Die Interaktion mit Ihren Codierungsagenten ist sehr wichtig. Es gibt eine Vielzahl von Optionen, die Sie ausprobieren können, und sie alle wirken sich darauf aus, wie effektiv Sie mit Ihren Agenten interagieren können.

Ich habe viel Zeit damit verbracht, verschiedene Plattformen zur Orchestrierung von Codierungsagenten zu testen, und in diesem Artikel werde ich meine Meinung zu einigen verschiedenen Instruments darlegen und zeigen, wie Sie das Software finden können, das für Sie am besten funktioniert.

Ich denke, es ist erwähnenswert, dass das optimale Werkzeug von Particular person zu Particular person unterschiedlich sein wird. Ein Werkzeug, das mir gefällt, könnte ein Werkzeug sein, das Ihnen nicht gefällt, und umgekehrt.

Daher beschreibe ich in diesem Artikel auch, wie Sie selbst herausfinden, was für Sie funktioniert

Ich werde von keinem der Instruments gesponsert, die ich in diesem Artikel beschreibe. Das sind einfach Instruments, die meiner Meinung nach intestine funktionieren.

Warum Zeit damit verschwenden, eine optimale Agentenschnittstelle zu finden?

Zunächst möchte ich in jedem Artikel, den ich schreibe, immer auf das Warum eingehen. Hier wollte ich hervorheben, warum Sie überhaupt Zeit damit verbringen sollten, verschiedene Schnittstellen für die Interaktion mit Ihren Codierungsagenten zu testen.

Der Hauptgrund, warum Sie sich dafür Zeit nehmen sollten, ist, dass es auf lange Sicht produktiver sein kann. Wenn Sie eine Schnittstelle finden, die für Sie hervorragend funktioniert, erleichtert sie Ihnen die Interaktion mit Ihren Programmieragenten und Sie werden produktiver.

Ich bin der festen Überzeugung, dass es einen ziemlich großen Unterschied zwischen dem Software gibt, das mir am wenigsten gefällt, und dem Software, das mir am besten gefällt, und dass es einen großen Einfluss darauf hat, wie viel ich tun kann.

---

Eines der Hauptprobleme, die ich bei einigen Instruments finde, ist, dass es nicht einfach ist, einen vollständigen Überblick über alle Agenten zu haben, die ich gleichzeitig ausführe. In diesem Fall muss ich Zeit damit verbringen, manuell nachzuholen oder relevante Sitzungen zu finden, an denen ich arbeiten möchte, was natürlich verschwendete Zeit ist, die mit einem besseren Software eingespart werden könnte.

Verschiedene Codierungsagentenschnittstellen

In diesem Abschnitt werde ich einige verschiedene Schnittstellen für Codierungsagenten durchgehen und einige verschiedene Anwendungen abdecken.

Die Anwendungen, die ich für Codierungsagenten ausprobiert habe, sind:

• Kette
• Leiter
• Emdash
• Iterm2
• Claude Code-Anwendung
• Codex-Anwendung
• Omnara
• Cursor

Jetzt werde ich jeden von ihnen einfach mit einigen Vor- und Nachteilen besprechen.

Kette

Dies warfare eine ganze Weile mein bevorzugtes Terminal und ich denke, Warp ist insgesamt ziemlich intestine. Es handelt sich um ein einfaches Terminal mit einigen KI-Funktionen, wie etwa der automatischen Vervollständigung beim Schreiben von Befehlen, und Sie können KI-Modelle auch problemlos in Warp ausführen. Sie verfügen außerdem über eine automatische Benennung verschiedener Sitzungen und ermöglichen die Aufteilung von Tabs. Ein Nachteil, der mir bei Warp aufgefallen ist, ist, dass es sich um ein sehr einfaches Terminal handelt, das eigentlich keine zusätzlichen Funktionen bietet, und ich habe festgestellt, dass es ein wenig verzögert ist, obwohl mein Laptop keine Verzögerungen aufweist. Ich habe solche Probleme bei anderen Anwendungen nicht erlebt.

