Copilot使用体验

本篇是去年使用Copilot的记录,不代表目前水平,仅做个人记录同步,谨慎参考。

GitHub Copilot的订阅计划

https://docs.github.com/en/copilot/about-github-copilot/subscription-plans-for-github-copilot
个人版提供30天的免费试用。个人版每月10 美元或每年 100 美元。

Copilot操作文档

https://docs.github.com/en/copilot/quickstart
目前支持JetBrains IDEs,Vim/Neovim,Visual Studio,Visual Studio Code,Xcode。安装插件,登录Github账号就可以使用了,需要开代理。

基本操作

  • 获取代码建议,输入代码时会自动触发,使用“Tab”键采纳。
  • 切换建议,macOS使用“Option+]”或“Option+[”,windows使用“Alt+]” 或 “Alt+[”切换下一条,上一条。
  • 聊天模式,可以引用文件,生成测试代码,解释代码,修复问题。

基本操作,支持功能和同类型工具都大差不差,主要关注实际提示代码质量。

其他设置

  • 启用或禁用公共代码匹配的建议,如果选择允许匹配公共代码的建议,当Copilot建议匹配代码时,可以显示匹配的详细信息,并点击到GitHub上的相关存储库。
  • 访问Bing,Copilot将使用Bing在互联网上搜索与问题相关的信息。在讨论新技术或特定的主题时,Bing搜索尤其有用。

Copilot优缺点

优点

  • 提示速度快,支持语言丰富。
  • 偏向提示多行代码块,方便快捷。
  • 相对其他同类型工具提示更精准。
  • 会根据项目代码不断优化提示,做到更贴近所想。

缺点

  • 需要使用代理,没有国内的工具访问方便。
  • Copilot 是使用大量代码训练的,但它的范围仍然有限。 它可能无法处理一些复杂的代码结构或模糊的编程语言。
  • Copilot 并不是没有错误的。可能会生成看起来有效但实际无效的代码。 为了降低代码不准确的风险,需要仔细查看和测试生成的代码。
  • 由于上下文的限制,copilot不能全局考虑问题,更多的是解决局部的问题。会存在方法未复用的情况。

辅助编程相关场景举例说明

一般有三大类:

  • 代码-代码:包含代码补全、代码修复
  • 代码-文本:代码解释、代码优化、代码异常排查
  • 文本-代码:通过提示词 Prompt 做代码生成 (单元测试等)

支持语言

常用语言都支持(Java,python,JavaScript,Go,C, Kotlin等),亲测Flutter的Dart语言也可以很好的支持。

代码补全

场景:数据上报点击删除按钮时,pageinfo传入课程id(多个课程id用逗号分隔)
操作:当我输入到map方法做转换时,Copilot猜到我的意图,给出了下面的提示。

在这里插入图片描述


提示和预期完全一致,比较惊喜的地方在于,下载对象中属性字段很多,并且有“id”这个字段作为相似项干扰。
在我没有告知Copilot我的需求情况下,最终可以准确提示,还是很智能的。

代码修复

下面这段代码在实际运行中会报错崩溃,我们根据报错行数找到这段问题代码:

val goal ="${list[0].option.filter{ it.selected }[0]?.id ?: 1}"// java.lang.IndexOutOfBoundsException: Index 0 out of bounds for length 0

