1.AI辅助编程插件：Sourcegraph Cody
2.程序员必备的源码5类AI工具盘点
3.尝试了200个AI代码生成器，这47个是生成我觉得最好用的~~~从此再无编程小白！（第一期）
4.Autoware.io源码编译安装
5.大神用Python做个AI出牌器，源码实现财富自由附源码
6.这款AI工具利用 GPT-4 Vision 将屏幕截图转化为完整代码
AI辅助编程插件：Sourcegraph Cody
Sourcegraph Cody插件是生成一款免费的开源AI编码助手，提供代码编写、源码修复和自动完成功能，生成公式源码查询并能回答编码相关问题。源码Cody获取整个代码库的生成上下文，生成更好的源码代码，使用广泛的生成API、impl和习惯用法，源码同时减少代码混淆。生成虽然支持基本的源码聊天功能，但其专注于解决编程问题，生成不涉及与话题无关的源码对话。Cody适用于VS Code等开发工具，安装后需通过Sourcegraph账号授权。
以下是Cody插件的安装和使用步骤：
1. 访问Cody官网获取安装指导。
2. 插件安装后需授权，对于VS Code用户，通过登录Sourcegraph账号即可使用。
3. 对于其他IDE如IDEA，需安装插件后在设置中输入Access tokens。在Sourcegraph官网创建新的token密钥，保存到IDEA的Cody设置中。
4. 使用Cody时，只需输入代码问题或请求解释，如解释源码类的方法。
Cody插件提供免费使用，相比其他非官方插件，其功能和价值较高，适合编程人员作为日常辅助工具。通过集成Cody，可以提高代码开发效率，解决编程问题，推荐给广大编程爱好者和专业人士使用。
程序员必备的5类AI工具盘点
在软件开发领域，人工智能技术正在飞速发展，推动了创新和进步。从代码生成到自动化测试，AI工具正在改变软件开发的方式和未来。以下将为您盘点软件开发领域中最具创新性和影响力的5类AI工具。
一、编程辅助AI工具
1. GitHub Copilot：由GitHub与OpenAI合作开发的智能代码补全和生成工具，与程序员常用的代码编辑器无缝集成，超过数百万人在使用。
2. CodeGeeX：国内人工智能公司智谱AI开发的免费AI编程工具，支持多种编程语言，实现代码的生成与补全、自动添加注释、代码翻译以及智能问答等功能。
3. Codeium：基于AI技术构建的AI代码编程工具，提供代码自动补全和搜索功能，帮助开发人员更快、更高效地编写代码。intentservice源码
二、代码Review AI工具
1. DeepSource：自动代码审查和分析工具，支持多种编程语言，提供静态代码分析规则，检测潜在的代码错误、安全漏洞和代码风格问题。
2. DeepCode AI：基于AI的代码审查工具，使用机器学习算法分析代码库，识别潜在的安全漏洞、错误风险和性能问题。
三、代码测试AI工具
1. CodiumAI：AI代码测试和分析工具，智能分析开发者编写代码、文档字符串和注释，提供测试建议和提示。
2. Testim：基于AI的现代UI测试工具，提供快速、低代码编写和代码定制功能，自愈式人工智能定位器，以及用于高效扩展质量程序的TestOps工具。
四、代码重构AI工具
1. Sourcery：自动代码重构工具，分析代码并自动应用一系列重构模式和最佳实践，提高代码的可读性、性能和可维护性。
五、代码阅读AI工具
1. Cursor：AI代码生成工具，自动生成高质量的代码，也可用于阅读项目源代码。
更多AI工具请点击InteHub AI工具导航网（）查找。
尝试了个AI代码生成器，这个是我觉得最好用的~~~从此再无编程小白！（第一期）
Codeium 是一种人工智能驱动的代码完成工具，旨在简化编码过程。支持 多种语言并与流行的 IDE 集成，减少样板代码，查找和使用 API，并生成单元测试。允许开发人员以自然语言键入注释以完成代码，被 Adobe、Dropbox、IBM、Pinterest、Salesforce 和 Tesla 等顶级公司信赖，且免费使用。
Safurai 是一个基于 AI 的 IDE 扩展，帮助开发人员进行编码、调试和重构。充当虚拟助手，为软件开发过程中可能出现的任何问题提供解决方案和建议，改进工作流程和代码质量。
GitFluence 是一种人工智能驱动的解决方案，帮助用户快速找到适合其特定需求的正确 git 命令。易于使用的hhjsjdb源码网络应用程序，输入所需 git 操作的描述并接收相关命令建议，省时省力。
