概述
它很重要,因為它能在編碼工具中將大規模重寫的延遲減少一個數量級。
深入探討
當人工智慧編輯檔案時,它輸出的大多數標記通常與原始程式碼相同;實際上只有幾行發生了變化。 Naive 產生會逐一令牌重新發出整個檔案令牌,這對於大檔案來說很慢。推測性編輯利用未更改的結構:現有來源充當模型將輸出內容的高品質「草稿」。系統將原始程式碼區塊作為推測性猜測提供,並讓模型在一次前向傳遞中驗證其中的許多程式碼。如果模型同意,這些代幣就會立即被接受;如果不一致,它會正常產生校正的跨度。這是推測性解碼的一個專門用於程式碼的表親,但它不是一個單獨的小草稿模型,而是基本上免費來自正在編輯的文件,從而在編輯繁重的任務上產生很大的加速。
現實世界的實施
IDE 助理重寫 500 行檔案以重新命名函數,在幾次傳遞中接受所有未變更的行,並且僅產生重命名的跨距。
「修復此 lint 錯誤」指令幾乎立即產生更正的文件,因為 99% 的程式碼被重複使用為推測草案。
自主編碼代理在儲存庫中應用數十個小差異,每次編輯延遲較低,從而保持整體任務的快速完成。
一種重構工具,可以重新格式化並向大型模組添加類型提示,並行驗證大量未更改的邏輯而不是重新生成它。
程式碼模型推測性編輯的未來
大量編輯的代理和 IDE 助理將依靠這一點來近乎即時地應用大的差異,即使是在千行文件上。期望與結構化差異格式、尊重語法邊界的樹感知提案以及與檢索的組合更緊密地集成,以便推測草案包括可能的重構。由於自主編碼代理對每個任務進行多次編輯,推測性編輯成為保持多步驟工作流程響應靈敏且運行成本更低的關鍵槓桿。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是程式碼模型的推測性編輯?
推測性編輯透過預測文件的大部分內容將保持不變並僅驗證不同的小部分,使 AI 程式碼編輯感覺即時。這很重要,因為它可以將編碼工具中大型重寫的延遲縮短一個數量級。
哪些關鍵觀察使推測性編輯有效?
編輯通常只更改幾行,因此絕大多數輸出標記與原始來源相符並且可以重複使用。
與普通的推測性解碼相比,推測性編輯中的「草稿」來自哪裡?
原始文件本身基本上是免費提供推測性建議,而不是單獨的草案模型。
標準自回歸解碼如何產生標記?
經典解碼是順序的,每次前向傳遞產生一個令牌,這使得大輸出變慢。
在推測方法中,模型驗證正確的一系列提議令牌會發生什麼?
經過驗證的提案會被並行接受,因此許多匹配的令牌只需花費一次而不是多次。
透過推測性編輯,生成成本與什麼最接近?
未更改的跨度可以廉價地接受,因此實際生成的工作會根據實際更改的數量而不是檔案長度進行擴展。