verträge zuverlässig
• Behandeln Sie KI als beständigen Kollaborateur und nicht als zustandsloses Werkzeug

Abschluss

Ob Sie es als „das beste KI-Modell“ zum Codieren empfinden oder nicht, eines ist bei Kimi K2.5 ziemlich klar. Es geht nicht darum, nur ein weiterer Chatbot mit besseren Antworten zu sein. Es positioniert sich als überaus praktisches KI-System, das sich natürlich in die Moderne einfügt Programmierworkflows. Von der parallelen Agentenausführung und dem multimodalen Denken bis hin zur visuellen Code-Übersetzung, der Asset-Generierung und der Handhabung großer Kontexte trägt jede Funktion dazu bei, die Reibung zwischen Absicht und Ausgabe auf ihre eigene Weise zu verringern.

Für Programmierer bedeutet dies, dass sie weniger Zeit damit verbringen müssen, Instruments zusammenzufügen, und sich mehr auf die Lösung echter Probleme konzentrieren können. Kimi K2.5 ersetzt nicht das technische Urteilsvermögen, beschleunigt jedoch die Teile der Arbeit, die Groups verlangsamen, wie Kontexteinrichtung, sich wiederholende Strukturierung und mehrstufige Koordination, erheblich.

Da sich KI-Modelle ständig weiterentwickeln, wird das Unterscheidungsmerkmal nicht mehr allein die reine Intelligenz sein. Es wird darauf ankommen, wie effektiv sich diese Intelligenz in die reale Arbeit integrieren lässt. In dieser Hinsicht ist Kimi K2.5 ein überzeugender, produktionsbereiter Assistent, auf den sich Entwickler tatsächlich verlassen können. Am besten oder nicht, nutzen Sie es und entscheiden Sie dann selbst.

Im Laufe der Tage gibt es mehr Benchmarks als je zuvor. Es ist schwer, den Überblick zu behalten HellaSwag oder DS-1000 das kommt raus. Und wozu dienen sie überhaupt? Ein Haufen cool aussehender Namen, die auf einen Benchmark geklebt wurden, damit sie cooler aussehen … Nicht wirklich.

Abgesehen von der verrückten Benennung dieser Benchmarks dienen sie einem sehr praktischen und sorgfältigen Zweck. Jeder von ihnen testet das Modell in einer Reihe von Assessments, um zu sehen, wie intestine das Modell den idealen Requirements entspricht. Diese Requirements beziehen sich normalerweise darauf, wie intestine sie im Vergleich zu einem normalen Menschen abschneiden.

Dieser Artikel hilft Ihnen herauszufinden, was diese Benchmarks sind und welcher zum Testen welcher Artwork von Modell wann verwendet wird.

Allgemeine Intelligenz: Kann sie tatsächlich denken?

Diese Benchmarks testen, wie intestine die KI-Modelle die Denkfähigkeit des Menschen nachbilden.

1. MMLU – Multitask-Sprachverständnis

MMLU ist die grundlegende „allgemeine Intelligenzprüfung“ für Sprachmodelle. Es enthält Tausende von A number of-Alternative-Fragen zu 60 Themen mit vier Optionen professional Frage und deckt Bereiche wie Medizin, Recht, Mathematik und Informatik ab.

Es ist nicht perfekt, aber es ist universell. Wenn ein Mannequin MMLU überspringt, fragen die Leute sofort Warum? Das allein zeigt schon, wie wichtig es ist.

Verwendet in: Allzweck-Sprachmodelle (GPT, Claude, Zwillinge, Lama, Mistral)
Papier: https://arxiv.org/abs/2009.03300

2. HLE – Die letzte Prüfung der Menschheit

HLE existiert, um eine einfache Frage zu beantworten: Können Modelle mit dem Denken auf Expertenebene umgehen, ohne auf das Auswendiglernen angewiesen zu sein?

Der Benchmark fasst äußerst schwierige Fragen aus den Bereichen Mathematik, Naturwissenschaften und Geisteswissenschaften zusammen. Diese Fragen werden bewusst gefiltert, um im Web durchsuchbare Fakten und häufige Schulungslecks zu vermeiden.

Die Fragenzusammensetzung des Benchmarks ähnelt möglicherweise MMLU, aber im Gegensatz zu MMLU ist HLE darauf ausgelegt, die LLMs auf Herz und Nieren zu testen, was in dieser Leistungsmetrik dargestellt wird:

Als Grenzmodelle begannen, ältere Benchmarks zu sättigen, wurde HLE schnell zum neuen Referenzpunkt für Grenzen überschreiten!