Leiter

Conductor ist ein sehr schönes, einsteigerfreundliches Terminal. Es ist ein sehr sauberes Setup. Ich finde die Artwork und Weise, wie sie die verschiedenen von Ihnen betreuten Agenten organisieren, sehr intestine. Sie organisieren es in „Rückstand“, „In Bearbeitung“, „In Prüfung“ und „Fertig“ und ermöglichen es Ihnen dann, Registerkarten zu archivieren und bei Bedarf wiederherzustellen. Der einzige Nachteil, der mir bei Conductor aufgefallen ist, sind eigentlich zwei Dinge. Es ist nicht möglich, Tabs zu teilen, was natürlich sehr schlecht ist. Und zweitens weist es keine vollständige Funktionsgleichheit mit den von mir bevorzugten Codierungsagenten auf. Mir ist aufgefallen, dass der Slash-Objective-Befehl für Claude-Code-Sitzungen nicht verfügbar ist. Es ist nur für Codex-Sitzungen verfügbar.

Das warfare für mich ein entscheidender Faktor, weshalb ich Conductor aus diesem Grund nicht mehr verwenden musste.

Emdash

Emdash ist die aktuelle Anwendung, die ich verwende, und im Second meine Lieblingsanwendung. Emdash hat im Grunde alles, was Conductor hat, verfügt aber auch über Funktionsgleichheit mit allen CLI-Codierungsagenten, da es buchstäblich das Terminal innerhalb der Anwendung ausführt und Ihnen das Teilen von Fenstern ermöglicht.

Der einzige Nachteil besteht meiner Meinung nach darin, dass Emdash nicht über die ebenso gute Organisation der Registerkarten auf der linken Seite verfügt, auf der Sie alle Ihre Codierungsagenten sehen, d.

iTerm2

iTerm2 ist auch eine gute Choice; Es handelt sich lediglich um ein einfaches Terminal, auf dem Sie Ihre Codierungsagenten ausführen können. Ich sehe jedoch keinen Grund dafür; Ich habe aus einem bestimmten Grund aufgehört, ein einfaches Terminal zu verwenden: Sie funktionieren nur zwar intestine, weil auf die Codierungsagenten über eine CLI zugegriffen werden kann, es gibt jedoch keine echten Funktionen und die Registerkarten sind nicht wirklich intestine organisiert. Deshalb habe ich aufgehört, iTerm2 zu verwenden.

Claude Code-Anwendung

Die Claude Code-Anwendung ist recht intestine und sehr anfängerfreundlich. Allerdings gefällt mir auch hier die Artwork und Weise nicht, wie sie die Agent-Registerkarten auf der linken Seite und die laufenden Sitzungen organisieren. Ich glaube einfach, dass es Anwendungen gibt, die die verschiedenen Registerkarten viel besser organisieren, wie zum Beispiel Emdash und Conductor.

Es ist erwähnenswert, dass ich die Claude Code-Anwendung über mein Telefon verwende, da ich die Fernbedienung eingeschaltet habe. Und das funktioniert sehr intestine, und die Claude-Code-Anwendung gefällt mir auf diese Weise sehr intestine.

Codex-Anwendung

Die Codex-Anwendung ist im Grunde die gleiche wie die Claude Code-Anwendung, und ich sehe keine wirklichen Unterschiede, weder bei den Vor- noch bei den Nachteilen.

Omnara

Omnara wurde als eine Artwork Anwendung vermarktet, die sich sehr intestine zwischen Ihrem Telefon und Ihrem Laptop synchronisieren lässt. Obwohl die Synchronisierung zwischen Telefon und PC intestine funktionierte, empfand ich die gesamte App als etwas umständlich und nicht besonders intuitiv. Mir scheint, dass das Design nicht ganz auf dem neuesten Stand warfare und dass sowohl Conductor als auch Emdash einfach viel einfacher, einfacher und intuitiver zu bedienen waren.

Cursor

Mit dem Cursor habe ich kurz nach der Veröffentlichung von ChatGPT mit der Agentic-Codierung und der Tab-Vervollständigung in VS Code begonnen. Cursor ist wirklich intestine. Wenn Sie jedoch nur Cursor verwenden, wird es ziemlich teuer, da ein Großteil der Kosten nutzungsabhängig ist und nicht durch das Abonnement abgedeckt ist, wie bei Claude Code oder Codex. Außerdem glaube ich nicht, dass ich mir den Code mehr ansehen muss, daher sehe ich keinen wirklichen Grund, Cursor zu verwenden. Sie können in Cursor natürlich die reine Agentenansicht verwenden, aber dann ist sie einfach viel teurer als Alternativen wie Claude Code oder Codex.