选中这行问题代码,输入“/fix”修复这个问题。

在这里插入图片描述


可以看到copilot解释了问题的原因,并给出了解决方案。

代码生成

可以通过写注释的方式,让Copilot帮我们生成相关代码。Copilot会根据上下文,给到合理的代码。

在这里插入图片描述

Read more

Stable Diffusion提速秘籍:普通开发者也能榨干GPU的并行计算技巧

Stable Diffusion提速秘籍:普通开发者也能榨干GPU的并行计算技巧

Stable Diffusion提速秘籍:普通开发者也能榨干GPU的并行计算技巧 * Stable Diffusion提速秘籍:普通开发者也能榨干GPU的并行计算技巧 * 引言:进度条像老奶奶过马路,谁受得了? * 先搞清楚:Stable Diffusion到底在忙啥? * GPU并行不是喊口号,得先认识你的“硅片老婆” * 1. 先跑个硬件体检,别蒙眼狂奔 * 2. 把batch size当成“ warp 对齐”的乐高 * 多线程、多进程、异步流水线:别让主线程谈恋爱 * 1. WebUI默认是“单线程恋爱脑” * 2. 把三步拆成“异步流水线” * 3. 多进程预编码,把CLIP榨干 * 模型量化+内存复用:显存省一半,速度翻一倍 * 1. FP16是基操,INT8才是“妖术” * 2. 内存池复用:别让malloc打瞌睡 * 真实落地:从API到本地工具,

By Ne0inhk
鸿蒙金融理财全栈项目——安全合规与用户体验优化

鸿蒙金融理财全栈项目——安全合规与用户体验优化

《鸿蒙APP开发从入门到精通》第26篇:鸿蒙金融理财全栈项目——安全合规与用户体验优化 🚀🔒📊 内容承接与核心价值 这是《鸿蒙APP开发从入门到精通》的第26篇——安全合规与用户体验优化篇,100%承接第25篇的持续集成、持续部署、持续交付优化架构,并基于金融场景的安全合规与用户体验优化要求,设计并实现鸿蒙金融理财全栈项目的安全合规与用户体验优化功能。 学习目标: * 掌握鸿蒙金融理财项目的安全合规优化设计与实现; * 实现金融级数据加密、权限管理、安全审计; * 理解用户体验优化在金融场景的核心设计与实现; * 实现界面优化、交互优化、性能优化; * 掌握安全合规与用户体验的协同优化策略; * 优化金融理财项目的用户体验与安全合规性。 学习重点: * 鸿蒙金融理财项目的安全合规优化设计原则; * 用户体验优化在金融场景的应用; * 安全合规与用户体验的协同优化策略。 一、 安全合规优化基础 🎯 1.1 安全合规优化定义 安全合规优化是指对金融理财项目的安全与合规性进行优化,确保应用符合金融行业标准和法规,主要包括以下方面: * 金融

By Ne0inhk

100倍提速!OpenAI Consistency Model终结AI绘画等待时代

100倍提速!OpenAI Consistency Model终结AI绘画等待时代 【免费下载链接】diffusers-cd_imagenet64_lpips 项目地址: https://ai.gitcode.com/hf_mirrors/openai/diffusers-cd_imagenet64_lpips 导语 当设计师还在为Stable Diffusion的50步迭代等待3分钟时,OpenAI开源的Consistency Model(一致性模型)已实现单步出图,将图像生成时间压缩至0.1秒。这种基于ImageNet 64x64数据集训练的高效生成模型,正通过"噪声直接映射数据"的创新架构,重新定义2025年生成式AI的效率标准。 行业现状:被速度制约的创意生产力 2025年的生成式AI市场正陷入"质量与速度"的二元困境。根据行业调研,专业设计师使用传统AI工具完成单张效果图平均耗时3-5分钟,而家居卖场的实时设计咨询需要1秒级响应。医疗影像领域更面临严峻挑战——低剂量CT图像重建任务中,传统扩散模型20秒的处理时间远无法满足临床诊断的1秒延迟要求。 微软研究院在

By Ne0inhk

node-llama-cpp安装与配置:Windows、Linux和Mac全平台教程

node-llama-cpp安装与配置:Windows、Linux和Mac全平台教程 【免费下载链接】node-llama-cppRun AI models locally on your machine with node.js bindings for llama.cpp. Force a JSON schema on the model output on the generation level 项目地址: https://gitcode.com/gh_mirrors/no/node-llama-cpp node-llama-cpp是一个基于llama.cpp的Node.js绑定库,让你能够在本地机器上运行AI模型,并在生成级别强制模型输出符合JSON模式。本文将为你提供Windows、Linux和Mac全平台的安装与配置教程,帮助你快速上手这款强大的AI工具。 一、准备工作 在开始安装node-llama-cpp之前,请确保你的系统满足以下要求:

By Ne0inhk