CodeWhisperer:强大的AI代码助手,大大提高编程效率

这篇具有很好参考价值的文章主要介绍了CodeWhisperer:强大的AI代码助手,大大提高编程效率。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

什么是 Amazon CodeWhisperer?

亚马逊云科技在2023年4月18日宣布,实时 AI 编程助手 Amazon CodeWhisperer 正式可用,同时推出的还有供所有开发人员免费使用的个人版(CodeWhisperer Individual)。CodeWhisperer 经过数十亿行代码的训练,可以根据您的评论和现有代码实时生成从代码片段到全函数的代码建议。CodeWhisperer 帮助开发者基于注释生成代码,追踪开源参考,扫描查找漏洞。确保了开发人员可以专注于敏捷开发,不会由于搜索示例代码等工作而打断思绪。在创建复杂代码和面对不断变化的开发环境时,开发人员可以在自己喜欢的 IDE(集成开发环境)中使用 CodeWhisperer,例如 Visual Studio Code、IntelliJ IDEA 及其他 IDE,从而提高工作效率、简化工作任务。

具有以下特点:

  • 1、免费:对所有开发人员都可以免费使用。这点很重要!!!

  • 2、为您量身定制的实时 AI 代码生成器,极大提高工作效率。在预览期间,Amazon 举办了一场工作效率挑战赛,使用 Amazon CodeWhisperer 的参与者成功完成任务的可能性要比未使用 CodeWhisperer 的参与者高 27%,平均完成任务的速度快 57%。

  • 3、 支持热门编程语言和 IDE。Amazon CodeWhisperer 支持开发语言有: Python、Java、JavaScript、TypeScript、C#、Go、Rust、PHP、Ruby、Kotlin、C、C++、Shell 脚本、SQL 和 Scala 等开发语言;支持的IDE有Visual Studio Code、IntelliJ IDEA 等。所有开发人员(不仅仅是拥有亚马逊云服务账户或使用亚马逊云服务的人),只需一个电子邮箱地址即可注册。so easy!!!

  • 4、针对 AWS 服务的优质建议:可以帮助程序员过滤出有偏见或不公正的代码建议,提高代码的安全性和准确性。CodeWhisperer 是唯一具备该功能的编程助手。当生成的代码类似于训练集中的参考代码时,它会为代码提供额外的提示(比如代码库 URL 和许可证),帮助降低使用代码的风险,并使开发人员重复利用代码。

  • 5、内置安全扫描:可以对开发人员编写的代码进行安全扫描,找到并建议修复难以检测的漏洞。例如十大开放式 Web 应用程序安全项目 (OWASP) 中的漏洞以及不符合加密库最佳实践的漏洞等。如果 CodeWhisperer 发现了漏洞,它会提供解决问题的建议。

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划

快速上手CodeWhisperer

安装

打开pytcharm,点击File——Settings,如下图:
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划

点击Plugins,然后,在搜索栏里输入aws,找到AWS Toolkit,点击Install安装,如下图:

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
弹出警告框,如下图:
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
点击Accept,继续下一步。等待安装完成。
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
安装完成后,点击Apply。
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
重启Pycharm。到这里就安装完成了。非常easy!!!

配置

重启Pycharm后,在左下角就能看到AWS Toolkit。我们开始配置CodeWhisperer,如下图
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
点击AWS Toolkit——Developer Tools,选择CodeWhisperer,点击Start。

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
选择使用email登录,如上如图.然后,点击Connect
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
点击Open and Copy Code

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
然后将Code粘贴进去。点击Submit and continue。继续下一步!
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
输入注册的电子邮箱,如果没有请注册一个账号!继续下一步!
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
输入邮箱和姓名!下一步!
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
新建密码,和新建账号时的要求一样,可以设置一样的密码!
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
点击Allow。然后网页和Pycharm弹出如下界面:
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
一切OK!Are you OK?

