Devin Desktop eignet sich grundsätzlich für eine Vielzahl von Anwendungsfällen. Wir sehen jedoch, dass einige Anwendungsfälle häufiger sind als andere, insbesondere bei unseren Enterprise-Kunden in ihren produktiven Codebasen.Documentation Index
Fetch the complete documentation index at: https://docs.devin.ai/llms.txt
Use this file to discover all available pages before exploring further.
Codegenerierung
Boilerplate-Code
Boilerplate-Code
Empfehlung: Devin Desktop sollte für diesen Anwendungsfall gut geeignet sein. Devin Desktop bietet Funktionen wie einzeilige und mehrzeilige Vorschläge sowie Fill-in-the-middle-(FIM)-Vervollständigungen.Bewährte Vorgehensweisen: Für optimale Ergebnisse sollten Sie Next Completion (
⌥ + ]), Context Pinning, @ Mentions und Custom Context verwenden.Front-End-Entwicklungsaufgaben
Front-End-Entwicklungsaufgaben
Empfehlung: Devin Desktop sollte für diesen Anwendungsfall gut geeignet sein. Devin Desktop bietet Funktionen wie einzeilige und mehrzeilige Vorschläge sowie Fill-in-the-middle-(FIM)-Vervollständigungen.Bewährte Vorgehensweisen: Für optimale Ergebnisse sollten Sie Next Completion (
⌥ + ]), Context Pinning, @ Mentions und Custom Context verwenden.Back-End-Entwicklungsaufgaben
Back-End-Entwicklungsaufgaben
Empfehlung: Devin Desktop sollte für diesen Anwendungsfall gut geeignet sein. Devin Desktop bietet Funktionen wie einzeilige und mehrzeilige Vorschläge sowie Fill-in-the-middle-(FIM)-Vervollständigungen.Bewährte Vorgehensweisen: Für optimale Ergebnisse sollten Sie Next Completion (
⌥ + ]), Context Pinning, @ Mentions und Custom Context verwenden.Generierung von Unit-Tests
Unit-Tests generieren und redundante Testfälle automatisch entfernen
Unit-Tests generieren und redundante Testfälle automatisch entfernen
Hinweis: Bei der grundlegenden Nutzung von Devin Desktop zur Generierung von Unit-Tests lassen sich zuverlässig 60–70 % der Unit-Tests erstellen. Die Abdeckung von Grenzfällen ist nur so gut wie die Prompts, mit denen der Nutzer das Modell anleitet.Bewährte Vorgehensweisen: Verwende @-Mentions. Beachte Best Practices für Prompt Engineering. Beispiele:Schreibe einen Unit-Test für
@function-name, der alle Grenzfälle für X und Y abdeckt (z. B. E-Mail-Domain).Verwende @testing-utility-class, um einen Unit-Test für @function-name zu schreiben.Beispieldaten für die Testausführung generieren
Beispieldaten für die Testausführung generieren
Hinweis: Gut geeignet für einfache Anwendungsfälle. Bei sehr spezifischen API-Spezifikationen oder internen Bibliotheken kennt Devin Desktop die Feinheiten nicht gut genug, um die Qualität der generierten Beispieldaten sicherzustellen.Bewährte Vorgehensweisen: Beschreibe die erwartete Schnittstelle sehr genau. Berücksichtige die Komplexität der Aufgabe (und ob ein einzelner LLM-Aufruf ausreicht, um sie zu bewältigen).
Interne Code-Kommentierung
Inline-Kommentare und Codebeschreibungen generieren
Inline-Kommentare und Codebeschreibungen generieren
Hinweise: Devin Desktop sollte für diesen Anwendungsfall gut geeignet sein. Verwende Devin Desktop Command oder Devin Desktop Chat, um Inline-Kommentare und Codebeschreibungen zu generieren.Best Practices: Verwende @-Mentions und nutze Code Lenses so oft wie möglich, um sicherzustellen, dass der Geltungsbereich des LLM-Aufrufs korrekt ist.
Verbesserungen und Präzisierungen vorschlagen
Verbesserungen und Präzisierungen vorschlagen
Hinweise: Im Allgemeinen sind die Schaltfläche „Refactor“ bzw. Devin Desktop Command die besten Möglichkeiten, Verbesserungen anzustoßen. Devin Desktop Chat ist der beste Ort, um nach Erklärungen oder Präzisierungen zu fragen. Das ist etwas vage, aber Devin Desktop sollte beides gut beherrschen.Devin Desktop Chat ist der beste Ort, um nach Erklärungen oder Präzisierungen zu fragen.Das ist etwas vage, aber Devin Desktop sollte beides gut beherrschen.Best Practices: Verwende die Prompt-Dropdowns (auch bekannt als Devin Desktops Schaltfläche „Refactor“) – wir haben benutzerdefinierte Prompts, die gezielter darauf ausgelegt sind, die Antwort zu liefern, die du wahrscheinlich erwartest.
