OS Copilot 功能测评

简介: 作为一名个人开发者,我最近体验了阿里云的OS Copilot,这是一款基于大模型技术的操作系统智能助手。通过在CentOS 7虚拟机上安装和配置OS Copilot,我对其功能进行了深入测试。该工具支持自然语言交互、命令辅助执行和系统运维调优等功能,显著提升了Linux系统的使用效率。特别是在处理复杂任务和解释配置文件时表现出色。尽管存在一些小问题,如偶尔需要手动确认命令,但总体体验非常流畅,极大地简化了我的工作流程。推荐对Linux系统感兴趣的开发者尝试使用。总结:OS Copilot功能强大且实用,能够显著提高工作效率,值得推荐给更多用户。

作为一名个人开发者,我的日常工作主要集中在软件开发和功能实现上,很少涉及云资源的运维和管理。然而,我非常好奇阿里云的操作系统智能助手OS Copilot,所以想体验一把,整个使用过程非常顺利,让我对这款工具的功能和潜力有了更深入的了解,并记录一下这次的测评过程。

“OS Copilot”是阿里云推出的一款产品,它是依托于大模型技术构建而成的,主要面向操作系统提供智能辅助服务。它具备多种功能,例如能够以自然语言的方式回答用户的问题,帮助用户更便捷地获取所需信息;还可以辅助用户执行相关命令,减少用户手动输入命令可能出现的错误,提高操作的准确性;此外,它还能对系统进行运维调优,通过对系统各项参数、配置等进行分析和调整,使系统运行更加稳定、高效。借助这些功能,它能够协助用户更加顺畅地使用Linux系统,进而提升用户在使用Linux系统时的工作效率。

目前支持的操作系统如下图:
OS Copilot 支持的操作系统

一、体验过程
(一)安装与配置
我是在虚拟机VM中安装了Centos 7来体验 OS Copilot,参考官方文档,安装OS Copilot并配置环境。安装过程中,按照文档步骤操作,完成安装。
1.查看系统版本
Centos版本
2.使用 root 用户执行下面的命令进行安装

curl -#S https://mirrors.aliyun.com/os-copilot/os-copilot-all-in-one-latest.sh | bash

7820bfbaac4342ba4f42e8243154c881.jpg

安装完成以后,简单测试一下,发现会有报错。

Error: LLM connection fails. You are not authorized to 'os copilot' currently.
Don't Worry. You can grant yourself the 'AliyunSysOMOSCopilotAccess' permisson at https://ram.console.aliyun.com/permissions.
Once you've done the setup. Please retry. If you need support, please join the DingTalk Group [71050008820].
Error: LLM connection timeout.
Please recheck the value of your AK configuration (i.e., ALIBABA_CLOUD_ACCESS_KEY_ID and ALIBABA_CLOUD_ACCESS_KEY_SECRET).
If try-again won't fix the problem, please join the DingTalk Group [71050008820] and get the support.
Unclosed connector
connections: ['[(, 927.142883684)]']
connector:
image.png

往下

3.配置认证信息 AK/SK方式认证
运行如下命令,配置环境变量。

export ALIBABA_CLOUD_ACCESS_KEY_ID=<AccessKey ID>
export ALIBABA_CLOUD_ACCESS_KEY_SECRET=<AccessKey Secret>

AccessKey ID 和 AccessKey Secret 替换成自己的。不要<>
查看 AccessKey :官网链接 查看RAM用户的AccessKey信息
获取 AccessKey : 官网链接 创建AccessKey
授权:

<1>搜索 OSC

<2>打对钩

<3>确定
c9dc5021719d59065f12e3e3ef31ba5c.jpg
cd2be36220210508f1e93c8231770cac.jpg

搞定!

96b9d09e9e9d08ba30b5162f8161fa62.jpg

c20c0fc339ce7a534d1de039a0298896.jpg

(二)功能体验
-t 参数功能 agent模式

  • 我首先体验了-t参数功能。在不使用-t参数时,运行 co 当前系统健康度命令 ,系统会根据大模型判断是否使用agent模式。回答还是挺详细的~

8dd191a0fcf329b4637f092d21ed6ab9.jpg

按照提示,最后一步执行命令貌似报错了!
04ea6e1928a01caa8e8d52503b9be278.jpg

不过可以手动复制命令来执行,问题解决,还是挺方便的。

image.png

  • 使用-t参数后,如运行 co 当前系统健康度 -tOS Copilot直接指定进入agent模式,自动调用注册工具完成任务。这种直接指定模式的方式,让我能够更快地获取系统健康度信息,无需等待模型判断,大大提高了工作效率。

a5717f1c6298a50313b6df7a63815cfd.jpg

问题:
有时候加上 -t,也不会自动执行命令,还得手工确认。
image.png

换一种提问方式就可以了:
image.png


-f 参数功能 处理复杂任务

接下来,我体验了-f参数功能。我创建了一个名为task的文件,在其中定义了复杂的任务。然后运行 co -f task -t 命令,OS Copilot根据任务要求完成了执行。这个功能对于处理复杂任务非常有帮助,能够从文件中读取任务并自动执行,减少了手动输入命令的繁琐,提高了任务处理的准确性和效率。