Andere Schnittstellen

Beachten Sie, dass es viele andere Schnittstellen gibt und ich nicht alles getestet habe. Es scheint, als ob im Grunde jeden Tag neue Agentenschnittstellen auftauchen. Und es kann natürlich zu viel sein, es selbst auszuprobieren. Ich bitte Sie dringend, dem Markt der Agentenschnittstellen etwas Aufmerksamkeit zu schenken. Wenn Sie etwas Interessantes sehen, überprüfen Sie schnell die Web site und prüfen Sie, ob sie Ihren Anforderungen entspricht. Wenn ja, sollten Sie sie ein wenig ausprobieren. Ich glaube, Sie werden ziemlich schnell merken, ob sich die Verwendung einer Coding-Agent-Schnittstelle lohnt oder nicht, beispielsweise innerhalb von zwanzig Minuten.

So finden Sie Ihre optimale Codierungsschnittstelle

Jetzt müssen wir uns mit der Frage befassen, wie Sie Ihre optimale Codierungsschnittstelle finden können. Ich habe einige Dinge behandelt, die Sie bei der Auswahl einer Agentenschnittstelle berücksichtigen und bedenken sollten:

• Verfügt es über Funktionsgleichheit mit allen neuesten Coding-Agent-Instruments wie Codex und Claude Code? Wenn nicht, sind Sie im Rückstand. Das kann sehr frustrierend sein, wenn jemand eine Funktion veröffentlicht, die Sie sofort ausprobieren möchten.
• Können Sie damit auch über Ihr Telefon mit Ihren Programmieragenten interagieren? Ich denke, das ist ziemlich wichtig. Wenn ich beispielsweise Claude Code ausführe, kann ich eine sogenannte Fernsteuerung aktivieren, die es mir ermöglicht, die Sitzung auch über mein Telefon zu finden und meine Coding-Agenten weiterarbeiten zu lassen und ihnen spontan helfen zu können, wenn ich nicht an meinem Laptop bin.
• Bietet es Ihnen einen guten Überblick über alle Ihre Agent-Registerkarten und hilft Ihnen dabei, sich daran zu erinnern, welche Registerkarte was tut, und viele Sitzungen gleichzeitig laufen zu lassen, ohne verwirrt zu werden? Dinge, die hier helfen können, sind: automatische Benennung von Tabs, geteilte Tabs, Arbeitsbereiche usw.

Und das ist es. Insgesamt denke ich, dass Sie beim Testen von Coding-Agent-Schnittstellen darüber nachdenken sollten, was Ihnen wichtig ist und was für Sie wichtig ist. Für manche Menschen ist es am wichtigsten, dass es tremendous einfach zu bedienen und intuitiv ist, während die Funktionsparität keine so große Rolle spielt. Wenn ja, würde ich sagen, dass Conductor eine gute Wahl ist. Andere bevorzugen vor allem ein leichtes Terminal. Wenn ja, Warp oder iTerm2.

Am Ende haben Sie selbst den besten Geschmack für das, was Sie bevorzugen, und Sie sollten einfach die Dinge ausprobieren, die Sie interessant finden, und sehen, ob es für Sie besser funktioniert als die aktuelle Benutzeroberfläche, die Sie verwenden.

Abschluss

In diesem Artikel habe ich einige verschiedene Coding-Agent-Schnittstellen behandelt. Ich begann damit, darüber zu sprechen, warum Sie sich darum kümmern sollten und wie stark es Ihre Produktivität als Programmierer beeinflussen kann. Ich habe viele verschiedene Coding-Agent-Schnittstellen behandelt, die ich selbst ausprobiert habe, und dabei die Vor- und Nachteile behandelt. Letztendlich ist die für Sie optimale Coding-Agent-Schnittstelle das, was Sie am liebsten verwenden. Verschiedene Menschen haben unterschiedliche Vorlieben, was bei der Interaktion mit Programmieragenten wichtig ist, und Sie sollten verschiedene Optionen selbst ausprobieren. Ich habe einige Beispiele behandelt und erwähnt, die Sie sich ansehen können, wenn Sie sie interessant finden. Und ich empfehle Ihnen dringend, ein paar verschiedene Instruments auszuprobieren und sich etwas Zeit damit zu beschäftigen, da dies große Auswirkungen auf Ihre Produktivität bei der Arbeit mit Ihren Programmieragenten haben kann. Es lohnt sich, etwas Zeit zu investieren, um das optimale Codierungs-Setup für Sie herauszufinden.

Nehmen Sie Kontakt auf

Mein kostenloses E-E book und Webinar:

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-E book „Imaginative and prescient Language Fashions“.

