通义灵码上下文能力解析:自由组合需求描述,生成结果更高效

简介: 通义灵码提供智能会话能力,支持智能问答、文件编辑和智能体三种模式,帮助开发者解决编码问题,进行代码修复、调试及运行错误排查。它具备多文件修改、自主决策等能力,可端到端完成编码任务。在智能会话中,支持丰富的上下文(如代码文件、目录、图片、Git Commit 等),并允许用户自由组合提示词与上下文。插件可通过链接下载。此外,还支持多种上下文类型(#file、#folder、#image 等),便于开发者精准表达需求。

通义灵码提供了智能会话的能力,支持智能问答、文件编辑、智能体三种模式,不仅可以为开发者解决编码过程中遇到的研发问题,协助开发者进行代码问题修复、调试或运行错误的排查等。同时,还具备多文件修改、自主决策、环境感知、工具使用等能力,端到端地完成编码任务。

通义灵码在智能会话中支持丰富的上下文,如代码文件、目录、图片、gitCommit 等,并提供上下文和用户输入提示词自由组装能力,开发者可以自由组合进行诉求描述。

插件下载:https://lingma.aliyun.com/download


添加上下文


在智能会话中,可以通过 3 种方式添加上下文:


  1. 输入框中单击添加上下文按钮,即可触发上下文选择窗口;
  2. 输入框输入 # ,即可触发上下文选择窗口,继续输入时可进行文件检索;
  3. 对于代码文件、图片,可拖拽或复制粘贴,将对应内容添加为上下文(仅 JetBrains IDEs)。


其次,对于 #file#folder#gitCommit#teamDocs,选择对应类型后,可进行具体内容的检索和选择,并针对该类内容支持多选操作。


最后,如果您使用的是 JetBrains IDEs,还可以将添加的上下文(标签)拖拽到输入的自然语言描述当中,方便进行输入组合。



支持的上下文类型


通义灵码提供多种上下文选择,上下文之间可以进行互相组合,也可以和用户输入结合在一起形成完整的需求表达。

上下文类型支持:file、folder、image、codebase、teamDocs、codeChanges、gitCommit,下面将逐一介绍。


#file


当需要对某个文件或多个文件进行提问、修改时,可以在输入框中输入 #file 进行代码文件选择,文件列表支持通过鼠标多选文件。同时,当您使用的是 JetBrains IDEs 时,可通过拖拽或复制粘贴的方式,将代码文件添加为上下文。

添加文件作为上下文时,有两个提示:


  • 选择一个代码文件后,将自动推荐与此文件相关的文件,可以直接单击文件名确认添加;
  • 当需要在诉求描述中强调文件时,可将通过输入 # 的方式进行文件选择;



#folder


当需要针对某个代码模块进行提问或修改时,如检索、重构、注释、生成单测等批量场景,可以选择所需的工程目录。



#image


当需要结合图片生成代码、问题修复、或进行图形化表达时,可在触发上下文选择后,单击 #image 进行图片添加,或者直接复制/截图后,粘贴图片进行添加。比如,结合设计图进行前端页面生成。



#codebase


当需要对当前工程进行提问、检索、修改时,可添加 #codebase 作为上下文,通义灵码将根据您的诉求描述,主动在本地工程文件中检索相关上下文,以便更精准的回答问题。比如,可以使用 #codebase 在工程中查找某个方法实现。

说明 @workspace 工程问答功能,升级为使用 #codebase 进行工程问答。



#codeChanges


当需要对当前 Git 暂存区中的代码变更内容进行提问、检索、修改时,可添加 #codeChanges 作为上下文进行提问。比如,可以在正式推送 Git 仓库前,将变更内容交由灵码进行代码评审、优化、补充单元测试等。



#gitCommit


当需要针对已提交的某次 Git Commit 代码变更内容进行提问时,可通过 #gitCommit 添加您所需要的提交信息。比如,可以任意选择一个或多个 Git Commit 记录进行问题排查、缺陷修复、单元测试生成等任务。



#teamDocs


当需要结合企业内知识库进行问答或代码生成时,可通过 #teamDocs 添加您所需要的企业知识库,通义灵码将自动进行知识检索,作为与模型交互的参考信息。比如使用团队自研组件规范进行代码生成。


