Einführung

Die Nachfrage nach effizienter Softwareentwicklung führt dazu, dass künstliche Intelligenz als wertvoller Programmierpartner eingesetzt wird. KI-betriebene Codierungsassistenten revolutionieren die Entwicklung, indem sie das Schreiben, Debuggen und die Optimierung von Code vereinfachen, ?hnlich wie ein menschlicher Paarprogrammierer. Dieser Artikel zeigt, dass ein KI -Paarprogrammierer mit Crewai -Agenten erstellt wird, um Codierungsaufgaben zu optimieren und die Produktivit?t der Entwickler zu steigern.

überblick

Dieser Leitfaden umfasst:

• Das Verst?ndnis der Rolle von Crewai bei der Unterstützung der Codierungsaufgaben.
• Identifizieren von Schlüsselkomponenten: Agenten, Aufgaben, Werkzeuge und Crews sowie deren Interaktionen.
• Praktische Erfahrungen auf der Einrichtung von KI -Agenten für die Erzeugung und überprüfung von Code.
• Konfigurieren mehrerer KI -Agenten für die kollaborative Codierung.
• Verwendung von Crewai, um die Codequalit?t zu bewerten und zu optimieren.

Inhaltsverzeichnis

• Qualitative Beispiele für NVLM 1,0 d 74b
• Vergleich von NVLM mit anderen LLMs
• Einschr?nkungen anderer multimodaler LLMs
• Diese Einschr?nkungen angehen
• NVLM: Modelle und Trainingsmethoden
• Trainingsdaten
• Ergebnisse
• Zugriff auf NVLM D 72B
  • Importieren notwendige Bibliotheken
  • Model Sharding
  • Bildvorverarbeitung
  • Dynamisches Bildfliesen
  • Lade- und Vorverarbeitungsbilder
  • Laden und Verwenden des Modells
  • Text- und Bildgespr?che
• H?ufig gestellte Fragen

KI -Paar -Programmiererfunktionen

Ein KI -Paarprogrammierer bietet mehrere Vorteile:

1. Codegenerierung: Generieren Sie Code für ein bestimmtes Problem mit einem AI -Agenten und überprüfen Sie ihn mit einem anderen.
2. Codeverbesserung: Bewerten Sie den vorhandenen Code basierend auf festgelegten Kriterien.
3. Codeoptimierung: Anforderungscodeverbesserungen, z. B. Hinzufügen von Kommentaren oder Dokument.
4. Debugging: Empfangen Sie Vorschl?ge zur L?sung von Codefehlern.
5. Testfallgenerierung: Generieren Sie Testf?lle für verschiedene Szenarien, einschlie?lich testgesteuerter Entwicklung.

Dieser Artikel konzentriert sich auf die ersten beiden Funktionen.

Was ist Crewai?

Crewai ist ein Rahmen für die Erstellung von KI -Agenten. Seine Schlüsselkomponenten sind:

• Agent: Ein Agent verwendet ein gro?es Sprachmodell (LLM), um Ausg?nge basierend auf Eingabeanforderungen zu erzeugen. Es interagiert mit Tools, akzeptiert Benutzereingaben und kommuniziert mit anderen Agenten.
• Aufgabe: Definiert das Ziel des Agenten, einschlie?lich Beschreibung, Agenten und verwendbaren Tools.
• Tool: Agenten verwenden Tools für Aufgaben wie Websuche, Lesen von Dateien und Codeausführung.
• Crew: Eine Gruppe von Agenten, die an Aufgaben zusammenarbeiten und Interaktion, Informationsaustausch und Verantwortungsdelegation definieren.

Lesen Sie auch: Aufbau kollaborativer KI -Agenten mit Crewai

Erstellen wir einen Agenten, um diese Konzepte zu veranschaulichen.

Voraussetzungen

Vor dem Erstellen eines AI -Paarprogrammierers erhalten Sie API -Schlüssel für LLMs.

Zugriff auf eine LLM über API

Generieren Sie einen API -Schlüssel für Ihre ausgew?hlte LLM und speichern Sie sie sicher in einer .env -Datei für den Projektzugriff, w?hrend Sie die Privatsph?re beibehalten.

Beispiel .Env -Datei

Eine Beispiel .env -Datei:

Erforderliche Bibliotheken

Die folgenden Bibliotheksversionen werden verwendet:

• Crewai - 0,66,0
• Crewai-Tools-0,12,1

Automatisierung der Codeerstellung

In diesem Abschnitt wird importieren und Agenten für die Erzeugung und überprüfung von Code für die Code -überprüfung definieren.