Phind 是专为开发人员设计的人工智能搜索引擎，可定制搜索，探索功能，提供 AI 驱动的相关主题和增强搜索结果的建议，还有 Surprise Me 功能随机选择主题供用户发现和探索。
Cron AI 是一种人工智能驱动的 cron 表达式生成器，简化 cron 作业的创建。易用性，快速将输入的单词转换为 cron 表达式以设置 cron 作业，效率高，减少创建 cron 作业所需的复杂性和时间。
Amazon CodeWhisperer 是一项由机器学习 (ML) 提供支持的服务，根据开发人员在集成开发环境 (IDE) 中以自然语言和代码发表的评论生成代码建议，提高开发人员的工作效率。
AI CLI 是开源 GPT -3 Powered CLI，当前提示长度为 ~ 个令牌，1K 令牌的 text-davinci- 定价为 0. 美元，即 ~0. 美元/命令，考虑通过微调改善响应并降低每条命令的成本。
Bito 是一款由 AI 驱动的代码助手，帮助开发人员自动执行任务并将生成代码的速度提高 倍。生成代码、构建单元测试、创建代码注释、解释新代码以及检查安全漏洞，适用于 AppCode、GoLand、IntelliJ、PyCharm、PhpStorm、Rider、RubyMine 和 WebStorm，注重用户隐私，从不存储或复制代码，始终对数据和日志进行加密。
Google Colab Copilot 是一款旨在自动化 Google Colab 工作区、简化用户体验的工具。在 Google Colab 上无缝实施，轻松设置，便捷激活，满足数据科学家、研究人员和开发人员的需求。
Codium 是一种人工智能工具，帮助开发人员更快地编写测试并在部署前发现错误。分析源代码、文档字符串和注释以生成有意义的测试，提供测试建议，侧重于边缘情况和方法参数以确保准确性。
Code GPT 是一个 VS 代码扩展，具有 StackOverflow 支持、解释、重构、runcode 源码文档、查找问题和单元测试等优秀功能。
Arduino 代码生成器 是一种人工智能工具，为 Arduino 兼容板自动执行代码生成过程。利用 GPT-3 算法快速生成代码，节省用户时间，提供有关 Arduino 项目的零件、组件和教程的建议，允许用户直接从网站购买零部件。
Hacker AI 是一种由人工智能驱动的代码审计工具，旨在识别和修复源代码中潜在的安全漏洞。扫描源代码以查找安全问题，帮助组织检测和修复漏洞以防止网络攻击，测试期间免费，无需创建帐户，用户在 分钟内收到漏洞报告。
Refraction 是一种基于 AI 的代码改进工具，简化开发过程。适用于 C#、C++、Go、Java、JavaScript、TypeScript、PHP、Python、R Lang、Ruby 和 Swift，自动重构和测试，代码解释、语言转换、硬编码文字分离和样式检查。
Maverick 是一种由 AI 提供支持的代码完成工具，基于 Yurts，专注于在不接触任何 API 或知识库的情况下在本地机器上提供最佳代码完成。
Buildt AI 是一种基于人工智能的代码库搜索工具，简化开发人员的代码管理。使用自然语言搜索快速准确地查找、生成和替换代码片段，生成新代码、重构现有代码、扩展功能以及删除遗留或重复代码，添加或更新依赖更改，支持 Javascript 和 Typescript，未来计划支持 + 语言。
CodeGeeX 是一个拥有 亿参数的大规模多语言代码生成模型，在超过 种编程语言的大型代码语料库上进行预训练，支持 种以上的代码生成和翻译编程语言。
Programming Helper 是一种人工智能工具，协助完成各种编程任务。从文本描述生成代码、SQL 命令、HTML 和 CSS，将代码翻译成任何编程语言并用通俗易懂的加载 源码英语解释代码，修复无效代码、生成测试并向代码添加类型，创建正则表达式、查找 Git 命令、获取 Linux 命令以及根据描述生成元标记，提供编程相关问题的解答。
CodeAssist 是一个人工智能聊天机器人界面，专为在 Jetbrains IDE 和 Visual Studio Code 中编程而设计。与聊天机器人交流，就像与人交谈一样，允许它查看和修改代码，根据用户的代码库生成代码完成，考虑代码库其他部分的文件和函数/类，适用于所有流行的编程语言，提供更集中的响应。
