Die weit verbreitete Einführung von AI -Agenten erfolgt überall, einschließlich der Softwareentwicklung. Heute haben wir Increase Code, einen AI -Agenten, der Ihre Codebasis indexieren kann, und die Agenten unter der Motorhaube. Jetzt, angetrieben von der neuesten Claude Sonett 4damit es sehr praktikabel für das Erstellen von Anwendungen und das Hinzufügen von Funktionen zu Ihren Anwendungen ist. Increase wird ausgiebig für die Vibe -Codierung verwendet, ein Codierungsstil, der in letzter Zeit viel Traktion erhalten hat. In diesem Artikel werden wir über die Erweiterung gehen, wie es für die Stimmrechtscodierung verwendet werden kann und wie eine Anwendung mit dieser Verwendung erstellt werden kann.

Was ist Increase AI?

Increase ist eine Unternehmenskodierungsplattform, mit der Sie Repositorys analysieren, verwalten und mit ihnen arbeiten können. Es zeigt den Code in Echtzeit und hat Zugriff auf Instruments wie Websuche, um dem Agenten eine neue Dokumentation zu verstehen. Mit einfachen Eingaben können Sie Einblicke in Ihre Codebasis erhalten, diese ändern oder sogar eine völlig neue Anwendung von Grund auf neu erstellen.

Drei Dinge machen Increase clever, über die Sie wissen sollten:

• Modellkontextprotokoll (MCP): Wirkt wie ein universeller Anschluss, sodass KI -Agenten mit einer Vielzahl externer Instruments und Datenquellen interagieren können, um Informationen zu erhalten oder Aktionen auszuführen.
• Native Werkzeuge: Increase umfasst direkte Integrationen mit Plattformen wie JIRA und Begriff, mit denen Entwickler Dokumentation, Probleme und Projektaufgaben in ihrer Entwicklungsumgebung mit Eingabeaufforderungen verwalten können.
• Kontext -Engine: Increase analysiert die gesamte Codebasis in Echtzeit, um sicherzustellen, dass jeder Vorschlag und Codesabschluss für das Projekt related ist und einem ähnlichen Codierungsstil folgt, während die vorhandene Codebasis geändert wird.

Lesen Sie auch: Erstellen eines Codebasis-Explorers mit Googles Gemini-2.0

Preisinformationen

Increase bietet neuen Benutzern eine kostenlose Testversion für die ersten 14 Tage, und es gibt mehrere bezahlte Pläne von von $ 0 bis $ 250meist unterscheidet sich in der Anzahl der Benutzernachrichten. Weitere Informationen zu den folgenden Preisen finden Sie weiter.

Was ist Stimmung codieren?

Dies ist ein kürzlich von Andrej Karpathy (Mitbegründer von Openai) im Februar 2025 eingeführter Ansatz zur Codierung Künstliche Intelligenz. Der Benutzer verfeinert die Anwendung mit mehreren Eingaben basierend auf den Ausgängen und führt die KI zum Ziel. Es kann verwendet werden für:

1. Schnelle Prototyping und MVP -Entwicklung: Minimal lebensfähige Produkte (MVPs) oder Prototypen können schnell erstellt und getestet werden, indem die gewünschten Merkmale beschrieben werden.
2. Automatisieren sich wiederholter Codierungsaufgaben: Die Vibe -Codierung kann Aufgaben vereinfachen, z. B. das Generieren von Schreibdokumentationen, die Automatisierung des vorhandenen Codes und das Testen des Codes.
3. Erstellen einer Web site: Mit der Vibe -Codierung können Sie eine Web site erstellen, indem Sie einfach Ihre Anforderungen beschreiben und KI die technische Implementierung abwickeln lassen.

Erfahren Sie mehr über die Vibe -Codierung Hier.

Notiz: Benutzer müssen bedenken, dass sie den von KI geschriebenen Code möglicherweise nicht vollständig verstehen, und auch LLMs werden Fehler nicht immer beheben oder verstehen. Manchmal müssen Benutzer mit mehreren Eingabeaufforderungen experimentieren, um die gewünschten Ergebnisse zu erzielen.