Bibliotheken importieren

 aus dotenv import load_dotenv
load_dotenv ('/. env')

von Crewai Importagenten, Aufgabe, Crew

Definieren des Codeautor -Agenten

Ein Agent generiert Code, ein anderes überprüft es.

 code_writer_agent = agent (rollen = "Software -Ingenieur",
                          Ziel = 'Schreiben optimierter und aufrechterhaltener Code, einschlie?lich Docstrings und Kommentare', 
                          Backstory = "" "Sie sind ein Software -Ingenieur, der optimierten, wartbaren Code mit Docstrings und Kommentaren schreibt." "",
                          llm = 'gpt-4o-mini',
                          w?rtlich = wahr)

Agentenparameter erl?utert

• Rolle: Definiert die Funktion des Agenten.
• Ziel: Gibt das Ziel des Agenten an.
• Hintergrundgeschichte: Bietet Kontext für eine bessere Interaktion.
• LLM: Gibt die verwendete LLM an (siehe Litellm -Dokumentation für Optionen).
• Ausführlich: Aktiviert eine detaillierte Eingangs-/Ausgangs -Protokollierung.

Definieren Sie die Aufgabe des Codeschreibers

 code_writer_task = task (Beschreibung = 'Code schreiben, um das Problem in {Sprache}. Problem: {Problem}',
                        erwartet_output = 'gut formatiertes Code mit Typ-Hinweis',
                        Agent = code_writer_agent)

Aufgabenparameter erl?utert

• Beschreibung: Aufgaben objektiv mit Variablen ({Sprache}, {Problem}).
• erwartet_output: gewünschtes Ausgabeformat.
• Agent: Der der Aufgabe zugewiesene Agent.

Definieren Sie den Agenten und die Aufgabe des Code -Reviewers und der Aufgabe

Definieren Sie in ?hnlicher Weise code_reviewer_agent und code_reviewer_task .

 code_reviewer_agent = agent (rollen = "Senior Software Engineer",
                            Ziel = "Stellen Sie sicher, dass der Code optimiert und wartbar ist", 
                            Backstory = "" "Sie sind ein leitender Ingenieur, der Code für Lesbarkeit, Wartbarkeit und Leistung überprüft." "",
                            llm = 'gpt-4o-mini',
                            w?rtlich = wahr)

code_reviewer_task = task (Beschreibung = "" "" "" Code überprüft, das für das Problem in {Sprache}. Problem: {Problem "" ",", ",", ",", ",", ",", ",", ",", ",
                          erwartet_output = 'bewerteter Code',
                          Agent = code_reviewer_agent)

Bauen und Laufen der Besatzung

Erstellen und führen Sie die Crew aus:

 Crew = Crew (Agents = [code_writer_agent, code_reviewer_agent], 
            tasks = [code_writer_task, code_reviewer_task], 
            w?rtlich = wahr)

result = crew.kickoff (inputs = {'Problem': 'Erstellen Sie ein Tic-Tac-Toe-Spiel', 'Sprache': 'Python'})

Beispielausgabe:

Ergebnisanalyse

Das result enth?lt:

 result.dict (). keys ()
>>> dict_keys (['raw', 'pydantic', 'json_dict', 'tasks_output', 'token_usage'])

# Token -Nutzung
result.dict () ['token_usage']
>>> {'Total_tokens': 2656, ...}

# Endgültige Ausgabe
print (result.raw)

Der generierte Code kann dann ausgeführt werden.

Automatisierte Code -Bewertung

Dieser Abschnitt umfasst die Bewertung des vorhandenen Code.

Definieren von Bewertungsanforderungen

Erfassen Sie zun?chst die Anforderungen mit einem Agenten und bewerten Sie den Code anhand dieser Anforderungen mit einem anderen Agenten.

Verwenden von Werkzeugen

Das FileReadTool liest Dateien. Tools verbessern die Agentenfunktionen. Tools k?nnen Aufgaben und Agenten zugeordnet werden. Zuweisungen auf Aufgabenebene überschreiben Agenten-Ebenen.