Verwendet in: Grenzüberschreitende Argumentationsmodelle und LLMs auf Forschungsniveau (GPT-4, Claude Opus 4.5, Zwillinge Extremely)
Papier: https://arxiv.org/abs/2501.14249

Mathematische Argumentation: Kann es prozedural argumentieren?

Das Denken ist das, was den Menschen besonders macht, dh sowohl Gedächtnis als auch Lernen werden für Schlussfolgerungen genutzt. Diese Benchmarks testen den Erfolg der Argumentationsarbeit durch LLMs.

3. GSM8K – Grundschulmathematik (8.000 Probleme)

GSM8K testet, ob ein Modell Textaufgaben Schritt für Schritt lösen und nicht nur Antworten ausgeben kann. Stellen Sie sich eine Gedankenkette vor, doch statt die Bewertung anhand des Endergebnisses vorzunehmen, wird die gesamte Kette überprüft.

Es ist ganz einfach! Aber äußerst effektiv und schwer zu fälschen. Deshalb taucht es in quick jeder argumentationsorientierten Bewertung auf.

Verwendet in: Argumentationsfokussierte Sprachmodelle und Gedankenkettenmodelle (GPT-5, PalmeLLaMA)
Papier: https://arxiv.org/abs/2110.14168

4. MATH – Mathematikdatensatz für fortgeschrittene Problemlösung

Dieser Maßstab erhöht die Obergrenze. Probleme stammen aus der Wettbewerbsmathematik und erfordern Abstraktion, symbolische Manipulation und lange Argumentationsketten.

Die inhärente Schwierigkeit mathematischer Probleme hilft beim Testen der Fähigkeiten des Modells. Modelle, die bei GSM8K gute Ergebnisse erzielen, bei MATH jedoch zusammenbrechen, werden sofort angezeigt.

Verwendet in: Fortgeschrittenes Denken und mathematische LLMs (MinervaGPT-4, DeepSeek-Math)
Papier: https://arxiv.org/abs/2103.03874

Software program Engineering: Kann es menschliche Programmierer ersetzen?

Nur ein Scherz. Diese Benchmarks testen, wie intestine ein LLM fehlerfreien Code erstellt.

5. HumanEval – Benchmark zur menschlichen Bewertung für die Codegenerierung

HumanEval ist der am häufigsten zitierte Codierungs-Benchmark, den es gibt. Es bewertet Modelle danach, wie intestine sie Python-Funktionen schreiben, die versteckte Komponententests bestehen. Keine subjektive Wertung. Entweder funktioniert der Code oder nicht.

Wenn Sie auf einer Modellkarte einen Codierungs-Rating sehen, ist dies quick immer einer davon.

Verwendet in: Codegenerierungsmodelle (OpenAI Codex, CodeLLaMA, DeepSeek-Coder)
Papier: https://arxiv.org/abs/2107.03374

6. SWE-Bench – Software program-Engineering-Benchmark

SWE-Bench testet reale Technik, keine Spielzeugprobleme.

Modelle erhalten tatsächliche GitHub-Probleme und müssen Patches generieren, die diese in echten Repositorys beheben. Dieser Benchmark ist wichtig, weil er widerspiegelt, wie Menschen Codierungsmodelle tatsächlich verwenden möchten.

Verwendet in: Software program-Engineering und Agenten-Codierungsmodelle (Devin, SWE-Agent, AutoGPT)
Papier: https://arxiv.org/abs/2310.06770

Konversationsfähigkeit: Kann es sich menschlich verhalten?

Bei diesen Benchmarks wird getestet, ob das Modell über mehrere Runden hinweg arbeiten kann und wie intestine es im Vergleich zu einem Menschen abschneidet.

7. MT-Bench – Multi-Flip-Benchmark

MT-Bench bewertet, wie sich Modelle über mehrere Gesprächsrunden hinweg verhalten. Es testet Kohärenz, Befehlserhaltung, Argumentationskonsistenz und Ausführlichkeit.

Die Ergebnisse werden mithilfe von LLM als Richter erstellt, wodurch MT-Bench skalierbar genug wurde, um zu einem Normal-Chat-Benchmark zu werden.