如何使用 Amazon CodeWhisperer

  • 1、将光标放在注释或代码行后面,点击 Enter 键,激活 CodeWhisperer。

  • 2、您可以使用向左箭头键 / 向右箭头键,浏览多个建议(如果可用)。通过按 Tab 键,接受代码建议。通过按 Esc 键 或键入一个字符,放弃建议。

  • 3、在接受或编写新代码后,再次点击 Enter 键,获取下一行建议代码。

  • 4、手动触发 Amazon CodeWhisperer;或者如果未显示建议,可在 MacOS 上点击 Option + C,或在 Windows 上点击 Alt + C。

CodeWhisperer初体验:hello world

配置完成就可以上手了! 体验一下Python的hello world。如下图:
先写一行注释,如下图:

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
然后,点击Enter键,生成函数名。如果你觉得满意,点击Tab键即可使用!在点击Enter键,生成函数体,如下图:
CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划
点击Tab键,写入代码。几个按键就可以完成!代码如下:

# 在main函数中执行,一个hello world
def main():
    print("hello world")

中文和英文混着用,CodeWhisperer可以识别!

Python语言快速入门

我选一些常用的代码作为例子,比如一些文件的读写操作和一些经典的算法,体验CodeWhisperer代码生成能力!

向文件写入数据

将结果保存到txt文件中,这是常用的代码,代码如下:

# 向result.txt文件写入多行数据
def write_lines(lines):
    with open('result.txt', 'a') as f:
        for line in lines:
            f.write(line + '\n')

我说的写入,但是CodeWhisperer给的是追加。这可能是在中文理解上的问题。改成英文的试试,代码如下:

# To write multiple lines of data to the result.txt file
def write_lines(lines):
    with open('result.txt', 'a') as f:
        for line in lines:
            f.write(line + '\n')

好吧!确实有问题!
再试试其他的平台的代码:

with open("result.txt", "w") as file:  
    file.write("第一行数据\n")  
    file.write("第二行数据\n")  
    file.write("第三行数据\n")

我想输入一万行咋办呢?

读取csv文件

使用pandas读取csv文件,代码如下:

# 写一个使用pandas读取csv文件
import pandas as pd

def read_csv(file_path):
    df = pd.read_csv(file_path)
    print(df)
    return df

if __name__ == "__main__":
    read_csv("data.csv")  

基本上,写出了大致的逻辑,还帮你写了if __name__ == "__main__":。同样对比其他平台。

import pandas as pd  
  
# 读取CSV文件  
data = pd.read_csv('your_file.csv')  
  
# 打印数据框的前几行  
print(data.head())

这个就比较简单了!

排序算法之冒泡排序

代码如下:

# 写一个冒泡排序
def bubble_sort(alist):
    n = len(alist)
    for j in range(n-1):
        count = 0
        for i in range(0, n-1-j):
            if alist[i] > alist[i+1]:
                alist[i], alist[i+1] = alist[i+1], alist[i]
                count += 1
        if count == 0:
            return
        print(alist)
        print("第%d趟排序后的结果:" % (j+1))
        print(alist)
        print("=====================")

    return alist
alist = [54,26,93,17,77,31,44,55,20]
print(bubble_sort(alist))

基本上能完整生成!还打印出了中间结果,结果如下:

[26, 54, 17, 77, 31, 44, 55, 20, 93]
第1趟排序后的结果:
[26, 54, 17, 77, 31, 44, 55, 20, 93]
=====================
[26, 17, 54, 31, 44, 55, 20, 77, 93]
第2趟排序后的结果:
[26, 17, 54, 31, 44, 55, 20, 77, 93]
=====================
[17, 26, 31, 44, 54, 20, 55, 77, 93]
第3趟排序后的结果:
[17, 26, 31, 44, 54, 20, 55, 77, 93]
=====================
[17, 26, 31, 44, 20, 54, 55, 77, 93]
第4趟排序后的结果:
[17, 26, 31, 44, 20, 54, 55, 77, 93]
=====================
[17, 26, 31, 20, 44, 54, 55, 77, 93]
第5趟排序后的结果:
[17, 26, 31, 20, 44, 54, 55, 77, 93]
=====================
[17, 26, 20, 31, 44, 54, 55, 77, 93]
第6趟排序后的结果:
[17, 26, 20, 31, 44, 54, 55, 77, 93]
=====================
[17, 20, 26, 31, 44, 54, 55, 77, 93]
第7趟排序后的结果:
[17, 20, 26, 31, 44, 54, 55, 77, 93]
=====================
None

对比其他平台的,代码如下:

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        # 将最大的数移动到末尾
        for j in range(0, n - i - 1):
            if arr[j] > arr[j + 1]:
                arr[j], arr[j + 1] = arr[j + 1], arr[j]
            # 示例


arr = [64, 34, 25, 12, 22, 11, 90]
bubble_sort(arr)
print("排序后的数组:")
for i in range(len(arr)):
    print("%d" % arr[i]),