Wie installiere ich Increase?

Notiz: Verwenden Sie die „@“, um sich auf eine bestimmte Datei, einen bestimmten Ordner oder eine bestimmte Dokumentation zu konzentrieren, während Sie sie auffordern.

Gebäude mit Increase

Erstellen wir eine Gaming -Anwendung, gen. Stellen Sie sicher, dass Sie den Modus auf ‚festlegen.Agent‚Für die richtige Funktionalität.

Senden Sie einfach eine Eingabeaufforderung und lehnen Sie sich zurück und schauen Sie sich die Magie an.

Eingabeaufforderung 1: Erstellen Sie ein flappy Vogelspiel

“Erstellen Sie eine grundlegende Model des Flappy Fowl -Spiels mit (Ihre bevorzugte Programmiersprache, z. B. Python mit Pygame oder JavaScript mit HTML -Leinwand). Das Spiel sollte enthalten:

• Ein von Spieler kontrollierter Vogel, der sich nach oben bewegt, wenn eine Style (z. B. die Raumleiste) gedrückt wird und aufgrund der Schwerkraft fällt, wenn sie nicht gedrückt wird.
• Kollisionserkennung, so dass das Spiel endet, wenn der Vogel auf ein Rohr oder den Boden trifft.
• Ein Bewertungssystem, das jedes Mal erhöht, wenn der Vogel erfolgreich durch eine Reihe von Rohren führt.
• Spur der höchsten Punktzahl ”

Beachten Sie, wie Checkpoints erstellt werden, bevor Änderungen vorgenommen werden. Auf diese Weise können Sie jederzeit problemlos zu einer Kontrollversion von Code übergehen. Ich schlage auch vor, dass Sie häufig einen neuen Chat mit dem Agenten erstellen, anstatt den Chat für mehr als 4-5 Eingabeaufforderungen fortzusetzen, um bessere Ergebnisse zu erzielen.

Ausgabe:

Das Spiel wurde in weniger als einer Minute vorbereitet und die Dateien wurden im Chat angezeigt.

Großartig! Es funktioniert wie erwartet und der Hochpunkt wird auch in einer Textdatei gespeichert.

Fügen wir nun eine Possibility hinzu, um den Vogel auszuwählen:

Eingabeaufforderung 2: Ändern Sie das Spiel

„Ändern Sie das Skript @flappy_bird.py, um mehrere Vogelfarben zu unterstützen, und fügen Sie eine Vogelauswahlfunktion hinzu, bevor das Gameplay beginnt. Speziell:

• Fügen Sie mindestens drei verschiedene Vogelfarben hinzu (z. B. Rot, Blau, Gelb)
• Implementieren Sie einen Auswahlbildschirm, der vor Beginn des Spiels angezeigt wird, sodass der Spieler seine bevorzugte Vogelfarbe mit den linken und rechten Pfeiltasten auswählen kann.
• Stellen Sie sicher, dass die ausgewählte Vogelfarbe während der gesamten Spielsitzung verwendet wird. “

Ausgabe:

Jetzt können Sie sehen, dass alles auf klare und spezifische Eingabeaufforderungen hinausging. Sie können auch in den Code eintauchen und ihn bitten, etwas spezifisch zu ändern oder eine Funktion zu definieren.

Ich würde vorschlagen, dass Sie die Vibe -Codierung fortsetzen und das Spiel so ändern, dass das Seitenverhältnis für Desktops auf 16: 9 geändert wird und das Hintergrundbild geändert wird.

Abschluss

KI -Agenten kann für Entwickler wertvoll sein, komplexe Codebasen mit großer Geschwindigkeit und Genauigkeit zu erstellen, zu ändern und zu verwalten. Increase ist sehr fähig, da ich es für Codebasen mit über 1000 Codezeilen verwendet habe, und es leistet es sehr intestine, den Code zu analysieren, sich an den Code anzupassen, Fehler zu beheben und neuen Code hinzuzufügen. Ich schlage vor, Sie untersuchen die Increase in anderen Projekten, um zu sehen, wozu es fähig ist.