Verwendet in: Chat-orientierte Gesprächsmodelle (ChatGPT, Claude, Gemini)
Papier: https://arxiv.org/abs/2306.05685

8. Chatbot Area – Benchmark für menschliche Vorlieben

Chatbot Area umgeht Metriken und lässt Menschen entscheiden.

Modelle werden in anonymen Kämpfen direkt miteinander verglichen und die Benutzer stimmen darüber ab, welche Antwort sie bevorzugen. Die Rankings werden anhand der Elo-Scores verwaltet.

Trotz des Lärms hat dieser Benchmark erhebliches Gewicht, da er die tatsächlichen Benutzerpräferenzen im großen Maßstab widerspiegelt.

Verwendet in: Alle wichtigen Chat-Modelle zur Bewertung menschlicher Präferenzen (ChatGPT, Claude, Gemini, Grok)
Papier: https://arxiv.org/abs/2403.04132

Informationsbeschaffung: Kann man einen Weblog schreiben?

Oder genauer: Kann es die richtigen Informationen finden, wenn es darauf ankommt?

9. BEIR – Benchmarking Data Retrieval

BEIR ist der Normal-Benchmark für die Bewertung von Retrieval- und Einbettungsmodellen.

Es aggregiert mehrere Datensätze aus Bereichen wie Qualitätssicherung, Faktenprüfung und wissenschaftlicher Recherche und ist damit die Standardreferenz für RAG-Pipelines.

Verwendet in: Abrufmodelle und Einbettungsmodelle (OpenAI text-embedding-3, BERTE5, GTE)
Papier: https://arxiv.org/abs/2104.08663

10. Nadel im Heuhaufen – Langkontext-Erinnerungstest

Dieser Benchmark testet, ob Lengthy-Context-Modelle tatsächlich funktionieren verwenden ihren Kontext.

Eine kleine, aber entscheidende Tatsache ist tief in einem langen Dokument vergraben. Das Modell muss es korrekt abrufen. Als die Kontextfenster größer wurden, wurde dies zum wichtigsten Gesundheitscheck.

Verwendet in: Langkontext-Sprachmodelle (Claude 3, GPT-4.1, Gemini 2.5)
Referenz-Repo: https://github.com/gkamradt/LLMTest_NeedleInAHaystack

Erweiterte Benchmarks

Dies sind nur die beliebtesten Benchmarks, die zur Bewertung von LLMs verwendet werden. Von dort, wo sie herkommen, gibt es weitaus mehr, und selbst diese wurden durch erweiterte Datensatzvarianten wie MMLU-Professional, GSM16K usw. ersetzt. Da Sie jedoch jetzt ein fundiertes Verständnis dafür haben, was diese Benchmarks darstellen, wäre es einfach, Verbesserungen umzusetzen.

Die oben genannten Informationen sollten als Referenz für die am häufigsten verwendeten LLM-Benchmarks verwendet werden.

Häufig gestellte Fragen

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

Die Zukunft der künstlichen Intelligenz ist da und für die Entwickler liegt sie in Type neuer Instruments, die die Artwork und Weise, wie wir programmieren, Probleme erstellen und lösen, verändern. GLM-4.7 Flash, ein Open-Supply-Modell für große Sprachen von Zhipu AI, ist der neueste große Neuzugang, aber nicht einfach eine weitere Model. Dieses Modell bringt große Leistung und erstaunliche Effizienz mit sich, sodass modernste KI im Bereich der Codegenerierung, mehrstufigen Argumentation und Inhaltsgenerierung einen noch nie dagewesenen Beitrag zu diesem Bereich leistet. Wir sollten uns die Gründe genauer ansehen, warum GLM-4.7 Flash bahnbrechend ist.

Architektur und Evolution: Sensible, schlank und leistungsstark

GLM-4.7 Flash verfügt im Kern über eine fortschrittliche Funktion Combination-of-Specialists (MoE) Transformatorarchitektur. Denken Sie an ein Workforce aus spezialisierten Fachleuten. Nehmen wir an, nicht jeder einzelne Experte befasst sich mit allen Problemen, sondern nur die relevantesten mit einer bestimmten Aufgabe. So funktionieren MoE-Modelle. Obwohl das gesamte GLM-4.7-Modell enorme und riesige (in die Tausende gehende) 358 Milliarden Parameter enthält, ist nur ein Teil davon: etwa 32 Milliarden Parameter sind in einer bestimmten Abfrage aktiv.