Clippy AI（VS 代码扩展）是 OpenAI Codex 的简单包装器，允许您向 Codex 发送您的当前文件以及一些纯文本英语说明，然后它会在您的编辑器中打开一个差异视图，以便您可以轻松查看建议的更改并接受或拒绝它们。
Autoware.io源码编译安装
要编译安装Autoware.io，首先请确保已安装ROS1，如Ubuntu .版本的Melodic。以下步骤将指导你完成依赖安装及源码编译过程。安装依赖
1. 对于CUDA的支持（可选但建议），你需要下载CUDA .0，链接位于developer.nvidia.com/cuda。安装时，遇到驱动安装询问时选择n，后续步骤默认安装即可。 2. 安装cudnn，从developer.nvidia.com/rd...获取并进行安装。在cuda目录下进行软链接配置，并通过验证测试。其他依赖安装
3. 安装eigen3.3.7，接着是opencv3，安装时需先安装依赖库，然后解压、配置和编译。源码下载与编译
4. 创建新的工作区，下载并配置工作区，然后下载Autoware.ai源码。 5. 使用rosdep安装依赖库，有CUDA版本和无CUDA版本两种编译方式。测试与问题解决
6. 下载并运行demo，可能遇到的问题包括编译错误和链接问题。问题1：calibration_publisher报错，需修改CMakeList.txt文件。
问题2：ndt_gpu编译错误，需替换Eigen3Config.cmake文件中的版本信息。
问题3：opencv链接问题，需要检查和调整。
问题4：rosdep更新慢，可通过修改源码和配置文件解决。
问题5：runtime manager花屏，需安装wxPython 4.和libsdl1.2-dev。
通过上述步骤，你应该能够成功编译并测试Autoware.io。如有任何疑问，查阅官方文档或社区论坛寻求帮助。大神用Python做个AI出牌器，实现财富自由附源码
在互联网上，我注意到一个有趣的开源项目——快手团队的DouZero，它将AI技术应用到了斗地主游戏中。今天，我们将通过学习如何使用这个原理，来制作一个能辅助出牌的欢乐斗地主AI工具，也许它能帮助我们提升游戏策略，迈向财富自由的境界。 首先，让我们看看AI出牌器的实际运作效果: 接下来，我们逐步构建这个AI出牌器的制作过程:核心功能与实现步骤
UI设计：首先，我们需要设计一个简洁的用户界面，使用Python的pyqt5库，如下是关键代码:
识别数据：在屏幕上抓取特定区域，通过模板匹配识别AI的手牌、底牌和对手出牌，这部分依赖于截图分析，核心代码如下:
地主确认：通过截图确定地主身份，代码负责处理这一环节:
AI出牌决策：利用DouZero的AI模型，对每一轮出牌进行判断和决策，这部分涉及到代码集成，例如:
有了这些功能，出牌器的基本流程就完成了。接下来是使用方法:使用与配置
环境安装：你需要安装相关库，并配置好运行环境，具体步骤如下:
位置调整：确保游戏窗口设置正确，AI出牌器窗口不遮挡关键信息:
运行测试：完成环境配置后，即可启动程序，与AI一起战斗:
最后，实际操作时，打开斗地主游戏，让AI在合适的时间介入，体验AI带来的智慧策略，看看它是否能帮助你赢得胜利！这款AI工具利用 GPT-4 Vision 将屏幕截图转化为完整代码
在AI技术的浪潮中，OpenAI的GPT-4 Vision以其卓越的图像理解能力引发了一场互联网上的创新风暴。这款AI工具的最新应用——截图转代码（screenshot-to-code）——在编程领域展现了革命性的转变。通过利用GPT-4 Vision的强大功能，这个工具能将单个屏幕截图转化为完整的代码库，为开发者提供了前所未有的便利。
GPT-4 Vision是人工智能在图像理解领域的一大突破，其描述图像的能力令人印象深刻。通过简单的操作，例如上传一张到ChatGPT并要求描述，GPT-4 Vision模型就能生成一段描述性文本。在screenshot-to-code工具中，这一技术被进一步应用，实现了从UI组件截图到生成HTML和Tailwind CSS的自动化过程，大幅提高了开发效率。
该工具的实例展示了其强大的能力。例如，对Taylor Swift Instagram页面的截图进行处理后，screenshot-to-code能够以惊人的准确性重建页面设计。这一功能对于设计模型的快速原型制作具有巨大价值。
