登录社区云，与社区用户共同成长
邀请您加入社区
为遵守国家网络实名制规定，未绑定将限制内容发布与互动
作者：Alberto Gimeno排版：Alan Wang我们如何重构 GitHub Copilot App 中的差异对比界面，使其能够打开包含数百万行代码、数百条行内审查评论的拉取请求。大规模重构和迁移往往必须作为一个整体变更合并。是将工作拆分为多个较小变更的好方法，这样既能简化代码审查，也能帮助团队以更低的风险交付代码。但有些变更，比如本文介绍的这个案例，很难进行合理拆分。最终，你只能创建一个
作者：卢建晖排版：Alan Wang随着开发者工具迈入智能体 AI 时代，人们很容易陷入一种熟悉的习惯：当任务很重要时，就选择能力最强、通常也最昂贵的模型。但实际的软件开发工作远比这复杂。解释一个函数、编辑 README、添加边界测试、调试跨模块竞态条件，以及审查身份验证逻辑，这些任务对推理能力、上下文、工具使用和可靠性的要求截然不同。如果每一轮交互都使用固定模型，要么会浪费时间和预算，要么会导致
最好的安全工具，是开发者愿意信任并持续使用的工具。更高的精确率意味着更少的干扰性告警；更高的召回率意味着能够捕获更多真实密钥；更低的成本则意味着我们可以持续扩大检测覆盖范围，而不必让扫描成本变得难以承受。对于开发者和安全团队而言，这意味着误报更少，并且能够在密钥最容易被引入的环节获得更快的反馈，包括代码提交、拉取请求以及日常开发工作流。混合式系统具有很大的优势。正则表达式能够提供速度、透明度和广泛
作者：Julien Dubois排版：Alan Wang三位 Java 冠军分享了他们如何利用 GitHub Copilot 解决问题、加快开发进程，并确保人类始终对最终成果负责。AI 编程工具能够快速生成代码，但仅凭速度并不能解决软件工程中最棘手的问题。开发者仍然需要提供上下文、验证结果、保障代码的可维护性，并对最终交付的软件负责。为了了解经验丰富的开发者如何在这些方面取得平衡，我们采访了三位
一个需要澄清的点餐请求、机器人对任务意图的判断，以及多智能体工作流中的本地任务交接，都面临着相同的核心问题：系统拥有各种工具，但仍然需要判断何时使用工具、由谁执行，以及何时停止。Jev 风格的结构化决策提供了一种接口设计思路；SLM 让部分语义判断有机会更靠近设备执行；Microsoft Olive 将微调和模型导出组织为一套工作流；ONNX Runtime 则为模型部署提供了执行路径。一个可衡量
因此，你最终得到的是一个能够执行普通计算机程序所能完成的任何操作的交互界面，而且它还能与 GitHub Copilot 智能体进行双向通信。与其把智能体本身当作工具，不如让智能体构建一个工具，这样以后每次使用它都不需要再消耗 Token，这几乎总是更好的选择。不过，这并不容易，因为当你唯一的交互方式只是一个聊天框时，你很难弄清楚该如何实现这一点。现在可是 2026 年，AI 就像一个神奇的盒子，你
在一文中，TypeSafe 将 Jev 介绍为其首个公开提供的 System One 模型，并以早期访问形式发布。这个名称借鉴了快速思考与审慎思考之间的区别。你不必将其视为对人类大脑运作方式的字面描述。Jev 接收状态和预先定义的问题，然后返回带有概率信息的类型化决策，而不是自由生成自然语言文本。回到餐厅的场景。传统 LLM 可以解释为什么某份餐食符合你的偏好。Jev 则更像一位能够理解你所说的话
作者：Erin Havens排版：Alan Wang开发者并不是变得越来越粗心，而是软件开发的速度已经超出了安全防护的跟进速度。帮助开发者更高效地开发软件的工具，也应当承担更多密钥保护的工作。如今，。一年前，这一比例还不到十分之一。如果这一趋势持续下去，那么在未来两年内，GitHub 上提交的大部分代码都可能由智能体编写。其中相当一部分代码，可能从未被人类完整阅读过。当开发者和智能体的工作速度不断
随着开发者的工作流程不断演变，学会高效地与 AI 协作，并持续提升自身的技术判断力，将有助于你更好地适应变化。将这些理念付诸实践 >
Mobius 可以直接在 ONNX 中构建生成式模型。这里的关键就在于“在”这个字。根据项目仓库自身的描述，Mobius 通过“使用 onnxscript.nn API 为生成式 AI 提供 ONNX 模型定义”，支持构建*“大语言模型、混合专家模型（MoE）、多模态模型、纯编码器模型、编码器—解码器模型、视觉模型、音频模型和扩散模型，并使用 onnxscript.nn.Module 直接构建 O