Häufig gestellte Fragen

Leidenschaft für Technologie und Innovation, Absolvent des Vellore Institute of Know-how. Derzeit arbeitet er als Information Science Trainee und konzentriert sich auf die Datenwissenschaft. Es ist sehr interessiert an tiefem Lernen und generativen KI, bestrebt, modernste Techniken zu erforschen, um komplexe Probleme zu lösen und wirkungsvolle Lösungen zu schaffen.

Ideale generative KI vs. Realität

Grundlegende LLMs haben jedes Byte Textual content gelesen, das sie finden konnten, und ihre Chatbot-Gegenstücke können zu intelligenten Gesprächen angeregt und gebeten werden, bestimmte Aufgaben auszuführen. Der Zugang zu umfassenden Informationen ist demokratisiert; Sie müssen nicht mehr die richtigen Schlüsselwörter für die Suche herausfinden oder Web sites zum Lesen auswählen. LLMs neigen jedoch dazu, zu schwafeln und reagieren im Allgemeinen mit der statistisch wahrscheinlichsten Antwort, die Sie hören möchten (Speichelleckerei) ein inhärentes Ergebnis des Transformer-Modells. Das Extrahieren von 100 % genauen Informationen aus der Wissensbasis eines LLM führt nicht immer zu vertrauenswürdigen Ergebnissen.

Chat-LLMs sind dafür berüchtigt, Zitate aus wissenschaftlichen Arbeiten oder Gerichtsverfahren zu erfinden, die es gar nicht gibt. Anwälte reichen Klage gegen eine Fluggesellschaft ein enthielt Zitate aus Gerichtsverfahren, die nie stattgefunden haben. Eine Studie aus dem Jahr 2023 berichtetedass ChatGPT, wenn es aufgefordert wird, Zitate einzufügen, nur in 14 % der Fälle Referenzen liefert, die tatsächlich existieren. Quellen zu fälschen, zu schwafeln und Ungenauigkeiten zu liefern, um der Aufforderung nachzukommen, wird als Halluzination bezeichnet, ein riesiges Hindernis, das überwunden werden muss, bevor KI vollständig angenommen und von der Masse als vertrauenswürdig angesehen wird.

Ein Gegenmittel gegen das Erfinden falscher Quellen oder das Auftauchen von Ungenauigkeiten durch LLMs ist die Retrieval-Augmented Technology oder RAG. RAG kann nicht nur die Halluzinationstendenz von LLMs verringern, sondern bietet auch mehrere andere Vorteile.

Zu diesen Vorteilen gehören der Zugriff auf eine aktuelle Wissensbasis, Spezialisierung (z.B durch die Bereitstellung privater Datenquellen), wodurch Modelle mit Informationen ausgestattet werden, die über das hinausgehen, was im parametrischen Speicher abgelegt ist (was kleinere Modelle ermöglicht), und die Möglichkeit besteht, weitere Daten aus legitimen Referenzen heranzuziehen.

Was ist RAG (Retrieval Augmented Technology)?

Retrieval-Augmented Technology (RAG) ist eine Deep-Studying-Architektur, die in LLMs und Transformer-Netzwerken implementiert ist. Sie ruft relevante Dokumente oder andere Snippets ab und fügt sie dem Kontextfenster hinzu, um zusätzliche Informationen bereitzustellen und einem LLM dabei zu helfen, nützliche Antworten zu generieren. Ein typisches RAG-System hätte zwei Hauptmodule: Abruf und Generierung.

