Devika AI:开源的 AI 软件开发工具,理解和执行复杂的人类指令

本文涉及的产品
NLP自然语言处理_高级版,每接口累计50万次
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_基础版,每接口每天50万次
简介: Devika AI 是一款开源的 AI 软件开发工具,能够理解和执行复杂的人类指令。它通过分解任务、信息搜集和代码生成,帮助开发者提高效率,减少人工干预。本文将详细介绍 Devika AI 的功能、技术原理以及如何运行和配置该工具。

❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日跟你分享最新的 AI 资讯和开源应用,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦


🚀 快速阅读

  1. 功能:理解复杂指令并将其转化为可执行步骤。
  2. 技术:支持多种大型语言模型,具备自然语言处理和推理能力。
  3. 应用:自动化代码生成、重构、Bug 修复和项目维护。

正文(附运行示例)

Devika AI 是什么

公众号: 蚝油菜花 - devika

Devika AI 是由印度 Stition AI 团队推出的开源 AI 软件开发工具,旨在理解和执行复杂的人类指令。它能够将高级指令分解为具体的步骤,进行信息搜集和研究,最终编写代码以实现目标。Devika AI 提供 AI 结对编程功能,致力于革新软件开发流程,减少人工干预,提升效率。

Devika AI 支持多种先进语言模型,具备自然语言处理、规划和推理能力,能够自动拆解任务并执行。它不仅能够理解复杂指令,还能进行任务分解、信息搜集、代码生成和 AI 规划与推理。

Devika AI 的主要功能

  • 理解高级指令:能够理解复杂的人类指令,并将其转化为可执行的步骤。
  • 任务分解:将高级目标拆解成具体的、可操作的任务。
  • 信息搜集与研究:基于互联网搜集相关信息,进行研究以支持任务执行。
  • 代码生成:编写代码实现特定的目标和功能,支持多种编程语言。
  • AI 规划与推理:使用先进的 AI 规划和推理算法来指导任务的执行。
  • 模型支持:支持多种大型语言模型,如 Claude、GPT-3.5/4 和 Ollama 的本地 LLMs。

Devika AI 的技术原理

  • 自然语言处理:使用先进的 NLP 技术理解人类指令。
  • 任务规划与推理:通过 AI 算法将复杂任务分解为可执行步骤。
  • 信息搜集:利用搜索引擎和互联网资源进行信息搜集。
  • 代码生成:基于搜集的信息和任务分解结果生成代码。
  • 模型集成:支持多种大型语言模型,提供灵活的模型选择。

如何运行 Devika AI

环境配置

确保满足以下要求:

  • Python >= 3.10 且 < 3.12
  • NodeJs >= 18
  • bun

安装步骤

  1. 克隆 Devika 仓库:
    git clone https://github.com/stitionai/devika.git
    
  2. 进入项目目录:
    cd devika
    
  3. 创建虚拟环境并安装依赖:
    uv venv
    source .venv/bin/activate  # macOS 和 Linux
    .venv\Scripts\activate     # Windows
    uv pip install -r requirements.txt
    
  4. 安装 Playwright 以支持浏览器功能:
    playwright install --with-deps
    
  5. 启动 Devika 服务器:
    python devika.py
    
  6. 启动前端:
    cd ui/
    bun install
    bun run start
    
  7. 访问 Devika 网页界面:http://127.0.0.1:3001

使用教程

  1. 打开 Devika 网页界面。
  2. 创建新项目。
  3. 配置搜索引擎和模型。
  4. 在聊天界面中输入高级任务描述。
  5. 监控 Devika 的进度,查看生成的代码。
  6. 提供反馈或进一步指导。
  7. 完成任务后,审查生成的代码和项目文件。

资源


❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日跟你分享最新的 AI 资讯和开源应用,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦

相关文章
|
1天前
|
机器学习/深度学习 人工智能 前端开发
【AI系统】AI 编译器基本架构
本文承接前文关于AI编译器发展的三个阶段,深入探讨通用AI编译器架构。文章首先回顾现有AI编译器架构,如PyTorch的转换流程及优化策略,然后介绍理想化的通用AI编译器架构,涵盖从前端接收多框架模型输入到后端生成特定硬件代码的全过程。重点解析了编译器的中间表达IR、前端与后端优化技术,以及现有AI编译器全栈产品的层次结构,为读者提供了全面的技术概览。
10 2
|
1天前
|
人工智能 编译器 芯片
【AI系统】为什么需要 AI 编译器
本文探讨了AI编译器的黄金年代及其必要性,通过对比传统编译器与AI编译器的区别,揭示了AI编译器在处理复杂神经网络模型时的优化能力和对异构计算平台的支持。随着AI硬件的多样化和软件碎片化问题的加剧,AI编译器成为连接上层应用与底层硬件的关键桥梁,旨在提高性能、降低成本并增强软件的可移植性。
11 2
|
1天前
|
机器学习/深度学习 人工智能 编译器
【AI系统】AI 编译器历史阶段
本文概述了AI编译器的发展历程,从朴素AI编译器、专用AI编译器到未来的通用AI编译器,详细介绍了各阶段的技术特点与优化目标。AI编译器旨在优化AI和机器学习应用,通过多层IR设计、面向神经网络的深度优化及对DSA芯片的支持,实现高性能计算。随着技术的进步,通用AI编译器将实现计算图与算子的统一表达、自动化优化及模块化设计,推动AI技术的广泛应用和发展。
9 2
|
7天前
|
机器学习/深度学习 人工智能 算法
【AI系统】AI 系统与程序代码关系
本文探讨了AI系统与程序代码之间的关系,通过PyTorch实现LeNet5神经网络模型为例,详细介绍了AI训练流程原理、网络模型构建方法、算子实现的系统问题以及AI系统执行的具体计算过程。文章不仅解释了神经网络的前向传播和反向传播机制,还深入分析了算子在AI框架中的作用及其底层实现,包括卷积层的具体计算和优化问题。此外,文章对比了使用PyTorch与直接使用cuDNN+CUDA编程实现神经网络模型的差异,强调了AI框架在提高开发效率、自动化内存管理和实现自动微分等方面的重要性。
23 1
|
26天前
|
人工智能 自然语言处理 自动驾驶
深入理解ChatGPT:下一代人工智能助手的开发与应用
【10月更文挑战第27天】本文深入探讨了ChatGPT的技术原理、开发技巧和应用场景,展示了其在语言理解和生成方面的强大能力。文章介绍了基于Transformer的架构、预训练与微调技术,以及如何定制化开发、确保安全性和支持多语言。通过实用工具如GPT-3 API和Fine-tuning as a Service,开发者可以轻松集成ChatGPT。未来,ChatGPT有望在智能家居、自动驾驶等领域发挥更大作用,推动人工智能技术的发展。
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
NotebookLM与NotebookLlama 了解下 | AI工具
在AI技术飞速发展的今天,Google和Meta分别推出了基于大型语言模型的笔记本应用——NotebookLM和NotebookLlama。这两款产品不仅提供了强大的文档处理和编码支持,还在文档和编码领域引领了创新。NotebookLM强调个性化和隐私保护,而NotebookLlama则以开源和高度定制性著称。本文将深入解析这两款产品并进行对比分析。【10月更文挑战第16天】
116 2
|
2月前
|
机器学习/深度学习 人工智能 算法
【AI系统】AI 框架与编译器的作用
AI框架如PyTorch和TensorFlow提供丰富的API,简化神经网络模型的实现与训练,抽象硬件操作并自动管理内存。AI编译器将高级语言编写的模型转换为硬件可执行代码,通过多层次优化提升性能。这使得算法工程师可以专注于模型设计与创新,而无需关注底层计算细节。AI框架和编译器不仅提高开发效率,还能充分利用硬件资源,是推动AI系统性能提升的关键技术。访问昇腾社区官网或下载APP,获取更多AI学习资源和参与各类活动。
64 0
|
2月前
|
机器学习/深度学习 人工智能 测试技术
AI是在帮助开发者还是取代他们?
AI是在帮助开发者还是取代他们?
|
4月前
|
人工智能 Cloud Native Linux
SAS对生成式AI前景分析问题之龙蜥操作系统对大模型AI的支持如何解决
SAS对生成式AI前景分析问题之龙蜥操作系统对大模型AI的支持如何解决
25 0
|
6月前
|
人工智能 算法 定位技术
[AI aider] 打造终端AI搭档:Aider让编程更智能更有趣!
发现Aider,一个能在终端中与AI搭档编程的工具,让你的编程体验更智能、更有趣。
[AI aider] 打造终端AI搭档:Aider让编程更智能更有趣!

热门文章

最新文章