Die Flash-Model von GLM-4.7 ist mit rund 30 Milliarden Gesamtparametern und Tausenden aktiven Parametern professional Anfrage noch einfacher. Ein solches Design macht es sehr effizient, da es auf relativ kleiner {Hardware} betrieben werden kann und dennoch auf eine große Menge an Wissen zugreifen kann.

Einfacher API-Zugriff für nahtlose Integration

Der Einstieg in GLM-4.7 Flash ist einfach. Es ist als Zhipu erhältlich Z.AI API-Plattform Bereitstellung einer ähnlichen Schnittstelle wie OpenAI oder Anthropic. Das Modell ist außerdem vielseitig für eine Vielzahl von Aufgaben geeignet, sei es für direkte REST-Aufrufe oder ein SDK.

Dies sind einige der praktischen Anwendungen mit Python:

1. Kreative Textgenerierung

Brauchen Sie einen Funken Kreativität? Sie können das Mannequin ein Gedicht oder einen Marketingtext schreiben lassen.

import requests

api_url = "https://api.z.ai/api/paas/v4/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content material-Kind": "software/json"
}

user_message = {"position": "consumer", "content material": "Write a brief, optimistic poem about the way forward for expertise."}

payload = {
    "mannequin": "glm-4.7-flash",
    "messages": (user_message),
    "max_tokens": 200,
    "temperature": 0.8
}

response = requests.publish(api_url, headers=headers, json=payload)
outcome = response.json()
print(outcome("decisions")(0)("message")("content material"))

Ausgabe:

2. Zusammenfassung des Dokuments

Es verfügt über ein großes Kontextfenster, das den Überblick über umfangreiche Dokumente erleichtert.

text_to_summarize = "Your intensive article or report goes right here..."
immediate = f"Summarize the next textual content into three key bullet factors:n{text_to_summarize}"

payload = {
    "mannequin": "glm-4.7-flash",
    "messages": ({"position": "consumer", "content material": immediate}),
    "max_tokens": 500,
    "temperature": 0.3
}

response = requests.publish(api_url, json=payload, headers=headers)
abstract = response.json()("decisions")(0)("message")("content material")
print("Abstract:", abstract)

Ausgabe:

3. Erweiterte Codierungsunterstützung

GLM-4.7 Flash ist in der Codierung tatsächlich hervorragend. Sie können sagen: Funktionen erstellen, Beschreiben Sie komplizierten Code oder sogar debuggen.

code_task = (
    "Write a Python operate `find_duplicates(objects)` that takes an inventory "
    "and returns an inventory of parts that seem greater than as soon as."
)

payload = {
    "mannequin": "glm-4.7-flash",
    "messages": ({"position": "consumer", "content material": code_task}),
    "temperature": 0.2,
    "max_tokens": 300
}

response = requests.publish(api_url, json=payload, headers=headers)
code_answer = response.json()("decisions")(0)("message")("content material")
print(code_answer)

Ausgabe:

Wichtige Verbesserungen, die wichtig sind

GLM-4.7 Flash ist kein gewöhnliches Improve, bringt aber im Vergleich zu den anderen Versionen deutliche Verbesserungen mit sich.

• Erweiterte Codierung und „Vibe-Codierung“: Dieses Modell wurde für große Codedatensätze optimiert und daher struggle seine Leistung bei Codierungsbenchmarks mit größeren, proprietären Modellen konkurrenzfähig. Darüber hinaus entsteht das Konzept der Vibe-Codierung, bei der die Codeformatierung, der Stil und sogar das Erscheinungsbild der Benutzeroberfläche berücksichtigt werden, um ein glatteres und professionelleres Erscheinungsbild zu erzielen.
• Stärkeres mehrstufiges Denken: Dies ist ein Unterscheidungsaspekt, da die Argumentation verbessert wird.
• Verschachteltes Denken: Das Modell verarbeitet die Anweisungen und denkt dann nach (bevor es mit der Reaktion oder dem Aufruf eines Instruments fortfährt), damit es den komplexen Anweisungen besser folgen kann.
• Erhaltene Begründung: Es behält seinen Argumentationsprozess über mehrere Gesprächsrunden hinweg bei, sodass es den Kontext einer komplexen und langwierigen Aufgabe nicht vergisst.
• Drehebenensteuerung: Entwickler können die Tiefe der Argumentation jeder Abfrage durch das Modell steuern, um einen Kompromiss zwischen Geschwindigkeit und Genauigkeit zu erzielen.
• Geschwindigkeit und Kosteneffizienz: Bei der Flash-Model stehen Geschwindigkeit und Kosten im Vordergrund. Zhipu AI ist für Entwickler kostenlos und seine API-Raten sind viel niedriger als bei den meisten Mitbewerbern, was bedeutet, dass leistungsstarke KI für Projekte jeder Größe zugänglich ist.