Die wichtigste Referenz für RAG ist ein Artikel von Lewis et al. von Fb. In dem Artikel verwenden die Autoren ein Paar BERT-basierter Dokument-Encoder, um Abfragen und Dokumente zu transformieren, indem sie den Textual content in ein Vektorformat einbetten. Diese Einbettungen werden dann verwendet, um die Prime-okay (normalerweise 5 oder 10) Dokumente über eine Suche mit maximalem inneren Produkt (MIPS). Wie der Identify schon sagt, basiert MIPS auf dem inneren (oder Skalar-)Produkt der codierten Vektordarstellungen der Abfrage und denen in einer Vektordatenbank, die für die Dokumente vorab berechnet wurde und als externer, nichtparametrischer Speicher verwendet wird.

Wie im Stück von Lewis beschrieben et al.RAG wurde entwickelt, um LLMs bei wissensintensiven Aufgaben zu unterstützen, die „von Menschen ohne Zugang zu einer externen Wissensquelle nicht vernünftigerweise ausgeführt werden können“. Wenn Sie eine Open-Ebook- und eine Non-Open-Ebook-Prüfung ablegen, erhalten Sie einen guten Eindruck davon, wie RAG LLM-basierte Systeme ergänzen kann.

RAG mit dem Umarmungsgesicht Bibliothek

Lewis et al. haben ihre RAG-Modelle auf dem Hugging Face Hub als Open Supply veröffentlicht, sodass wir mit denselben Modellen experimentieren können, die im Artikel verwendet werden. Eine neue virtuelle Python 3.8-Umgebung mit virtualenv wird empfohlen.

virtualenv my_env --python=python3.8
supply my_env/bin/activate

Nachdem wir die Umgebung aktiviert haben, können wir mit pip Abhängigkeiten installieren: Transformatoren und Datasets von Hugging Face, die FAISS-Bibliothek von Fb, die RAG für die Vektorsuche verwendet, und PyTorch zur Verwendung als Backend.

pip set up transformers
pip set up datasets
pip set up faiss-cpu==1.8.0
#https://pytorch.org/get-started/regionally/ to 
#match the pytorch model to your system
pip set up torch

Lewis et al. hat zwei verschiedene Versionen von RAG implementiert: rag-sequence und rag-token. Rag-sequence verwendet dasselbe abgerufene Dokument, um die Generierung einer gesamten Sequenz zu erweitern, während rag-token für jedes Token unterschiedliche Snippets verwenden kann. Beide Versionen verwenden dieselben Hugging Face-Klassen für die Tokenisierung und den Abruf, und die API ist weitgehend gleich, aber jede Model hat eine einzigartige Klasse für die Generierung. Diese Klassen werden aus der Transformers-Bibliothek importiert.

from transformers import RagTokenizer, RagRetriever
from transformers import RagTokenForGeneration
from transformers import RagSequenceForGeneration

Wenn das RagRetriever-Modell mit dem Standarddatensatz „wiki_dpr“ zum ersten Mal instanziiert wird, wird ein umfangreicher Obtain (ca. 300 GB) eingeleitet. Wenn Sie über ein großes Datenlaufwerk verfügen und möchten, dass Hugging Face dieses verwendet (anstelle des Customary-Cache-Ordners auf Ihrem Dwelling-Laufwerk), können Sie eine Shell-Variable festlegen: HF_DATASETS_CACHE.

# within the shell:
export HF_DATASETS_CACHE="/path/to/knowledge/drive"
# ^^ add to your ~/.bashrc file if you wish to set the variable

Stellen Sie sicher, dass der Code funktioniert, bevor Sie den vollständigen wiki_dpr-Datensatz herunterladen. Um den großen Obtain zu vermeiden, bis Sie bereit sind, können Sie beim Instanziieren des Retrievers use_dummy_dataset=True übergeben. Sie werden auch einen Tokenizer instanziieren, um Zeichenfolgen in ganzzahlige Indizes (entsprechend Token in einem Vokabular) und umgekehrt umzuwandeln. Sequenz- und Tokenversionen von RAG verwenden denselben Tokenizer. RAG-Sequenz (rag-sequence) und RAG-Token (rag-token) haben jeweils fein abgestimmte (z.B rag-token-nq) und Basisversionen (z.B Rag-Token-Foundation).