运行结果:

排序后的数组:
11
12
22
25
34
64
90

CodeWhisperer:强大的AI代码助手,大大提高编程效率,编程哲学,人工智能,原力计划

设计模式之单例模式

模式设计也是日常编程经常用到的,我选择单例模式来测验一下CodeWhisperer,代码如下:

class Singleton(object):
    def __new__(cls, *args, **kwargs):
        if not hasattr(cls, '_instance'):
            orig = super(Singleton, cls)
            cls._instance = orig.__new__(cls, *args, **kwargs)
        return cls._instance
    def __init__(self):
        print('init')
        pass
    def __str__(self):
        return 'Singleton'
    __repr__ = __str__
    pass
class MyClass(Singleton):
    a = 1
    pass
if __name__ == '__main__':
    a = MyClass()
    b = MyClass()
    print(a)
    print(b)
    print(a is b)
    pass

运行结果:

init
init
Singleton
Singleton
True

可以看到a和b是同一个对象,代码是没有问题的!

使用CodeWhisperer快速上手Pytorch

目前,python语言广泛应用在AI上,其中最著名的AI框架是Pytorch。试试CodeWhisperer生成Pytorch代码的能力如何?

pytorch版本的卷积

# 写一个pytorch的卷积
import torch
import torch.nn as nn


class Conv(nn.Module):
    def __init__(self):
        super(Conv, self).__init__()
        self.conv = nn.Conv2d(3, 3, 3)

    def forward(self, x):
        x = self.conv(x)
        return x

Conv+BN+Relu激活函数

Conv+BN+Relu是CNN的标准配置!我们一起看看CodeWhisperer生成的代码怎么样,代码如下:

# 写一个pytorch的block,由卷积、BN和relu激活函数组成
import torch
import torch.nn as nn


class ConvBNReLU(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1):
        super(ConvBNReLU, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, dilation, groups, bias=False)
        self.bn = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        return self.relu(self.bn(self.conv(x)))

轻松搞定!!!

残差Block

ResNet Block,这种残差结构主宰着深度学习模型,无论是CNN还是Transformer都是这种残差结构,我们尝试使用CodeWhisperer生成ResNet的Block,代码如下:

# 写一个pytorch的残差block
import torch
import torch.nn as nn


class ResidualBlock(nn.Module):
    def __init__(self, inchannel, outchannel, stride=1):
        super(ResidualBlock, self).__init__()
        self.left = nn.Sequential(
            nn.Conv2d(inchannel, outchannel, kernel_size=3, stride=stride, padding=1, bias=False),
            nn.BatchNorm2d(outchannel),
            nn.ReLU(inplace=True),
            nn.Conv2d(outchannel, outchannel, kernel_size=3, stride=1, padding=1, bias=False),
            nn.BatchNorm2d(outchannel)
        )
        self.shortcut = nn.Sequential()
        if stride != 1 or inchannel != outchannel:
            self.shortcut = nn.Sequential(
                nn.Conv2d(inchannel, outchannel, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(outchannel)
            )

    def forward(self, x):
        out = self.left(x)
        out += self.shortcut(x)
        out = nn.ReLU(out)
        return out

毫无压力!!!

上大餐:Reset18

让CodeWhisperer直接写一个pytorch版的ResNet18。

# 写一个pytorch的Resnet18
import torch
from torch import nn
from torch.nn import functional as F
class ResnetBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super(ResnetBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.shortcut = nn.Sequential()
        if stride != 1 or in_channels != out_channels:
            self.shortcut = nn.Sequential(
                nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=stride),
                nn.BatchNorm2d(out_channels)
            )
    def forward(self, x):
        out = F.relu(self.bn1(self.conv1(x)))
        out = self.bn2(self.conv2(out))
        out += self.shortcut(x)
        out = F.relu(out)
        return out
    
class Resnet18(nn.Module):
    def __init__(self):
        super(Resnet18, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3)
        self.bn1 = nn.BatchNorm2d(64)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self.make_layer(64, 64, 2, stride=1)
        self.layer2 = self.make_layer(64, 128, 2, stride=2)
        self.layer3 = self.make_layer(128, 256, 2, stride=2)
        self.layer4 = self.make_layer(256, 512, 2, stride=2)

    def make_layer(self, in_channels, out_channels, blocks, stride=1):
        layers = []
        layers.append(ResnetBlock(in_channels, out_channels, stride))
        for i in range(1, blocks):
            layers.append(ResnetBlock(out_channels, out_channels))
            return nn.Sequential(*layers)
        return nn.Sequential(*layers)
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = F.relu(x)
        x = self.maxpool(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)
        return x

只需使用Enter+Tab+方向键就可以完成ResNet18网络的编译!