screenshot-to-code不仅免费，用户只需拥有一个OpenAI密钥即可使用。通过网站的设置图标添加密钥并保存，用户就能轻松尝试这项工具。以Zeniteq的文章页面截图为例，工具生成的代码与原图高度相似，虽在精确度上仍有提升空间，但仍能提供初步的代码结构。
在使用过程中，用户可以对代码进行进一步调整，通过点击代码部分询问AI或手动更新源代码。生成的HTML和Tailwind CSS代码通过下载按钮以index.html文件形式保存，方便用户后续操作。
使用screenshot-to-code的优势显而易见，它能显著提高开发效率，并为设计原型制作提供强大的支持。然而，任何工具都并非完美无缺，screenshot-to-code也不例外，其准确度和代码质量仍有提升空间。
展望未来，GPT-4 Vision的潜力令人期待，其能力的持续进化将为编程和设计领域带来更大的变革。同时，AI技术对前端设计岗位的影响也值得我们深思。尽管短期内替代的可能性有限，但AI工具的广泛应用可能会对行业生态产生长远影响，引发行业内的讨论与思考。
GPT-Engineer一夜爆火！一个提示生成整个代码库，GitHub狂飙k星
AI代码生成明星项目GPT-Engineer一夜爆火，短短几天狂揽k星。AutoGPT之后，诞生了又一个明星项目。这是一个根据指示生成代码的AI工具，你只需要「动动嘴」，就能直接构建整个代码库。项目地址：github.com/AntonOsika/g...。
GPT-Engineer的特色包括：一个提示就能生成一个代码库，提出需要澄清的问题，生成技术规范，编写所有必要代码，易于添加自己的推理步骤、修改和实验，项目开源，分分钟让你完成编码。这预示着未来软件创造将是一个人机共话的时代。
项目主要作者Anton Osika在6月日首次推出GPT-Engineer，并介绍了这款AI工具最大的特点：简单易用，能够为用户提供价值；灵活且易于添加新的「AI步骤」；支持高级提示，可以记住用户反馈；能快速在AI和人类之间快速切换；所有计算都是「可恢复的」，并持久地保存到文件系统。这个项目独特地方在于，开发者在文本文件中提交需求，GPT-Engineer不是无条件接受这些要求，而是提出许多详细的问题来让程序员澄清缺失的细节。
GPT-Engineer的工作流程分两个阶段：需求细化促进阶段和软件构建阶段。在需求细化阶段，用户提供的包含软件需求的文本文件被提交给GPT-Engineer，并被放置在OpenAI的GPT的初始消息中，同时还包括确定澄清问题的指示。GPT-Engineer系统接收来自OpenAI GPT-4的反馈，了解哪些需求需要澄清，并回应提示用户澄清的问题。整个过程循环，直到所有问题澄清到OpenAI GPT-4满意为止。在软件构建阶段，前一阶段提炼的需求被打包，并与OpenAI的GPT指令（即系统提示）和另外一套GPT-Engineer希望看到的输出指令（即用户提示）一起包装起来。GPT-Engineer收到来自OpenAI GPT-4的响应，然后创建源代码文件。
使用GPT-Engineer，你可以创建一个多人可玩的贪吃蛇网页版游戏。你只需要输入一些关键提示，GPT-Engineer就会让你继续回答一些细节的问题，例如游戏规则和机制、玩家互联、游戏状态更新、用户界面、游戏控制、游戏结束状况和代码结构。具体步骤唰唰唰地来了，最后一款完美的贪吃蛇游戏代码就完成了。
用户反馈显示，「澄清问题」是真正使GPT-Engineer脱颖而出的原因，因为修复生成代码中的问题往往比编写代码本身需要更多的时间。然而，这个项目火虽火，一位网友测试了GPT-Engineer，给出了体验：难设置，实际上不是创建文件，只是让你从命令行中运行一次（即不能调试），与ChatGPT4的能力相当。还有网友对基准指出了问题，GPT-Engineer做了几个简单的编程任务，并将它们作为基准，可以为你快速开发一个currency_converter，但不能正确编码一个pomodoro_timer。
安装方法：对于稳定版本，使用pip install gpt-engineer；对于开发版，git clone git@github.com:AntonOsika/gpt-engineer.git，cd gpt-engineer，make install，source venv/bin/activate。设置使用GPT4访问权限的API密钥运行：export OPENAI_API_KEY=[your api key]。运行：创建一个空文件夹，如果在repo中，可以运行cp -r projects/example/ projects/my-new-project，在新文件夹中填写 main_prompt，运行gpt-engineer projects/my-new-project。检查 projects/my-new-project/workspace 中生成的文件。