tokenizer = RagTokenizer.from_pretrained(
"fb/rag-token-nq")

token_retriever = RagRetriever.from_pretrained(
"fb/rag-token-nq", 
     index_name="compressed", 
use_dummy_dataset=False)
sequence_retriever = RagRetriever.from_pretrained(
"fb/rag-sequence-nq", 
     index_name="compressed", 
use_dummy_dataset=False)

dummy_retriever = RagRetriever.from_pretrained(
"fb/rag-sequence-nq", 
   index_name="precise", 
use_dummy_dataset=True)

token_model = RagTokenForGeneration.from_pretrained(
"fb/rag-token-nq", 
     retriever=token_retriever)
seq_model = RagTokenForGeneration.from_pretrained(
"fb/rag-sequence-nq", 
     retriever=seq_retriever)
dummy_model = RagTokenForGeneration.from_pretrained(
"fb/rag-sequence-nq", 
   retriever=dummy_retriever)

Sobald Ihre Modelle instanziiert sind, können Sie eine Abfrage bereitstellen, sie tokenisieren und an die Funktion „Generieren“ des Modells übergeben. Wir vergleichen die Ergebnisse von Rag-Sequence, Rag-Token und RAG mithilfe eines Retrievers mit der Dummy-Model des Wiki_Dpr-Datensatzes. Beachten Sie, dass diese Rag-Modelle nicht zwischen Groß- und Kleinschreibung unterscheiden.

question = "what's the identify of the oldest tree on Earth?"
input_dict = tokenizer.prepare_seq2seq_batch(
question, return_tensors="pt")

token_generated = token_model.generate(**input_dict)  token_decoded = token_tokenizer.batch_decode(
token_generated, skip_special_tokens=True)

seq_generated = seq_model.generate(**input_dict)
seq_decoded = seq_tokenizer.batch_decode(
seq_generated, skip_special_tokens=True)

dummy_generated = dummy_model.generate(**input_dict)
dummy_decoded = seq_tokenizer.batch_decode(
dummy_generated, skip_special_tokens=True)

print(f"solutions to question '{question}': ")
print(f"t rag-sequence-nq: {seq_decoded(0)},"
f" rag-token-nq: {token_decoded(0)},"
f" rag (dummy): {dummy_decoded(0)}")

>> solutions to question 'What's the identify of the oldest tree on Earth?': Prometheus was the oldest tree found till 2012, with its innermost, extant rings exceeding 4862 years of age.

>> rag-sequence-nq:  prometheus, rag-token-nq:  prometheus, rag (dummy):  4862

Im Allgemeinen ist Rag-Token häufiger richtig als Rag-Sequence (obwohl beide oft richtig sind) und Rag-Sequence ist bei Verwendung eines Retrievers mit einem Dummy-Datensatz häufiger richtig als RAG.

„Welche Artwork von Kontext liefert der Retriever?“, fragen Sie sich vielleicht. Um das herauszufinden, können wir den Generierungsprozess dekonstruieren. Mit dem wie oben instanziierten seq_retriever und seq_model fragen wir ab: „Wie heißt der älteste Baum der Erde?“

question = "what's the identify of the oldest tree on Earth?"
inputs = tokenizer(question, return_tensors="pt")
input_ids = inputs("input_ids")

question_hidden_states = seq_model.question_encoder(input_ids)(0)

docs_dict = seq_retriever(input_ids.numpy(),
question_hidden_states.detach().numpy(),
return_tensors="pt")
doc_scores = torch.bmm(
question_hidden_states.unsqueeze(1),
docs_dict("retrieved_doc_embeds")
.float().transpose(1, 2)).squeeze(1)

generated = mannequin.generate(
context_input_ids=docs_dict("context_input_ids"),
context_attention_mask=
docs_dict("context_attention_mask"),
doc_scores=doc_scores)

generated_string = tokenizer.batch_decode(
generated,
skip_special_tokens=True)

contexts = tokenizer.batch_decode(
docs_dict("context_input_ids"),
attention_mask=docs_dict("context_attention_mask"),
skip_special_tokens=True)

best_context = contexts(doc_scores.argmax())

