使用通义灵码插件提高开发效率

简介: 【2月更文挑战第2天】通义灵码是阿里云开发的一个编码助手,基于AI大模型,提供代码智能生成,智能问答等功能,旨在加快编码,提高开发效率。

概述

通义灵码是阿里云开发的一个编码助手,基于AI大模型,提供代码智能生成,智能问答等功能,旨在加快编码,提高开发效率。

功能

  • 帮你续写代码
  • 帮你写代码注释
  • 帮你写单元测试
  • 解释代码
  • 生成代码
  • 代码优化
  • 答疑解惑
  • 排查异常原因

特性

  • 多语言支持:java,python,go,JavaScript等
  • 多IDE支持:VSCode,JetBrains IDES
  • 多网络环境:支持极速本地模型、云端大模型两种代码补全模型,支持一键切换,满足不同网络环境、不同补全强度的场景诉求
  • 标准版面向个人开发者免费使用,企业版面向企业用户(当前免费,支持1000个授权),面向保密单位的私有化部署
  • 不存储用户代码

安装

准备工作

  • VSCode编辑器(1.75.1 及以上)
  • JetBrains IDEs 任意一款 (2020.3 及以上)
  • 阿里云账号,注册地址:https://www.aliyun.com/

VSCode安装

  • 直接在左侧插件市场搜索 通义灵码 或者TONGYI 点击安装即可
  • 离线安装,通过在插件市场网站搜索关键词获取

IDEA安装

  • 插件市场安装:file--->settings--->plugins,点击Marketplace ,然后输入通义灵码 或者TONGYI 点击安装即可
  • 离线安装:先下载安装包(https://tongyi.aliyun.com/lingma/download ),然后file--->settings--->plugins,点击齿轮,选择 Install Plugin from Disk

安装完成后,在右侧工具栏将出入同义灵码对话框入口图标,同时在编辑器右键菜单中有一个常用功能的快捷入口。如图:

安装

安装

使用指南

以IDEA为例

续写代码

安装插件之后,通义灵码会扫面整个项目的代码,分析并学习。当我们在编写代码的时候给出续写建议。

  • 根据注释续写
  • 根据代码上下文续写

如下示例演示了续写功能:

方法内根据注释续写

代码本意是通过判断 param.getAdCode() 是否有值,没有则使用param的经纬度结合行政区划电子围栏计算出param所属行政区划编码。

当我们写完注释信息“通过事件经纬度结合行政区划电子围栏进行计算”后,给出了提示.

可以通过快捷键 ALT+] 切换到其它的提示(如果它可以给出多个提示的情况下)。

可以通过快捷键 TAB 选择一个提示,此时续写完成了。

可以通过快捷键 ESC 取消提示,此时退出续写。

根据代码上下文续写:

根据代码上下文续写

代码注释

通义灵码实时检测我们编写的方法名称,并自动给出可能的方法注释信息

  • 当我们输入java doc 注释关键字的时候提示
  • 当我们选中一个方法,右键调出通义灵码菜单的时候选中代码注释

如下示例演示了写注释的功能:

写注释

当我们编写完方法名称和参数定义后,给出了方法注释的提示。

写单元测试

在IDEA编辑器界面右键有一个通义灵码的菜单,选中方法,点击菜单中的生成单元测试代码,将唤起对话框,并生成相关的测试代码样例,如图:

单元测试

解释代码含义

选中需要被解释的代码,右键点击解释代码,将唤起对话框,并生成相关的解释结果。如图:

解释代码

这个功能的好处:

  • 便于理解别人写的代码
  • 变相解决了程序员不爱写注释的问题
  • 对于特别拗口的逻辑,可以借助通义灵码进行分析

优化代码

选中需要优化的代码,右键点击生成优化建议,将唤起对话框,并生成相关的优化建议。

问答

在IDEA中安装了通义灵码插件后,右侧(maven图标位置)将有一个对话框唤起的入口,在此对话框中可以进行智能问答和搜索。

  • 智能问答类似 ChatGPT ,可以发起各种问答
  • 搜索,搜索阿里云开发者社区、github、StackOverflow中的相关内容
  • 无需离开IDE,专属的开发者搜索引擎

智能问答

排查异常

仅java

当程序发生异常,控制台中的异常log中将嵌入通义灵码图标,点击图标将打开对话框,在对话框中将给出异常可能的原因,并提供相应的修复建议。如图:

排查异常

此处是因为JDBC连接信息不正确导致MP自动配置发生异常。当点击图标后,通义灵码给出了分析和解决办法,并对结果提供中英翻译功能。

总结

  • 确有帮助,提高了开发人员的工作效率
  • 对于编码规范,帮助很大
  • 通义灵码也会给出错误的信息,不可全信
  • 缺点:占机器资源

引用

目录
相关文章
|
5月前
|
人工智能 API 数据库
MCP Server 开发实战 | 大模型无缝对接 Grafana
以 AI 世界的“USB-C”标准接口——MCP(Model Context Protocol)为例,演示如何通过 MCP Server 实现大模型与阿里云 Grafana 服务的无缝对接,让智能交互更加高效、直观。
1807 116
|
4月前
|
人工智能 自然语言处理 算法
AI智能混剪视频大模型开发方案:从文字到视频的自动化生成·优雅草卓伊凡
AI智能混剪视频大模型开发方案:从文字到视频的自动化生成·优雅草卓伊凡
337 0
AI智能混剪视频大模型开发方案:从文字到视频的自动化生成·优雅草卓伊凡
|
4月前
|
人工智能 缓存 JavaScript
通义灵码深度体验:AI编程助手如何提升全栈开发效率
通义灵码是一款强大的AI编程助手,支持从代码补全到智能体自主开发的全流程辅助。在React+Node.js项目中,其实现了100%字段匹配的Mongoose Schema生成;通过`@灵码`指令,30秒内完成天气查询CLI工具开发,包含依赖管理与文档编写。其上下文记忆能力可自动关联模块逻辑,如为商品模型扩展库存校验。集成MCP服务时,不仅生成基础代码,还推荐最佳实践并添加缓存优化。测试显示,其响应速度快、复杂任务准确率高,适合中小型项目快速迭代,初期开发效率提升约40%。尽管存在文档同步延迟和TypeScript支持不足的问题,仍是一款优秀的AI编程伙伴。
249 7
|
4月前
|
人工智能 监控 API
狂揽22.6k星!这个开源工具让你一键调用100+大模型,开发效率直接起飞!
LiteLLM是由BerriAI团队开发的开源项目,通过标准化OpenAI格式API接口,支持调用100+主流大语言模型(如OpenAI、Azure、Anthropic等)。其核心功能包括统一调用方式、企业级智能路由、异步流式响应及环境变量管理。项目适用于企业AI中台搭建、多模型对比测试、教育科研实验等场景。技术架构涵盖接口层、路由层、管理层与监控层,提供高效稳定的服务。相比LangChain、LlamaIndex等项目,LiteLLM在多平台混合开发方面优势显著。项目地址:https://github.com/BerriAI/litellm。
339 2
|
5月前
|
人工智能 程序员 API
以人脸识别验票机为例,通义灵码如何助力嵌入式软硬件开发中的快速功能验证
本文分享通义灵码在嵌入式软硬件开发中的应用。通过实际案例——基于人脸识别的验票机开发,展示通义灵码如何助力快速原型验证。从时延、稳定性、准确率、安全性到成本效益,全面评估API性能。借助通义灵码,复杂编程任务得以简化,大幅提高开发效率,让开发者专注于更有价值的优化与测试工作。体验地址已提供,欢迎下载探索。
|
2月前
|
人工智能 持续交付 开发工具
AI大模型运维开发探索第五篇:GitOps 智能体
本文探讨了如何结合 Manus 的智能体设计理念与 GitOps 持续集成技术,构建低成本、高扩展性的智能体系统。通过借鉴 Manus 的沙箱机制与操作系统交互思路,利用 Git 作为智能体的记忆存储与任务调度核心,实现了推理过程可视化、自进化能力强的智能体架构。文章还分享了具体落地实践与优化经验,展示了其与 Manus 相当的功能表现,并提供了开源代码供进一步探索。
324 20
|
1月前
|
人工智能 JavaScript 前端开发
​​大模型开发从入门到部署
本内容系统讲解大语言模型技术,涵盖BERT、GPT等主流架构,深入Transformer原理与自注意力机制,结合PyTorch实战,详解张量操作、自动求导与模型训练,并介绍RAG、Agent等典型应用场景,助你掌握AI核心技术。
126 0
|
5月前
|
机器学习/深度学习 人工智能 并行计算
AI部署架构:A100、H100、A800、H800、H20的差异以及如何选型?开发、测试、生产环境如何进行AI大模型部署架构?
AI部署架构:A100、H100、A800、H800、H20的差异以及如何选型?开发、测试、生产环境如何进行AI大模型部署架构?
AI部署架构:A100、H100、A800、H800、H20的差异以及如何选型?开发、测试、生产环境如何进行AI大模型部署架构?
|
3月前
|
数据采集 存储 人工智能
智能体(AI Agent)开发实战之【LangChain】(二)结合大模型基于RAG实现本地知识库问答
智能体(AI Agent)开发实战之【LangChain】(二)结合大模型基于RAG实现本地知识库问答
|
4月前
|
缓存 人工智能 自然语言处理
通义灵码2.5——基于编程智能体开发Wiki多功能搜索引擎
本文介绍了基于通义灵码2.5 AI编码助手开发的Wiki多功能搜索引擎系统。该系统采用Python技术栈,实现了多数据源统一搜索、异步并行查询和智能缓存等功能。通过AI辅助完成了从需求分析、架构设计到代码生成的全流程开发,显著提升了开发效率。系统采用模块化分层架构,包含数据源抽象层、搜索管理层和缓存层等核心组件,支持自然语言交互和个性化代码推荐。这一实践展示了AI与开发者深度协作的智能化开发新模式。

热门文章

最新文章