Anwendungsfälle: Von der Agentencodierung zur Unternehmens-KI

GLM-4.7 Flash bietet aufgrund seiner Vielseitigkeit das Potenzial für viele Anwendungen.

• Agentenkodierung und Automatisierung: Dieses Paradigma kann als KI-Softwareagent dienen, dem ein übergeordnetes Ziel zugewiesen werden kann und der eine umfassende, mehrteilige Antwort liefert. Es ist das Beste für schnelles Prototyping und automatischen Boilerplate-Code.
• Langform-Inhaltsanalyse: Sein enormes Kontextfenster ist best, wenn Sie lange Berichte zusammenfassen, Protokolldateien analysieren oder auf Fragen antworten, die eine umfangreiche Dokumentation erfordern.
• Unternehmenslösungen: Der Einsatz von GLM-4.7 Flash als fein abgestimmte, selbst gehostete Open-Supply-Lösung ermöglicht es Unternehmen, interne Daten zu nutzen, um ihre eigenen, privaten KI-Assistenten zu entwickeln.

Leistung, die Bände spricht

GLM-4.7 Flash ist ein leistungsstarkes Device, was durch Benchmark-Checks nachgewiesen wurde. Es hat bei den schwierigen Codierungsmodellen wie SWE-Bench und LiveCodeBench unter Verwendung von Open-Supply-Programmen Spitzenergebnisse erzielt.

GLM-4.7 wurde in einem Take a look at bei SWE-Bench, bei dem es um die Lösung echter GitHub-Probleme geht, mit 73,8 Prozent bewertet. Auch in Mathematik und logischem Denken struggle es überlegen: Es erreichte eine Punktzahl von 95,7 Prozent beim AI Math Examination (AIME) und verbesserte sich um 12 Prozent gegenüber seinem Vorgänger im HLE-Benchmark für schwieriges Denken. Diese Zahlen zeigen, dass der GLM-4.7 Flash nicht nur mit anderen Modellen seiner Artwork konkurriert, sondern diese meist auch übertrifft.

Warum GLM-4.7 Flash eine große Sache ist

Dieses Modell ist aus mehreren Gründen wichtig:

1. Hohe Leistung zu geringen Kosten: Es bietet Funktionen, die mit proprietären Modellen der Spitzenklasse zu einem kleinen Bruchteil der Kosten mithalten können. Dadurch steht fortgeschrittene KI sowohl privaten Entwicklern und Begin-ups als auch großen Unternehmen zur Verfügung.
2. Open Supply und flexibel: GLM-4.7 Flash ist kostenlos, was bedeutet, dass es unbegrenzte Kontrolle bietet. Sie können es für bestimmte Domänen anpassen, es lokal bereitstellen, um den Datenschutz zu gewährleisten und eine Anbieterbindung zu vermeiden.
3. Entwicklerzentriert durch Design: Das Modell lässt sich leicht in Entwickler-Workflows integrieren und unterstützt eine OpenAI-kompatible API mit integrierter Device-Unterstützung.
4. Finish-to-Finish-Problemlösung: GLM-4.7 Flash ist in der Lage, dabei zu helfen, größere und kompliziertere Aufgaben nacheinander zu lösen. Dies gibt den Entwicklern die Möglichkeit, sich auf den Excessive-Degree-Ansatz und die Neuheit zu konzentrieren, anstatt die Implementierungsdetails aus den Augen zu verlieren.

Abschluss

GLM-4.7 Flash ist ein großer Schritt in Richtung Stärke, Nützlichkeit und Verfügbarkeit KI. Sie können es für bestimmte Domänen anpassen, es lokal bereitstellen, um den Datenschutz zu schützen und eine Anbieterbindung zu vermeiden. GLM-4.7 Flash bietet die Möglichkeit, in kürzerer Zeit mehr zu erstellen, unabhängig davon, ob Sie die nächste großartige App erstellen, komplexe Prozesse automatisieren oder einfach einen intelligenteren Codierungspartner benötigen. Das Zeitalter des voll ausgestatteten Entwicklers ist angebrochen und Open-Supply-Programme wie GLM-4.7 Flash stehen an vorderster Entrance.