NMS(非极大值抑制)

NMS是物体检测常用的代码,我们使用CodeWhisperer可以轻松写出来,代码如下:

# NMS函数
import numpy as np


def bbox_iou(bboxes1, bboxes2):
    if bboxes1.shape[1] != 4 or bboxes2.shape[1] != 4:
        raise IndexError

    # 两两框的位置差
    bboxes1_area = (bboxes1[:, 2] - bboxes1[:, 0]) * (bboxes1[:, 3] - bboxes1[:, 1])
    bboxes2_area = (bboxes2[:, 2] - bboxes2[:, 0]) * (bboxes2[:, 3] - bboxes2[:, 1])

    # 两两框的重叠面积后面进行目标检�n
    left_up = np.maximum(bboxes1[:, :2], bboxes2[:, :2])
    right_down = np.minimum(bboxes1[:, 2:], bboxes2[:, 2:])

    # 两两框的重叠面种
    inter_section = np.maximum(right_down - left_up, 0)
    inter_area = inter_section[:, 0] * inter_section[:, 1]

    # 两两框的IOU
    union_area = bboxes1_area + bboxes2_area - inter_area
    ious = inter_area / union_area
    return ious
def nms(bboxes, iou_threshold, sigma=0.3, method='nms'):
    classes_in_img = list(set(bboxes[:, 5]))
    best_bboxes = []

    for cls in classes_in_img:
        cls_mask = (bboxes[:, 5] == cls)
        cls_bboxes = bboxes[cls_mask]

        while len(cls_bboxes) > 0:
            max_ind = np.argmax(cls_bboxes[:, 4])
            best_bbox = cls_bboxes[max_ind]
            best_bboxes.append(best_bbox)
            cls_bboxes = np.concatenate([cls_bboxes[: max_ind], cls_bboxes[max_ind + 1:]])
            iou = bbox_iou(best_bbox[np.newaxis, :4], cls_bboxes[:, :4])
            weight = np.ones((len(iou),), dtype=np.float32)
            assert method in ['nms', 'soft-nms']
            if method == 'nms':
                iou_mask = iou > iou_threshold
                weight[iou_mask] = 0.0
            if method == 'soft-nms':
                weight = np.exp(-(1.0 * iou ** 2 / sigma))
            cls_bboxes[:, 4] = cls_bboxes[:, 4] * weight
            score_mask = cls_bboxes[:, 4] > 0.
            cls_bboxes = cls_bboxes[score_mask]
    return best_bboxes

总结

在这个AI技术飞速发展的时代,我们邀请你一同踏上“用 AI 助力,提升编程效率 —— Amazon CodeWhisperer 探索之旅”的征程。这不仅是一次向AI编程助手——Amazon CodeWhisperer的探索,也是一次向更高效、更智能编程方式的探索。

在这次旅程中,我们一同领略了Amazon CodeWhisperer带来的革命性改变,它以人工智能为驱动,极大地提升了开发者的生产力,降低了开发时间,并提供了一种全新的编程体验。从代码的生成到智能建议,再到错误检测和代码优化,CodeWhisperer都展现出了强大的能力。

通过上面的介绍,相信你已经亲身体验到AI技术在编程中的应用,感受到了CodeWhisperer带来的便捷与高效。让我们共同开启这个全新的编程世界,拥抱AI的变革,用智能编程助力我们的未来。

我们在这里等你,一起开启这场AI与编程的探索之旅,一起见证AI技术在软件开发中的美好未来!

