Dane GitHub Copilot

W tej lekcji omówimy to, jak GitHub Copilot obsługuje dane w różnych środowiskach, funkcjach i konfiguracjach.

Przetwarzanie danych na potrzeby sugestii dotyczących kodu Copilot w usłudze GitHub

Narzędzie GitHub Copilot w edytorze kodu nie zachowuje żadnych monitów, takich jak kod lub inny kontekst używany do celów dostarczania sugestii dotyczących trenowania podstawowych modeli. Odrzuca monity po zwróceniu sugestii.

Subskrybenci usługi GitHub Copilot Individual mogą zrezygnować z udostępniania swoich monitów usłudze GitHub, które w przeciwnym razie zostaną użyte do dostosowania podstawowego modelu GitHub.

Przetwarzanie danych na potrzeby czatu GitHub Copilot

Usługa GitHub Copilot Chat działa jako interaktywna platforma, umożliwiając deweloperom angażowanie się w interakcje konwersacyjne z asystentem sztucznej inteligencji w celu uzyskania pomocy dotyczącej kodowania. Oto kroki, które wykonuje i które mogą różnić się od innych funkcji, takich jak uzupełnianie kodu:

• Formatowanie: Copilot skrupulatnie formatuje wygenerowaną odpowiedź w celu uzyskania optymalnej prezentacji w interfejsie czatu. Wyróżnia fragmenty kodu w celu zwiększenia czytelności i może zawierać opcje bezpośredniej integracji z kodem. Copilot prezentuje sformatowaną odpowiedź w oknie czatu copilot w środowisku IDE, co pozwala na łatwe przeglądanie podanych informacji i interakcję z nimi.
• Zaangażowanie użytkownika: możesz aktywnie wchodzić w interakcję z odpowiedzią, zadając pytania uzupełniające, żądając wyjaśnień lub podając dodatkowe dane wejściowe. Interfejs czatu utrzymuje historię konwersacji, aby ułatwić kontekstowe zrozumienie w kolejnych interakcjach.
• Przechowywanie danych: w przypadku Copilot Chat w edytorze kodu i interfejsie wiersza polecenia Copilot GitHub domyślnie nie przechowuje promptów i sugestii. W przypadku Copilot w usłudze GitHub i Copilot w usłudze GitHub Mobile system domyślnie utrzymuje je przez maksymalnie 28 dni.

Typy promptów obsługiwane przez GitHub Copilot Chat

Usługa GitHub Copilot Chat przetwarza szeroką gamę monitów związanych z kodowaniem, pokazując swoją wszechstronność jako asystenta kodowania konwersacyjnego. Oto kilka typowych typów danych wejściowych:

• Pytania bezpośrednie: możesz zadać konkretne pytania dotyczące pojęć związanych z kodowaniem, bibliotekami lub rozwiązywania problemów. Na przykład „Jak mogę zaimplementować algorytm szybkiego sortowania w języku Python?” lub „Dlaczego mój komponent React nie renderuje?”
• Żądania związane z kodem: możesz zażądać generowania, modyfikowania lub wyjaśnienia kodu. Przykłady obejmują "Napisz funkcję do obliczania silni", "Napraw ten błąd w moim kodzie" lub "Wyjaśnij ten fragment kodu".
• Pytania otwarte: możesz eksplorować pojęcia kodowania lub szukać ogólnych wskazówek, zadając otwarte pytania, takie jak "Jakie są najlepsze rozwiązania dotyczące pisania czystego kodu?" lub "Jak mogę poprawić wydajność mojej aplikacji w języku Python?"
• Podpowiedzi kontekstowe: możesz podać fragmenty kodu lub opisać konkretne scenariusze kodowania w celu uzyskania dostosowanej pomocy. Na przykład „Oto część mojego kodu, możesz zasugerować ulepszenia?” lub „Tworzę aplikację internetową, czy możesz mi pomóc w przepływie uwierzytelniania?”

Zdolność Copilot Chat do przetwarzania różnych typów danych wejściowych zwiększa jego użyteczność jako kompleksowego towarzysza kodowania.

Ograniczone okna kontekstowe

Chociaż funkcja GitHub Copilot Chat wyróżnia się w zrozumieniu i odpowiadaniu na monity, ważne jest, aby uwzględnić to ograniczenie okien kontekstowych. Odnosi się to do ilości otaczającego kodu i tekstu, który model może przetwarzać jednocześnie w celu wygenerowania sugestii. Okno kontekstu narzędzia GitHub Copilot zwykle waha się od około 200–500 wierszy kodu lub do kilku tysięcy tokenów. To ograniczenie może się różnić w zależności od określonej implementacji i wersji używanego rozwiązania Copilot.

Copilot Chat obecnie działa z oknem kontekstowym 4k tokenów, zapewniając szerszy zakres zrozumienia i reagowania na zapytania użytkowników w porównaniu ze standardowym Copilot.

Pomimo tych postępów należy pamiętać o ograniczeniach okna kontekstowego podczas tworzenia monitów. Podzielenie złożonych problemów na mniejsze, bardziej ukierunkowane zapytania lub udostępnienie odpowiednich fragmentów kodu może znacznie zwiększyć zdolność modelu do zapewnienia dokładnych i przydatnych odpowiedzi.