Devin 发布 DeepWiki,2 星的项目直接装出万星的气场
去年,Devin 凭借一个 AI 编程视频火遍全网,虽然后来被 Cursor 等产品抢了风头。但就在上周六,Devin 又放了个大招------DeepWiki。
这个工具能自动给你的 GitHub 项目生成高质量文档,用法还特别简单。比如,Bytebase 的仓库地址是:https://github.com/bytebase/bytebase ;你只需要把前缀换成 https://deepwiki.com/ ,变成:https://deepwiki.com/bytebase/bytebase 就能立刻看到生成的文档!
效果相当惊艳,甚至还能直接对代码仓库提问。
其实早在 2022 年,代码搜索领域的领头羊 Sourcegraph 也尝试过类似功能,但要求开发者手动维护一个 snb.md
文件。
------**谁有那闲工夫啊?**所以这个功能很快就凉了。
而这次,Devin 直接用 AI 解决问题,彻底砍掉了人工环节 。从此,哪怕你的开源项目只有 2 颗星,文档也能直接「装」出万星的气场!
💡 更多资讯,请关注 Bytebase 公号:Bytebase

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
理工科 MCP Server 神器,补足人工智能幻觉短板
作者:子釉 为什么需要 WolframAlpha 随着人工智能技术的飞速发展,大语言模型(LLM)如 GPT-4 在自然语言处理和生成方面取得了显著的成就。然而,这些模型在处理复杂的科学和数学问题时,常常出现所谓的"幻觉"现象,即生成错误或不合理的结果。这种现象不仅影响了模型的可靠性,也限制了其在教育、科研等领域的广泛应用【1】。 大语言模型在生成文本时,往往依赖于其训练数据中的模式和关联,而缺乏对现实世界的物理规律和逻辑规则的深入理解。这导致在处理科学和数学问题时,模型可能会生成看似合理但实际上错误的答案。例如,在解决物理问题时,模型可能会忽略单位转换、物理定律的应用,甚至在数学计算中出现低级错误。这种幻觉现象不仅影响了问题解决的正确性,也使得模型在面对复杂问题时显得力不从心。 WolframAlpha 是一个强大的计算知识引擎,能够处理各种科学、数学和技术问题。它基于广泛的数学和科学知识库,能够进行精确的计算、符号操作和公式推导。与大语言模型相比,WolframAlpha 在处理复杂的数学公式、物理定律和科学概念时具有显著的优势。它能够准确地执行计算任务,避免因模型自身的局限性而导...
- 下一篇
大数据是不是凉了?
文/吴炳锡 近几年,"大数据要凉了"的声音似乎越来越多。有人说大数据热潮退却了,也有人感慨岗位越来越少、平台越来越重、业务越来越复杂。但这真的是大数据"凉"了吗? 我并不这么看。在我看来,真正"凉"的不是大数据本身,而是原来的"屠龙之术"已经无"龙"可杀,因为"龙"已经进化,而我们的武器却还停留在过去。技术需要进化,架构需要重构,能力也需要更新。 要理解大数据的现状和趋势,得先看看它是如何一步步发展演进的。我们可以将大数据的发展分成三个阶段: 阶段一: 传统 Hadoop ------第一代"烟囱式"大数据平台 最早的大数据平台基本是围绕 Hadoop 构建的,Lambda 架构(离线 + 实时)几乎是当时的行业标准。但在实际工作中,我深刻体会到这个阶段的大数据平台仍然极不易用,需要大量的人力和资源投入,所构建的系统难以真正商业化,只是一个个离线的组件。 当时,技术团队拿着各种 Hadoop + Hive + Spark 的架构图给老板讲未来、画愿景,靠着数据中台的"故事"扩张团队,组建起来五十人的大数据团队,雄心壮志地把平台堆了起来。 Lamda 架构的大数据,各处树烟囱 然而现实很...
相关文章
文章评论
共有0条评论来说两句吧...