Wir können unser Modell so codieren, dass die Variable „bester Kontext“ gedruckt wird, um zu sehen, was erfasst wurde

print(f" based mostly on the retrieved context"
f":nnt {best_context}: n")

basierend auf dem abgerufenen Kontext:

Prometheus (tree) / In a clonal organism, nonetheless, the person clonal stems should not practically so previous, and no a part of the organism is especially previous at any given time. Till 2012, Prometheus was thus the oldest "non-clonal" organism but found, with its innermost, extant rings exceeding 4862 years of age. Within the Fifties dendrochronologists had been making lively efforts to search out the oldest residing tree species as a way to use the evaluation of the rings for numerous analysis functions, such because the analysis of former climates, the courting of archaeological ruins, and addressing the essential scientific query of most potential lifespan. Bristlecone pines // what's the identify of the oldest tree on earth?

print(f" rag-sequence-nq solutions '{question}'"
f" with '{generated_string(0)}'")

Wir können die Antwort auch ausdrucken, indem wir den generated_string Variable. Die Rag-Sequenz-NQ antwortet auf „Wie heißt der älteste Baum der Erde?“ mit „Prometheus“.

Was können Sie mit RAG tun?

In den letzten anderthalb Jahren gab es eine wahre Explosion an LLMs und LLM-Instruments. Das in Lewis verwendete BART-Basismodell et al. betrug nur 400 Millionen Parameter, weit entfernt von der aktuellen Technology von LLMs, die bei „Lite“-Varianten normalerweise im Milliardenparameterbereich beginnen. Außerdem sind viele Modelle, die heute trainiert, zusammengeführt und optimiert werden, multimodal und kombinieren Texteingaben und -ausgaben mit Bildern oder anderen tokenisierten Datenquellen. Die Kombination von RAG mit anderen Instruments kann komplexe Funktionen aufbauen, aber die zugrunde liegenden Modelle sind nicht immun gegen die üblichen LLM-Mängel. Die Probleme der Speichelleckerei, Halluzination und Zuverlässigkeit bei LLMs bleiben alle bestehen und laufen Gefahr, mit der zunehmenden Nutzung von LLMs zuzunehmen.

Die offensichtlichsten Anwendungen für RAG sind Variationen der konversationellen semantischen Suche, aber vielleicht umfassen sie auch die Einbindung multimodaler Eingaben oder die Generierung von Bildern als Teil der Ausgabe. Beispielsweise kann RAG in LLMs mit Fachwissen Softwaredokumentation erstellen, mit der man chatten kann. Oder RAG könnte verwendet werden, um interaktive Notizen in einer Literaturübersicht für ein Forschungsprojekt oder eine Abschlussarbeit zu machen.

Durch die Einbindung der Funktion zum „Denkketten-Argumentieren“ könnten Sie einen eher agentenorientierten Ansatz wählen, um Ihren Modellen die Möglichkeit zu geben, das RAG-System abzufragen und komplexere Frage- und Argumentationsstränge zusammenzustellen.

Es ist auch sehr wichtig, sich bewusst zu machen, dass RAG die üblichen LLM-Fallen (Halluzination, Speichelleckerei usw.) nicht löst und nur als Mittel dient, um Ihr LLM zu lindern oder zu einer nischenspezifischeren Antwort zu führen. Die Endpunkte, die letztendlich wichtig sind, sind spezifisch für Ihren Anwendungsfall, die Informationen, die Sie Ihrem Modell zuführen, und wie das Modell fein abgestimmt wird.

Kevin Vu verwaltet Weblog von Exxact Corp und arbeitet mit vielen seiner talentierten Autoren zusammen, die über verschiedene Aspekte des Deep Studying schreiben.