Mein Webinar zu Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Unterstapel

LinkedIn

X / Twitter

Ein funktionierendes KI-Modell basiert auf soliden, zuverlässigen und dynamischen Datensätzen. Ohne reichhaltige und detaillierte KI-Trainingsdaten ist es sicherlich nicht möglich, eine wertvolle und erfolgreiche KI-Lösung zu entwickeln. Wir wissen, dass die Komplexität des Projekts die erforderliche Datenqualität diktiert und bestimmt. Aber wir sind uns nicht ganz sicher, wie viele Trainingsdaten wir benötigen, um das benutzerdefinierte Modell zu erstellen.

Es gibt keine eindeutige Antwort auf die Frage, was die richtige Menge an Trainingsdaten für maschinelles Lernen ist erforderlich. Anstatt mit einer ungefähren Zahl zu arbeiten, glauben wir, dass eine Reihe von Methoden Ihnen eine genaue Vorstellung von der Datenmenge geben können, die Sie möglicherweise benötigen. Aber vorher wollen wir verstehen, warum Trainingsdaten für den Erfolg Ihres KI-Projekts entscheidend sind.

Die Bedeutung von Trainingsdaten

Arvind Krishna, CEO von IBM, sagte auf dem Way forward for Every part Pageant des Wall Avenue Journals, dass quick 80 % der Arbeit in einem KI-Projekt dreht sich alles um das Sammeln, Bereinigen und Vorbereiten von Daten.‘ Und er conflict auch der Meinung, dass Unternehmen ihre KI-Vorhaben aufgeben, weil sie mit den Kosten, der Arbeit und der Zeit, die zum Sammeln wertvoller Trainingsdaten erforderlich sind, nicht mithalten können.

Ermittlung der Daten Stichprobengröße hilft bei der Entwicklung der Lösung. Es hilft auch bei der genauen Schätzung der für das Projekt erforderlichen Kosten, Zeit und Fähigkeiten.

Wenn zum Trainieren von ML-Modellen ungenaue oder unzuverlässige Datensätze verwendet werden, liefert die resultierende Anwendung keine guten Vorhersagen.

7 Faktoren, die das erforderliche Trainingsdatenvolumen bestimmen

Obwohl der Datenbedarf in Bezug auf das Volumen zum Trainieren von KI-Modellen völlig subjektiv ist und von Fall zu Fall beurteilt werden sollte, gibt es einige universelle Faktoren, die objektiven Einfluss haben. Schauen wir uns die häufigsten an.

Modell für maschinelles Lernen

Das Trainingsdatenvolumen hängt davon ab, ob das Coaching Ihres Modells mit überwachtem oder unüberwachtem Lernen durchgeführt wird. Während ersteres mehr Trainingsdaten erfordert, ist dies bei letzterem nicht der Fall.

Überwachtes Lernen

Dabei werden gekennzeichnete Daten verwendet, was wiederum das Coaching komplexer macht. Aufgaben wie die Klassifizierung oder Clusterung von Bildern erfordern Beschriftungen oder Zuordnungen, damit Maschinen sie entschlüsseln und unterscheiden können, was wiederum zu einem Bedarf an mehr Daten führt.

Unüberwachtes Lernen

Die Verwendung gekennzeichneter Daten ist beim unüberwachten Lernen nicht zwingend erforderlich, wodurch der Bedarf an riesigen Datenmengen vergleichsweise gering ist. Dennoch wäre das Datenvolumen für Modelle, die Muster erkennen, angeborene Strukturen identifizieren und korrelieren möchten, immer noch hoch.

Variabilität & Diversität

Damit ein Modell so truthful und objektiv wie möglich ist, sollte die angeborene Voreingenommenheit vollständig beseitigt werden. Dies bedeutet lediglich, dass größere Mengen unterschiedlicher Datensätze erforderlich sind. Dadurch wird sichergestellt, dass ein Modell eine Vielzahl vorhandener Wahrscheinlichkeiten lernt und einseitige Antworten vermieden werden.

Datenerweiterung und Transferlernen

Die Beschaffung hochwertiger Daten für verschiedene Anwendungsfälle in verschiedenen Branchen und Bereichen ist nicht immer reibungslos. In sensiblen Sektoren wie dem Gesundheitswesen oder dem Finanzwesen sind hochwertige Daten kaum verfügbar. In solchen Fällen ist die Datenerweiterung durch die Verwendung synthetisierter Daten der einzige Weg, um Modelle zu trainieren.