Häufig gestellte Fragen

Harsh Mishra ist ein KI/ML-Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit echten Menschen. Leidenschaftlich für GenAI, NLP und die intelligentere Entwicklung von Maschinen (damit sie ihn noch nicht ersetzen). Wenn er nicht gerade Modelle optimiert, optimiert er wahrscheinlich seinen Kaffeekonsum.

KI- und ML-Entwickler arbeiten bei der Vorverarbeitung von Daten häufig mit lokalen Datensätzen. Technische Funktionen und die Erstellung von Prototypen machen dies einfach, ohne den Overhead eines vollständigen Servers. Der häufigste Vergleich erfolgt zwischen SQLite, einer im Jahr 2000 veröffentlichten serverlosen Datenbank, die häufig für einfache Transaktionen verwendet wird, und DuckDB, das 2019 als SQLite der Analyse eingeführt wurde und sich auf schnelle prozessinterne Analyseabfragen konzentriert. Obwohl beide eingebettet sind, unterscheiden sich ihre Ziele. In diesem Artikel vergleichen wir DuckDB und SQLite, um Ihnen bei der Auswahl des richtigen Instruments für jede Part Ihres KI-Workflows zu helfen.

Was ist SQLite?

SQLite ist eine eigenständige Datenbank-Engine, die serverlos ist. Es erstellt eine Schaltfläche direkt aus einer Festplattendatei. Es ist nullkonfiguriert und hat einen geringen Platzbedarf. Die gesamte Datenbank wird in einer Datei namens.sqlite gespeichert und die Tabellen und Indizes sind alle in dieser Datei enthalten. Die Engine selbst ist eine C-Bibliothek, die in Ihre Anwendung eingebettet ist.

SQLite ist ein SÄURE-kompatible Datenbank, auch wenn sie einfach ist. Dies macht die Transaktionen und die Datenintegrität zuverlässig.

Zu den Hauptmerkmalen gehören:

• Zeilenorientierte Speicherung: Die Daten werden zeilenweise gespeichert. Dies macht das Aktualisieren oder Abrufen einer einzelnen Zeile sehr effizient.
• Einzeldateidatenbank: Die gesamte Datenbank befindet sich in einer einzigen Datei. Dies ermöglicht ein einfaches Kopieren oder Übertragen.
• Kein Serverprozess: Direktes Lesen und Schreiben in die Datenbankdatei erfolgt in Ihrer Anwendung. Es ist kein separater Server erforderlich.
• Umfassende SQL-Unterstützung: Es basiert auf den meisten SQL-2 und unterstützt Dinge wie Joins, Fensterfunktionen und Indizes.

SQLite wird häufig in mobilen Anwendungen und verwendet Web der Dingesowie kleine Webanwendungen. Es ist sinnvoll, wenn Sie eine unkomplizierte Lösung zum lokalen Speichern strukturierter Daten benötigen und zahlreiche kurze Lese- und Schreibvorgänge benötigen.

Was ist DuckDB?

DuckDB ist eine prozessinterne Datenanalysedatenbank. Es nutzt die Stärke der SQL-Datenbank für eingebettete Anwendungen. Es führt komplizierte analytische Abfragen effektiv und ohne Server aus. Dieser analytische Fokus ist häufig die Grundlage für den Vergleich zwischen DuckDB und SQLite.

Die wichtigen Merkmale von DuckDB Sind:

• Spaltenspeicherformat: DuckDB speichert Datenspalten. In diesem Format ist es in der Lage, große Datensätze mit viel höherer Geschwindigkeit zu scannen und zusammenzuführen. Es liest nur die Spalten, die es benötigt.
• Vektorisierte Abfrageausführung: DuckDB ist darauf ausgelegt, Berechnungen in Blöcken oder Vektoren statt in einer einzelnen Zeile durchzuführen. Bei dieser Methode werden die aktuellen CPU-Leistungen genutzt, um schneller zu rechnen.
• Direkte Dateiabfrage: DuckDB kann Parquet-, CSV- und Arrow-Dateien direkt abfragen. Es besteht keine Notwendigkeit, sie in die Datenbank aufzunehmen.
• Tiefe Information-Science-Integration: Es ist kompatibel mit Pandas, NumPy Und R. DataFrame können Fragen wie Datenbanktabellen gestellt werden.