1.我创建了两个文件 file1.txt 和 file2.txt

70577fd27ea085364eb8d8444df045dd.jpg

2.创建了任务 task

image.png

任务:比较两个文本文件的内容差异

描述:编写一个 Python 脚本,该脚本将读取两个文本文件的内容,并输出它们之间的差异。如果文件内容相同,则输出“没有差异”。如果文件内容不同,输出具体的差异点。

文件路径:
- 文件1/tmp/file1.txt
- 文件2/tmp/file2.txt

输出格式:
- 如果文件相同,输出:“文件内容相同,没有差异。”
- 如果文件不同,输出具体的差异点,格式如下:
  - 第X行,文件1内容:'内容1'
  - 第X行,文件2内容:'内容2'

请将脚本保存为 compare_files.py,并确保它可以直接运行。

最后目录结构
最后目录结构.jpg

3.执行 co -f task -t 让 OS Copilot 来执行

image.png

可以看到执行脚本报错了(python /tmp/compare_files.py /tmp/file1.txt /tmp/file2.txt ),原因是系统默认安装了 2.7.5 ,而脚本需要 3,所以需要安装 python3。问题也是通过 Copilot 解决的。
f4ec66d1d73806ab2c60a944bdb5d7f5.jpg

安装python3:
1.Centos 配置国内yum源

wget -O /etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-7.repo

e0fd7b807222e833c39601e9db4326b1.jpg

2.生成yum的缓存:

yum makecache

3.安装python

yum install python3

也可以使用co让他来帮助安装,我这里已经安装了python,所以让他尝试安装arthas。
image.png
image.png
image.png
可见 java 和 arthas 都安装成功了。

测试脚本

python3 /tmp/compare_files.py /tmp/file1.txt /tmp/file2.txt

80a6361faf94a82aa7906f6b6b0840b9.jpg

将两个文件修改成一样的内容,可以看到正常执行。

1270409f364fab4305a033934767fe6a.jpg

097cfc3719a3560fa3e69c26800d5c39.jpg


| 参数功能 使用管道

最后,我体验了|参数功能。我运行了 cat /etc/sysctl.conf | co 解释下这些参数的含义命令,OS Copilot能够一步到位地解释参数的含义。这个功能简化了参数解释的步骤,让我能够快速理解配置文件中的参数,无需查阅大量文档,节省了大量时间。
82a710f506181d0f2c0e057ceb461b34.jpg

二、功能评价

(一)功能有用性

我认为OS Copilot的-t、-f和|功能都非常有用。-在不使用-t参数时,获取系统健康度信息需要等待模型判断,耗时约30秒。而使用-t参数后,直接进入agent模式,仅需10秒即可获取信息,效率提升明显。

我定义了一个任务的task文件。运行co -f task -t命令后,OS Copilot能够准确地执行这些任务,无需我手动输入每个命令,大大提高了任务处理的准确性和效率。

在查看/etc/sysctl.conf文件时,我使用cat /etc/sysctl.conf | co 解释下这些参数的含义命令,OS Copilot能够快速准确地解释每个参数的含义,让我能够更好地理解配置文件,无需查阅大量文档。

此外,OS Copilot 在回答你的问题的时候,会一步一步分析问题解决问题,并且回答的都挺详细。

(二)功能无用性

在使用过程中,我没有发现这些功能有任何无用之处。相反,它们都极大地提高了我的工作效率,让我能够更专注于开发工作,无需来回切换程序去网上找答案。

三、问题

1.一个就是在使用 -t 的时候,不会每次都自动执行命令给出最终答案,还需要手工确认。但是换一种提问方式就可以了,不知道这个算不算一个问题。

2.遇到解决不了的问题,会反复重复一句话。

b59469d242a482dc6a3d7834478386ba.jpg

五、总结

总的来说,OS Copilot给我带来了非常良好的体验。它的-t、-f和|功能都非常实用,极大地提高了我的工作效率。我相信,随着功能的不断优化和加强,OS Copilot将成为用户的强大工具,为更多用户提供便利。