Experimentieren und Validierung

Iteratives Coaching ist der Ausgleich, bei dem das erforderliche Trainingsdatenvolumen nach konsequentem Experimentieren und Validieren der Ergebnisse berechnet wird. Durch wiederholtes Testen und Überwachen

Anhand der Modellleistung können die Beteiligten abschätzen, ob weitere Trainingsdaten zur Reaktionsoptimierung erforderlich sind.

So reduzieren Sie den Datenbedarf für das Coaching

Unabhängig davon, ob es sich um Budgetbeschränkungen, Markteinführungsfristen oder die Nichtverfügbarkeit unterschiedlicher Daten handelt, gibt es einige Optionen, mit denen Unternehmen ihre Abhängigkeit von riesigen Mengen an Trainingsdaten verringern können.

• Datenerweiterung – bei der neue Daten aus vorhandenen Datensätzen generiert oder synthetisiert werden, eignet sich perfect als Trainingsdaten. Diese Daten stammen von übergeordneten Daten und ahmen diese nach, die zu 100 % aus echten Daten bestehen.
• Transferlernen – dabei werden die Parameter eines vorhandenen Modells geändert, um eine neue Aufgabe auszuführen. Wenn Ihr Modell beispielsweise gelernt hat, Äpfel zu erkennen, können Sie dasselbe Modell verwenden und seine vorhandenen Trainingsparameter ändern, um auch Orangen zu erkennen.
• Vorab trainierte Modelle – bei denen vorhandenes Wissen als Weisheit für Ihr neues Projekt genutzt werden kann. Dies könnte ResNet für Aufgaben im Zusammenhang mit der Bilderkennung oder BERT für NLP-Anwendungsfälle sein.

3 – Beispiele aus der Praxis für Machine-Studying-Projekte mit minimalen Datensätzen

Es magazine unmöglich klingen, dass einige ehrgeizige Machine-Studying-Projekte mit minimalen Rohstoffen durchgeführt werden können, aber in manchen Fällen ist es erstaunlich wahr. Lassen Sie sich überraschen.

Kaggle-Bericht	Gesundheitspflege	Klinische Onkologie
Eine Kaggle-Umfrage zeigt, dass über 70 % der Projekte zum maschinellen Lernen mit weniger als 10.000 Beispielen abgeschlossen wurden.	Mit nur 500 Bildern trainierte ein MIT-Staff ein Modell, um diabetische Neuropathie in medizinischen Bildern aus Augenscans zu erkennen.	Um das Beispiel aus dem Gesundheitswesen fortzusetzen: Einem Staff der Stanford College gelang es, mit nur 1.000 Bildern ein Modell zur Erkennung von Hautkrebs zu entwickeln.

Fundierte Vermutungen anstellen

Für die erforderliche Mindestdatenmenge gibt es keine magische Zahl, aber einige Faustregeln helfen Ihnen dabei, eine vernünftige Zahl zu ermitteln.

Die 10er-Regel

Als FaustregelUm ein effizientes KI-Modell zu entwickeln, sollte die Anzahl der erforderlichen Trainingsdatensätze zehnmal größer sein als jeder Modellparameter, auch Freiheitsgrade genannt. Die „10“-Regel zielt darauf ab, die Variabilität zu begrenzen und die Vielfalt der Daten zu erhöhen. Diese Faustregel kann Ihnen daher beim Begin Ihres Projekts helfen, indem sie Ihnen eine grundlegende Vorstellung von der erforderlichen Menge an Datensätzen gibt.

Tiefes Lernen

Deep-Studying-Methoden helfen bei der Entwicklung hochwertiger Modelle, wenn dem System mehr Daten zur Verfügung gestellt werden. Es ist allgemein anerkannt, dass 5000 beschriftete Bilder professional Kategorie ausreichen sollten, um einen Deep-Studying-Algorithmus zu erstellen, der auf Augenhöhe mit Menschen arbeiten kann. Um außergewöhnlich komplexe Modelle zu entwickeln, sind mindestens 10 Millionen beschriftete Elemente erforderlich.

Pc Imaginative and prescient

Wenn Sie Deep Studying zur Bildklassifizierung verwenden, besteht Einigkeit darüber, dass ein Datensatz mit 1.000 beschrifteten Bildern für jede Klasse eine angemessene Zahl ist.

Lernkurven

Lernkurven werden verwendet, um die Leistung des maschinellen Lernalgorithmus im Verhältnis zur Datenmenge zu demonstrieren. Indem man die Modellfähigkeit auf der Y-Achse und den Trainingsdatensatz auf der X-Achse hat, ist es möglich zu verstehen, wie sich die Datengröße auf das Ergebnis des Projekts auswirkt.