Funktionsheader automatisieren (C/C++/C#)
Funktionsheader automatisieren (C/C++/C#)
Hinweise: Am besten erstellst du die Header-Datei, öffnest den Chat, erwähnst die Funktion in der cpp-Datei mit @ und bittest Devin, die Header-Funktion zu schreiben. Wiederhole das dann schrittweise für jede Funktion in der cpp-Datei. So stellst du am besten sicher, dass dabei keine Halluzinationen auftreten.Best Practices: Versuche grundsätzlich nicht, eine ganze Header-Datei mit einem einzigen LLM-Aufruf zu schreiben. Wenn du die Arbeit feiner aufteilst, ist die Qualität des generierten Codes deutlich höher.
API-Dokumentation und Integration
Dokumentation parallel zur API-Erstellung verfassen und den richtigen Kontext bereitstellen
Dokumentation parallel zur API-Erstellung verfassen und den richtigen Kontext bereitstellen
Leitfaden: Das ist ähnlich wie bei der Testabdeckung: Teile der API-Spezifikation, die in vielen Bibliotheken üblich sind, kann Devin Desktop zuverlässig ausarbeiten. Bei Funktionen, die speziell für Ihren internen Anwendungsfall entwickelt wurden, kann es Devin Desktop jedoch schwerfallen, die von Ihnen erwartete Qualität zu erreichen.Best Practices: Ähnlich wie bei der Testabdeckung sollten Sie das Modell von Devin Desktop möglichst gezielt durch die Logik der API führen. So kann es die Dokumentation besser ausarbeiten.
Repo in natürlicher Sprache nach APIs durchsuchen und Code für Integrationen generieren
Repo in natürlicher Sprache nach APIs durchsuchen und Code für Integrationen generieren
Leitfaden: Die Kontextlänge von Devin Desktop für einen einzelnen LLM-Aufruf beträgt 16.000 Token. Je nach Geltungsbereich Ihrer Suche reicht die repo-weite Suchfunktion von Devin Desktop daher möglicherweise nicht aus. Repo-weite Aufgaben mit mehreren Schritten und Bearbeitungen werden in zukünftigen Devin-Desktop-Produkten unterstützt.Dabei handelt es sich grundsätzlich um ein mehrstufiges Problem, für das einzelne LLM-Aufrufe (d. h. die aktuelle Funktionalität aller KI-Code-Assistenten) nicht gut geeignet sind. Außerdem muss die Genauigkeit der Ergebnisse deutlich höher sein als bei anderen Anwendungsfällen, da Integrationen besonders anfällig sind.Best Practices: Devin Desktop ist derzeit nicht gut dafür geeignet, dieses Problem zu lösen. Wenn Sie den Umfang der bestehenden Funktionalität von Devin Desktop testen möchten, erstellen Sie einen Schritt-für-Schritt-Plan und geben Sie Devin Desktop für jeden Schritt einzeln einen Prompt mit vielen Details, um die KI anzuleiten.
Code-Refactoring
Code-Vereinfachung und Modularisierung
Code-Vereinfachung und Modularisierung
Hinweis: Stellen Sie mithilfe von Devin Desktop Code Lenses oder @ Mentions eine korrekte Eingrenzung sicher, damit der gesamte erforderliche Kontext an das LLM übergeben wird.Der Kontext für einen einzelnen LLM-Aufruf ist begrenzt. Je nach Geltungsbereich Ihres Refactorings kann diese Begrenzung daher ein Problem sein (wie übrigens bei jedem Single-Shot-LLM-Paradigma). Repo-weite Aufgaben mit mehreren Schritten und Änderungen werden jetzt in Devin Desktop Cascade unterstützt.Best Practices: Versuchen Sie, den Prompt so weit wie möglich herunterzubrechen. Je einfacher und kürzer der Befehl für das Refactoring ist, desto besser.
Code umstrukturieren, um Lesbarkeit und Wartbarkeit zu verbessern
Code umstrukturieren, um Lesbarkeit und Wartbarkeit zu verbessern
Hinweis: Stellen Sie mithilfe von Devin Desktop Code Lenses oder @ Mentions eine korrekte Eingrenzung sicher, damit der gesamte erforderliche Kontext an das LLM übergeben wird.Die Kontextlänge von Devin Desktop für einen einzelnen LLM-Aufruf beträgt 16.000 Tokens. Je nach Geltungsbereich Ihres Refactorings kann diese Kontextlänge daher ein Problem sein (wie übrigens bei jedem Single-Shot-LLM-Paradigma). Repo-weite Aufgaben mit mehreren Schritten und Änderungen werden in zukünftigen Devin Desktop-Produkten unterstützt.Best Practices: Versuchen Sie, den Prompt so weit wie möglich herunterzubrechen. Je einfacher und kürzer der Befehl für das Refactoring ist, desto besser.