项目主要作者Anton Osika是Depict.ai的首席技术官，创建了机器学习推荐系统，通过尖端的机器学习、计算机视觉和自然语言处理来理解产品。就在4小时前，他还发了一条动态称，GPT-Engineer已经跃升到k星，一点也没有减速迹象。
参考资料：
AI与PDE（七）：AFNO模型的源代码解析
本文旨在解析AFNO模型的源代码，帮助读者理解模型细节与主干结构。首先，AFNO模型的主干框架在afnonet.py文件中定义，通过类AFNONet实现。模型的核心功能封装在多个类与函数中，依据代码注释逐步解析。
在代码中，forward_features函数负责模型的核心逻辑，包括patch切割与mixing过程。这些操作由PatchEmbed类实现。位置编码self.pos_embed通过高斯初始化得到，增加模型的表示能力。
关键模块AFNO2d位于代码中，它基于FNO的原理，负责处理输入数据。AFNO2d模块在forward_features函数中通过循环调用，实现数据的转换与混合。
经过数个L layer处理后，模型进入类似解码器的结构，用于将中间结果映射为目标结果。这一过程通过self.head(x)实现，以解决特定分类问题。
本文通过梳理代码流程与结构图，直观展示了AFNO模型的工作原理。读者可参考AFNO的GitHub源代码与论文，深入理解细节。后续文章将继续探讨基于AFNO模型框架的其他应用，如FourCastNet。
OpenAI/Triton MLIR 第零章: 源码编译
本文旨在深入探讨开源AI项目OpenAI Triton MLIR，着重介绍Triton作为编程语言与编译器在GPU加速计算领域的应用与优化。Triton为用户提供了一种全新的方式，通过将其后端接入LLVM IR，利用NVPTX生成GPU代码，进而提升计算效率。相较于传统CUDA编程，Triton无需依赖NVIDIA的nvcc编译器，直接生成可运行的机器代码，体现出其在深度学习与数据科学领域的高性能计算潜力。Triton不仅支持NVIDIA GPU，还计划扩展至AMD与Intel GPU，其设计基于MLIR框架，通过Dialect支持多样化后端。本文将从源码编译角度出发，逐步解析Triton的设计理念与优化策略，为研究编译技术和系统优化的工程师提供宝贵资源。
首先，需要访问Triton的官方网站，克隆其官方代码库，以便后续操作。构建过程涉及两个重要依赖：LLVM与pybind。LLVM作为Triton的核心后端，通过将高级Python代码逐步转换至LLVM IR，最终生成GPU可运行代码，体现了其在计算优化领域的优势。pybind组件则用于封装C++/CUDA或汇编代码，实现Python DSL与高性能组件的无缝集成。
接下来，将LLVM与pybind分别编译安装，通过手动配置指定路径，确保编译过程顺利进行。LLVM的安装对于基于Triton进行二次开发的工程师和研究人员至关重要，因为它为Triton提供了强大的计算基础。在特定的commit ID下编译Triton，确保与后续版本兼容。
在编译过程中，配置pybind同样至关重要，它允许用户通过Python API调用高性能组件，实现自动化生成高性能算子。完成编译后，生成的.so文件（libtriton.so）为后续Triton的Python接口提供了支持。
将libtriton.so移动至triton/python/triton/_C目录下，确保Python路径正确配置，实现无缝导入与调用。通过简单的import triton命令，即可开启Triton的开发之旅。验证Triton性能，可以选择tutorials目录下的示例代码，如-matrix-multiplication.py，通过运行该脚本，观察Triton在GPU上的性能表现。
Triton在NVGPU上的成熟映射路线，从抽象的Python DSL到贴近GPU层面的IR，最终生成高效机器代码，体现了其在高性能计算领域的优越性。Triton未来的发展蓝图将支持更多前端语言，对接不同硬件厂商的硬件，实现高效映射，满足多样化计算需求。