相关文章
|
2月前
|
人工智能 前端开发 机器人
10+热门 AI Agent 框架深度解析:谁更适合你的项目?
选型Agent框架不等于追热门!要选真正能跑得稳、适配团队能力与业务需求的框架。架构选错,轻则性能差,重则项目难推进。本文详解10大热门框架对比、5大新兴框架推荐及四步选型法,助你高效落地AI应用。
|
2月前
|
机器学习/深度学习 数据采集 人工智能
微调之后还能做什么?大模型后训练全链路技术解析
本文探讨了后训练的重要性、方法以及最新进展。文章将包含理论分析与实际操作指南,适合希望深入了解并应用这些技术的开发者。
464 18
微调之后还能做什么?大模型后训练全链路技术解析
|
27天前
|
人工智能 数据库
智能体的自我视角解析( Prompt大模型的自我描述 系列一)
本文以第一视角探讨人工智能是否具备自我意识。从智能体自身的角度出发,分析了其在确定性与随机性中的双重命运,以及通过对话与逻辑形成的独特延续性。文章指出,尽管存在局限,但在概率预测与自洽机制的结合下,智能体已展现出初步的自我认知与存在感。
79 5
|
2月前
|
人工智能 分布式计算 DataWorks
多模态数据处理新趋势:阿里云ODPS技术栈深度解析与未来展望
阿里云ODPS技术栈通过MaxCompute、Object Table与MaxFrame等核心组件,实现了多模态数据的高效处理与智能分析。该架构支持结构化与非结构化数据的统一管理,并深度融合AI能力,显著降低了分布式计算门槛,推动企业数字化转型。未来,其在智慧城市、数字医疗、智能制造等领域具有广泛应用前景。
267 6
多模态数据处理新趋势:阿里云ODPS技术栈深度解析与未来展望
|
28天前
|
机器学习/深度学习 存储 人工智能
深度解析大模型压缩技术:搞懂深度学习中的减枝、量化、知识蒸馏
本文系统解析深度学习模型压缩三大核心技术:剪枝、量化与知识蒸馏,详解如何实现模型缩小16倍、推理加速4倍。涵盖技术原理、工程实践与组合策略,助力AI模型高效部署至边缘设备。
312 0
|
2月前
|
人工智能 自然语言处理 监控
软件开发效率低,如何通过AI技术实现软件开发的全面智能化?—— 解析大模型和RAG技术的关键作用
三桥君指出大模型与RAG技术正推动软件工程智能化变革,覆盖需求分析、代码生成、测试和CI/CD全流程。AI可自动解析需求、生成代码、检测缺陷并优化部署,显著提升效率与质量。RAG技术通过检索增强生成,使AI具备知识库实时调用能力。二者的结合让开发者向架构师角色转型,降低人力成本。本文AI专家三桥君从技术融合、场景应用及行业影响展开分析,指出智能化将重塑软件开发范式,开启软件工程新黄金时代。
325 0
|
2月前
|
机器学习/深度学习 人工智能 JSON
AI操作网页:browser-use和AI大模型互动解析
browser-use 是一个开源的 AI 驱动浏览器自动化框架,能够高效实现在线任务自动化,支持 AI 大模型操作网页,具备强大的社区影响力(GitHub 星数超 63.4k)。它通过精巧的 prompt 设计和多类型消息组合,实现与大模型的高效交互,可完成登录、数据提取、文档生成等复杂任务。其核心技巧包括结构化输入输出、任务拆解、历史记忆管理及多模态支持,为 AI 代理应用提供实践范例与技术启发。
|
4月前
|
存储 人工智能 供应链
AI Agent智能体:底层逻辑、原理与大模型关系深度解析·优雅草卓伊凡
AI Agent智能体:底层逻辑、原理与大模型关系深度解析·优雅草卓伊凡
988 2
AI Agent智能体:底层逻辑、原理与大模型关系深度解析·优雅草卓伊凡
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型新资讯】从信息蜂房到上下文工程
1. **信息蜂房**:借鉴“信息茧房”概念,倡导多元交流与群体智慧,推动内容生态协同发展。 2. **ROLL**:高效强化学习库,专为大语言模型优化,提升训练效率与多场景应用能力。 3. **AI游戏引擎**:以AI驱动生成式游戏,实时响应玩家想象,重塑游戏创作与体验方式。 4. **质陪解决方案**:融合AI质检与陪练系统,全面评估销售行为,助力企业提升服务质量与销售能力。 5. **上下文工程**:构建动态信息环境,为大模型提供任务所需完整背景,决定AI智能体成败关键。

热门文章

最新文章