Il motore di contesto di Devin Desktop sviluppa una comprensione approfondita della tua codebase, delle azioni passate e di ciò che intendi fare dopo. Storicamente, gli approcci alla generazione di codice si sono concentrati sul fine-tuning dei modelli linguistici di grandi dimensioni (LLM) su una codebase, un processo difficile da scalare per soddisfare le esigenze di ogni singolo utente. Un approccio più recente e diffuso sfrutta la retrieval-augmented generation (RAG), che si concentra su tecniche per costruire prompt altamente pertinenti e ricchi di contesto in grado di ottenere risposte accurate da un LLM. Abbiamo implementato un approccio RAG ottimizzato per il contesto della codebase, che produce suggerimenti di qualità superiore e meno allucinazioni.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.
Devin Desktop offre il fine-tuning completo per le aziende, e la soluzione migliore
combina fine-tuning e RAG.
Contesto predefinito
- Il file corrente e gli altri file aperti nel tuo IDE, che spesso sono molto pertinenti al codice che stai scrivendo.
- L’intera codebase locale viene quindi indicizzata (compresi i file che non sono aperti), e i frammenti di codice pertinenti vengono recuperati dal motore di recupero di Devin Desktop mentre scrivi codice, fai domande o invoci comandi.
- Per gli utenti Pro, offriamo lunghezze di contesto maggiori, limiti di indicizzazione più elevati e limiti più alti per il contesto personalizzato e gli elementi di contesto bloccati.
- Per gli utenti Teams ed Enterprise, Devin Desktop può anche indicizzare repository remoti. Questo è utile per le aziende le cui organizzazioni di sviluppo lavorano su più repository.