Einrichten der Anforderungen für den Sammeln von Agenten und Aufgaben

 aus crewai_tools import fileReadtool

code_requirements_agent = Agent (rollen = "Datenwissenschaftler",
                          Ziel = 'Definieren Sie die Codeanforderungen für ein bestimmtes Problem.',, 
                          backstory = "" "Sie sind ein Datenwissenschaftler, der Anforderungen an Code definiert, um ein Problem zu l?sen." "",
                          llm = 'gpt-4o-mini',
                          w?rtlich = wahr)

code_requirement_task = task (Beschreibung = 'Schritt-für-Schritt-Anforderungen schreiben. Problem: {Problem}',,
                            erwartet_output = 'formatierter Anforderungstext.',,
                            Agent = code_requirements_agent,
                            Human_input = true)

human_input=True erm?glicht die Eingabe der Benutzer für Anpassungen.

Code -Bewertung

In diesem Beispiel wird FileReadTool und gpt-4o für eine bessere Behandlung gr??erer Kontexte verwendet.

 file_read_tool = fileReadtool ('eda.py')

code_evaluator_agent = Agent (rollen = "Data Science Evaluator",
                            Ziel = 'Code basierend auf den bereitgestellten Anforderungen bewerten ", 
                            Backstory = "" "Sie sind ein Data Science Evaluator, der Code über bestimmte Anforderungen überprüft." "",
                            llm = 'gpt-4o',
                            w?rtlich = wahr)

code_evaluator_task = task (Beschreibung = "" "Die Codedatei basierend auf den Anforderungen bewerten. Geben Sie nur die Bewertung an, nicht den Code." "",
                           erwartet_output = 'detaillierte Bewertung basierend auf den Anforderungen.',,
                           Tools = [Datei_read_tool],
                           Agent = code_evaluator_agent)

Aufbau der Bewertungsbesatzung

Erstellen Sie die Crew und definieren Sie das Problem:

 Crew = Crew (Agents = [code_requirements_agent, code_evaluator_agent], 
            tasks = [code_requirement_task, code_evaluator_task], 
            w?rtlich = wahr)

problem = "" "Führen Sie EDA im NYC -Taxi -Reisedauer -Datensatz aus ..." "" # (Datensatzbeschreibung für die Kürze weggelassen)

result = crew.kickoff (inputs = {'Problem': Problem})

Ausgabe

Die Ausgabe zeigt menschliche Eingabeaufforderungen an:

Aufgabenausg?nge k?nnen einzeln zugegriffen werden:

 print (code_requirement_task.output.raw)
print (result.raw)

Abschluss

Crewai bietet einen leistungsstarken Rahmen für die Verbesserung der Softwareentwicklung durch AI-gesteuerte Codegenerierung, -überprüfung und -bewertung. Durch die Definition von Rollen, Zielen und Aufgaben k?nnen Entwickler Workflows optimieren und die Produktivit?t steigern. Die Integration eines KI -Paarprogrammierers in Crewai verbessert die Effizienz und die Codequalit?t. Die Flexibilit?t von Crewai erleichtert eine nahtlose KI-Agent-Zusammenarbeit und führt zu optimiertem, wartbarem und fehlerfreiem Code. W?hrend sich die KI weiterentwickelt, werden die Paarprogrammierkapazit?ten von Crewai für Entwickler immer wertvoller.

H?ufig gestellte Fragen

Q1. Was ist Crewai und seine Rolle bei der Softwareentwicklung? Crewai ist ein AI -Agent -Framework, das Entwicklern bei der Schreib-, überprüfungs- und Bewertung des Code -Schreibens und der Steigerung der Produktivit?t unterstützt.

Q2. Was sind die Schlüsselkomponenten von Crewai? Agenten, Aufgaben, Werkzeuge und Crews. Agenten führen Aktionen aus; Aufgaben definieren Ziele; Tools erweitern die Agentenfunktionen; Crews erm?glichen die Zusammenarbeit mit Agenten.

Q3. Wie richte ich einen Code-erzeugenden KI-Agenten ein? Definieren Sie die Rolle des Agenten, das Ziel, die Hintergrundgeschichte und die LLM und erstellen Sie dann eine entsprechende Aufgabe, die das Problem und die erwartete Ausgabe angibt.

Q4. K?nnen Crewai -Agenten zusammenarbeiten? Ja, durch "Crews", damit Agenten verschiedene Aspekte einer Aufgabe effizient umgehen k?nnen.

Q5. Welche Tools sind verfügbar? Verschiedene Tools verbessern die Funktionen der Agenten, einschlie?lich Dateilesen, Websuche und Codeausführung.

Das obige ist der detaillierte Inhalt vonBauen Sie AI -Paarprogrammierer mit Crewai - Analytics Vidhya. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!