活动地址:https://dev.amazoncloud.cn/experience/codewhisperer-2?sc_medium=corecontent&sc_campaign=product&sc_channel=CSDN文章来源地址https://www.toymoban.com/news/detail-718298.html

到了这里,关于CodeWhisperer:强大的AI代码助手,大大提高编程效率的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 免费:实时 AI 编程助手 Amazon CodeWhisperer

    点 ,一起程序员弯道超车之路 现已正式推出实时 AI 编程助手 Amazon CodeWhisperer,包括 CodeWhisperer 个人套餐,所有开发人员均可免费使用。最初于去年推出的预览版 CodeWhisperer 让开发人员能够保持专注、高效,帮助他们快速、安全地编写代码,无需因离开 IDE 去研究某件事而

    2024年01月23日
    浏览(43)
  • 探索AI编程助手时代:Amazon CodeWhisperer为例

    随着AI技术的不断进化,编程领域也在经历着一场深刻的变革。本文以Amazon CodeWhisperer为例,探讨AI编程助手带来的机遇与挑战。 在计算机科学的初期,代码编写完全是一个手工的过程。程序员们面对一堆堆打孔卡片或早期的计算机终端,手动输入机器语言或汇编语言代码。这

    2024年02月07日
    浏览(44)
  • Amazon CodeWhisperer——省心、省力、省时的AI编程助手

    本篇文章致力于让更多的程序员们在生产实践中能节约更多的宝贵时间,更快、更安全地构建应用程序而发布。Amazon CodeWhisperer它提供了智能提示、代码自动补全和错误检测等功能,以支持开发人员的编码工作。在这里勇哥我特意的推荐给大家,让大家使着舒心,用的开心,

    2024年02月08日
    浏览(59)
  • 实测亚马逊 AI 编程助手 Amazon CodeWhisperer

    CodeWhisperer是一款由亚马逊开发的基于机器学习的通用代码生成器。它能够实时提供代码建议,帮助我们在编写代码时提供自动化的建议。通过分析我们现有的代码和注释,它可以生成各种大小和范围的个性化建议,从单行代码建议到完整的函数。此外,CodeWhisperer还可以扫描

    2024年02月08日
    浏览(55)
  • 使用 AI 编程助手CodeWhisperer,开发如有神助

    前段时间体验了chatGPT,听说它可以写代码,结果发现更多的只是一个对答写小作文的百度助手,虽然也能写代码,但不是我想要的,可以在idea中可以快速生成代码块的。一个偶然的机会,从微信群里了解到,由亚马逊云科技推出的CodeWishPerer开发插件,可以在多个开发环境中

    2024年02月16日
    浏览(36)
  • 亚马逊实时 AI 编程助手 CodeWhisperer使用体验

    最近ChatGPT展现出强大AI能力给我们带来了深刻的影响,AI现在不是一个概念,基于AI的产品一定在各行各业帮助工作人员更快更好的完成繁琐的复杂的任务,提升工作效率,而在AI技术的发源地也就是码农圈,也早已经出现了一些好用的AI驱动的编程助手,这些助手可以在IDE中

    2024年02月03日
    浏览(47)
  • 免费的实时AI编程助手:Amazon CodeWhisperer使用体验

    前言   随着大型语言模型(LLM)的普及,AI编程助手作为LLM技术的一个突出应用场景,正在逐渐改变开发者们的工作方式。本文将深入探讨由亚马逊推出的实时AI编程助手:Amazon CodeWhisperer。让我们一起来探索它的功能、优势以及对编程方式的潜在影响。 什么是 Amazon CodeW

    2024年02月08日
    浏览(49)
  • 亚马逊AI编程助手Amazon CodeWhisperer全网最全评测

    CodeWhisperer访问地址 CodeWhisperer是亚马逊开发的一款基于机器学习的通用代码生成器,为开发者提供了自动化的代码建议。它分析现有代码和注释,生成个性化建议,涵盖了单行代码建议到完整函数等多个范围。此外,它还可扫描代码以突出显示和定义安全问题。CodeWhisperer支持

    2024年02月08日
    浏览(63)
  • 实测 亚马逊AI 编程助手 Amazon CodeWhisperer(全网最全)

    CodeWhisperer是亚⻢逊出品的一款基于机器学习的通用代码生成器,可实时提供代码建议。 在编写代码时,它会自动根据我们现有的代码和注释生成建议。从单行代码建议到完整的函数,它可为我们提供各种大小和范围的个性化建议。 CodeWhisperer 还可以扫描我们的代码以突出显

    2024年02月09日
    浏览(66)
  • 遥遥领先!探索Amazon CodeWhisperer魔力,你的私人AI编程助手!

    随着今年人工智能技术的大火,越来越多的领域正在接受和利用这项强大的AI科技,以实现更高效、更智能的工作方式。在软件开发领域,AI技术更是为我们的工作带来了前所未有的变革。从自动代码生成到智能编程助手,AI正在逐步改变开发者的工作方式,提高开发效率和代

    2024年02月08日
    浏览(57)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包