如果你也想体验OS Copilot的新功能,可以参考以下链接获取更多信息:OS Copilot文档

希望我的测评对你有所帮助,如果你对OS Copilot有任何建议或想法,也欢迎在评论区留言交流。

相关文章
|
15天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
阿里云与企业共筑容器供应链安全
171333 12
|
18天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
随着云计算和DevOps的兴起,容器技术和自动化在软件开发中扮演着愈发重要的角色,但也带来了新的安全挑战。阿里云针对这些挑战,组织了一场关于云上安全的深度访谈,邀请了内部专家穆寰、匡大虎和黄竹刚,深入探讨了容器安全与软件供应链安全的关系,分析了当前的安全隐患及应对策略,并介绍了阿里云提供的安全解决方案,包括容器镜像服务ACR、容器服务ACK、网格服务ASM等,旨在帮助企业构建涵盖整个软件开发生命周期的安全防护体系。通过加强基础设施安全性、技术创新以及倡导协同安全理念,阿里云致力于与客户共同建设更加安全可靠的软件供应链环境。
150296 32
|
26天前
|
弹性计算 人工智能 安全
对话 | ECS如何构筑企业上云的第一道安全防线
随着中小企业加速上云,数据泄露、网络攻击等安全威胁日益严重。阿里云推出深度访谈栏目,汇聚产品技术专家,探讨云上安全问题及应对策略。首期节目聚焦ECS安全性,提出三道防线:数据安全、网络安全和身份认证与权限管理,确保用户在云端的数据主权和业务稳定。此外,阿里云还推出了“ECS 99套餐”,以高性价比提供全面的安全保障,帮助中小企业安全上云。
201962 14
对话 | ECS如何构筑企业上云的第一道安全防线
|
3天前
|
机器学习/深度学习 自然语言处理 PyTorch
深入剖析Transformer架构中的多头注意力机制
多头注意力机制(Multi-Head Attention)是Transformer模型中的核心组件,通过并行运行多个独立的注意力机制,捕捉输入序列中不同子空间的语义关联。每个“头”独立处理Query、Key和Value矩阵,经过缩放点积注意力运算后,所有头的输出被拼接并通过线性层融合,最终生成更全面的表示。多头注意力不仅增强了模型对复杂依赖关系的理解,还在自然语言处理任务如机器翻译和阅读理解中表现出色。通过多头自注意力机制,模型在同一序列内部进行多角度的注意力计算,进一步提升了表达能力和泛化性能。
|
8天前
|
存储 人工智能 安全
对话|无影如何助力企业构建办公安全防护体系
阿里云无影助力企业构建办公安全防护体系
1253 10
|
10天前
|
机器学习/深度学习 自然语言处理 搜索推荐
自注意力机制全解析:从原理到计算细节,一文尽览!
自注意力机制(Self-Attention)最早可追溯至20世纪70年代的神经网络研究,但直到2017年Google Brain团队提出Transformer架构后才广泛应用于深度学习。它通过计算序列内部元素间的相关性,捕捉复杂依赖关系,并支持并行化训练,显著提升了处理长文本和序列数据的能力。相比传统的RNN、LSTM和GRU,自注意力机制在自然语言处理(NLP)、计算机视觉、语音识别及推荐系统等领域展现出卓越性能。其核心步骤包括生成查询(Q)、键(K)和值(V)向量,计算缩放点积注意力得分,应用Softmax归一化,以及加权求和生成输出。自注意力机制提高了模型的表达能力,带来了更精准的服务。
|
8天前
|
人工智能 自然语言处理 程序员
通义灵码2.0全新升级,AI程序员全面开放使用
通义灵码2.0来了,成为全球首个同时上线JetBrains和VSCode的AI 程序员产品!立即下载更新最新插件使用。
1342 24
|
8天前
|
消息中间件 人工智能 运维
1月更文特别场——寻找用云高手,分享云&AI实践
我们寻找你,用云高手,欢迎分享你的真知灼见!
654 26
1月更文特别场——寻找用云高手,分享云&AI实践
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
|
14天前
|
人工智能 自然语言处理 API
阿里云百炼xWaytoAGI共学课DAY1 - 必须了解的企业级AI应用开发知识点
本课程旨在介绍阿里云百炼大模型平台的核心功能和应用场景,帮助开发者和技术小白快速上手,体验AI的强大能力,并探索企业级AI应用开发的可能性。