Mit DuckDB lassen sich interaktive Datenanalysen in Jupyter-Notebooks schnell verarbeiten und Pandas-Workflows beschleunigen. Es umfasst Information-Warehouse-Funktionen in einem kleinen und lokalen Paket.

Hauptunterschiede

Hier ist zunächst eine Übersichtstabelle, in der SQLite und DuckDB hinsichtlich wichtiger Aspekte verglichen werden.

Diese Tabelle zeigt, dass SQLite sich auf die Zuverlässigkeit und den Betrieb von Transaktionen konzentriert. DuckDB ist für die Unterstützung schneller Analyseabfragen zu Huge Information optimiert. Jetzt werden wir jeden einzelnen davon besprechen.

Praxisnah in Python: Von der Theorie zur Praxis

Wir werden sehen, wie man beide Datenbanken nutzt Python. Es handelt sich um eine Open-Supply-KI-Entwicklungsumgebung.

Verwendung von SQLite

Dies ist eine einfache Darstellung von SQLite Python. Wir werden eine Tabelle entwickeln, Daten eingeben und eine Abfrage ausführen.

import sqlite3

# Connect with a SQLite database file
conn = sqlite3.join("instance.db")
cur = conn.cursor()

# Create a desk
cur.execute(
    """
    CREATE TABLE customers (
        id INTEGER PRIMARY KEY,
        identify TEXT,
        age INTEGER
    );
    """
)

# Insert data into the desk
cur.execute(
    "INSERT INTO customers (identify, age) VALUES (?, ?);",
    ("Alice", 30)
)
cur.execute(
    "INSERT INTO customers (identify, age) VALUES (?, ?);",
    ("Bob", 35)
)

conn.commit()

# Question the desk
for row in cur.execute(
    "SELECT identify, age FROM customers WHERE age > 30;"
):
    print(row)

# Anticipated output: ('Bob', 35)

conn.shut()

Ausgabe:

Die Datenbank wird in diesem Fall im gespeichert instance.db Datei. Wir haben eine Tabelle erstellt, ihr zwei Zeilen hinzugefügt und eine einfache Abfrage ausgeführt. Mit SQLite können Sie Daten in die Tabellen laden und dann abfragen. Falls Sie eine CSV-Datei haben, müssen Sie die Informationen zuerst importieren.

Verwenden von DuckDB

Dennoch ist es an der Zeit, diese Choice mit DuckDB zu wiederholen. Wir werden Sie auch auf die datenwissenschaftlichen Annehmlichkeiten aufmerksam machen.

import duckdb
import pandas as pd

# Connect with an in-memory DuckDB database
conn = duckdb.join()

# Create a desk and insert knowledge
conn.execute(
    """
    CREATE TABLE customers (
        id INTEGER,
        identify VARCHAR,
        age INTEGER
    );
    """
)

conn.execute(
    "INSERT INTO customers VALUES (1, 'Alice', 30), (2, 'Bob', 35);"
)

# Run a question on the desk
outcome = conn.execute(
    "SELECT identify, age FROM customers WHERE age > 30;"
).fetchall()

print(outcome)  # Anticipated output: (('Bob', 35))

Ausgabe:

Die einfache Verwendung ähnelt der grundlegenden Verwendung. Dennoch können auch externe Daten von DuckDB abgefragt werden.

Lassen Sie uns einen zufälligen Datensatz für die Abfrage generieren:

import pandas as pd
import numpy as np

# Generate random gross sales knowledge
np.random.seed(42)
num_entries = 1000

knowledge = {
    "class": np.random.selection(
        ("Electronics", "Clothes", "Dwelling Items", "Books"),
        num_entries
    ),
    "worth": np.spherical(
        np.random.uniform(10, 500, num_entries),
        2
    ),
    "area": np.random.selection(
        ("EUROPE", "AMERICA", "ASIA"),
        num_entries
    ),
    "sales_date": (
        pd.to_datetime("2023-01-01")
        + pd.to_timedelta(
            np.random.randint(0, 365, num_entries),
            unit="D"
        )
    )
}

sales_df = pd.DataFrame(knowledge)

# Save to sales_data.csv
sales_df.to_csv("sales_data.csv", index=False)

print("Generated 'sales_data.csv' with 1000 entries.")
print(sales_df.head())

Ausgabe:

Fragen wir nun diese Tabelle ab:

# Assume 'sales_data.csv' exists

# Instance 1: Querying a CSV file instantly
avg_prices = conn.execute(
    """
    SELECT
        class,
        AVG(worth) AS avg_price
    FROM 'sales_data.csv'
    WHERE area = 'EUROPE'
    GROUP BY class;
    """
).fetchdf()  # Returns a Pandas DataFrame

print(avg_prices.head())

# Instance 2: Querying a Pandas DataFrame instantly
df = pd.DataFrame({
    "id": vary(1000),
    "worth": vary(1000)
})

outcome = conn.execute(
    "SELECT COUNT(*) FROM df WHERE worth % 2 = 0;"
).fetchone()

print(outcome)  # Anticipated output: (500,)

Ausgabe:

In diesem Fall liest DuckDB die CSV-Datei im laufenden Betrieb. Es ist kein wichtiger Schritt erforderlich. Es ist auch in der Lage, a abzufragen Pandas Datenrahmen. Durch diese Flexibilität entfällt ein Großteil des Datenladecodes und vereinfacht KI-Pipelines.

Architektur: Warum sie so unterschiedlich funktionieren

Die Unterschiede in der Leistung von SQLite und DuckDB hängen mit ihren Speicher- und Abfrage-Engines zusammen.

• Speichermodell: SQLite ist zeilenbasiert. Es gruppiert darin alle Daten einer Zeile. Dies eignet sich sehr intestine zum Aktualisieren eines einzelnen Datensatzes. Dennoch ist es mit der Analyse nicht schnell. Angenommen, Sie benötigen nur eine einzelne Spalte, dann muss SQLite trotzdem alle Daten jeder Zeile lesen. DuckDB ist spaltenorientiert. Es fügt alle Werte einer Spalte in eine einzige Spalte ein. Dies ist supreme für Analysen. Eine Abfrage wie SELECT AVG(age) liest nur die Alter Spalte, was viel schneller ist.
• Abfrageausführung: SQLite eine Abfrage professional Zeile. Dies ist speichereffizient, wenn es um kleine Abfragen geht. DuckDB basiert auf einer vektorisierten Ausführung. Es funktioniert mit Daten in großen Mengen. Diese Technik nutzt aktuelle CPUs, um große Scans und Verknüpfungen erheblich zu beschleunigen. Es ist auch in der Lage, mehrere Threads auszuführen, um jeweils eine einzelne Abfrage auszuführen.
• Speicher und Verhalten auf der Festplatte: SQLite ist so konzipiert, dass es nur minimalen Speicher benötigt. Es liest nach Bedarf von der Festplatte. DuckDB nutzt Speicher, um die Geschwindigkeit zu erhöhen. Bei der Out-of-Core-Ausführung können Daten ausgeführt werden, die größer sind als der verfügbare RAM. Dies bedeutet, dass DuckDB zusätzlichen RAM verbrauchen kann, bei einer Analyseaufgabe jedoch viel schneller ist. Es wurde gezeigt, dass Aggregationsabfragen in DuckDB 10–100 Mal schneller sind als in SQLite.

Das Urteil: Wann sollte man DuckDB vs. SQLite verwenden?

Dies ist eine gute Richtlinie, die Sie bei Ihren KI- und maschinellen Lernprojekten befolgen sollten.

Abschluss

Sowohl SQLite als auch DuckDB sind starke eingebettete Datenbanken. SQLite ist ein sehr gutes, leichtes Datenspeicher- und benutzerfreundliches Transaktionstool. Allerdings kann DuckDB die Datenverarbeitung und das Prototyping von KI-Entwicklern, die mit Huge Information arbeiten, erheblich beschleunigen. Denn wenn Sie sich der Unterschiede bewusst sind, wissen Sie, welches Werkzeug für verschiedene Aufgaben das richtige ist. Bei zeitgemäßen Datenanalyse- und Machine-Studying-Prozessen kann DuckDB Ihnen viel Zeit sparen und gleichzeitig einen erheblichen Leistungsvorteil bieten.

Häufig gestellte Fragen

Harsh Mishra ist ein KI/ML-Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit echten Menschen. Leidenschaftlich für GenAI, NLP und die intelligentere Entwicklung von Maschinen (damit sie ihn noch nicht ersetzen). Wenn er nicht gerade Modelle optimiert, optimiert er wahrscheinlich seinen Kaffeekonsum.