செய்யறிவு(AI) என்பது நமக்குத் தெரிந்தஅளவு நாம் வாழ்கின்ற இந்தஉலகை மாற்றியமைத்துவருகிறது,மேலும் நிரலாளர்களுக்கு, அதைபின்பற்றுவது உற்பத்தித்திறனை கணிசமாக அதிகரி்க்கவும் வசதிகளைமேம்படுத்தவும் தகவல்களை விரைவாக அனுப்பவும், நமக்காக பரிசோதனைக்கான குறிமுறைவரிகளை எழுதவும், அவ்வாறான குறிமுறைவரிகளில் உள்ள பாதிப்புகளைக் கண்டறியவும் இது உதவுகிறது.
தற்போதைய சூழலில் இணையமானது பல்வேறு கருவிகளை ஏராளமானஅளவில் வழங்குகிறது, ஆனால் அவைகளிலிருந்து சரியானதைதேடிக் கண்டுபிடிப்ப தற்காவே அதிக நேரத்தையும் முயற்சியையும் எடுக்கவேண்டியுள்ளது. எனவே, அவ்வாறானவைகளுள் ஒரு சிறந்த நிரலாளராக மாறுவதற்கான செய்யறிவு(AI) கருவிகளின் பட்டியல் பின்வருமாறு .
1. SWE-Kit 👑:
ஒரு நிரலாளராக, codebase உடன் அரட்டை அடிப்பதற்கும், GitHub இல் மாற்றங்களைத் தானியங்குபடுத்துவதற்கும், புதிய வசதிகளைத் தானாகவே அனுப்புவதற்கும் தனிப்பயனாக்கப்பட்ட செய்யறிவு(AI) கருவிகளை உருவாக்க எப்போதும் விரும்பிடுவோம். இது வரை அவ்வாறான வகையில் எந்த ஒரு கருவியையும் கண்டுபிடிக்க முடியவில்லை.ஆயினும்
SWE-Kit என்பது LSPகள், குறிமுறைவரிகளை அட்டவணைப்படுத்தல், குறிமுறைவரிகளை RAG போன்ற வசதிகளைக் கொண்ட தலைப்பில்லா IDE ஆகும். இது ஒரு நெகிழ்வான இயக்க நேரத்தை வழங்குகிறது, இது சிறப்பு குறிமுறைவரிகள் கருவித்தொகுப்புகளுடன் எந்த Docker host அல்லது தொலைதூர சேவையாளரிலும் இயங்குகின்ற திறன்மிக்கது.
இந்த கருவித்தொகுப்புகளில் GitHub, Jira, Slack, போன்ற இயங்குதளங்களுடனான ஒருங்கிணைப்புகளும், கோப்பினைத் தேடுதல் ,குறிமுறைவரிகளை அட்டவணைப்படுத்தல் போன்ற கருவிகளும் அடங்கும்.
SweKit உடன் கட்டமைக்கப்பட்ட குறிமுறைவரிகள் முகவரால் சரிபார்க்கப்பட்ட SWE benchஇல் கவர்ந்திழுக்கூடிய 48.60% மதிப்பெண்களைப் பெற்றுள்ளது.
Django, Scikit-learn, Flask, Sympy போன்ற பிரபலமான நூலகங்களிலிருந்து சில நடப்பு-உலக GitHub சிக்கல்களும் இந்த விரிவான அளவுகோளில் அடங்கும்.
இது LangChain, CrewAI , Autogen , LlamaIndex போன்ற அனைத்து முக்கிய LLM கட்டமைப்புகளுடன் இணக்கமானது.
இதனை நமக்கானதாக சொந்தமாக உருவாக்கலாம், பரவலாக அமர்த்தலாம் .
இது GitHub PR Agent: இது GitHub PRகளின் மதிப்பாய்வை தானியக்கமாக்கப் பயன்படுகிறது.
SWE Agent: வசதிகள், அலகு சோதனைகள், ஆவணங்கள் போன்றவற்றை தானாகவே எழுத SWE Agent:ஐ உருவாக்கலாம்.
Chat with Codebase: குறிமுறைவரிகளை அட்டவணையிடல் கருவியைப் பயன்படுத்தி எந்த தொலைநிலை அல்லது உள்ளூர் Codebase உடனும் அரட்டையடிக்க நாமே ஒரு கருவியை உருவாக்கலாம்.
விரைவாகத் தொடங்க swekit , composio-coreஆகியவற்றினை பின்வருமாறான கட்டளைவரியுடன் நிறுவுகைசெய்திடுக.
pip install compsio-core swekit
நம்முடைய விருப்பப்படி எந்த கட்டமைப்பையும் பின்வருமாறான கட்டளைவரியுடன் நிறுவுகைசெய்திடுக.
pip install crewai composio-crewai
இப்போது,GitHubஅணுகலுடன் ஒரு குறிமுறைவரிகளின் முகவரை பின்வருமாறான கட்டளைவரியுடன் உருவாக்கிடுக.
composio add github
புதிய agent scaffolding.எனும் ஒன்றை பின்வருமாறான கட்டளைவரியுடன் உருவாக்கிடுக.
swekit scaffold crewai -o swe_agent
முகவரை பின்வருமாறான கட்டளைவரியுடன்இயக்கிடுக.
cd swe_agent/agent
python main.py
இது டோக்கரை இயல்புநிலை பணியிட சூழலாகப் பயன்படுத்திகொள்கிறது. மேலும் விவரங்களுக்குhttps://docs.composio.dev/swekit/introduction எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக.
2.Aider –
குறிமுறைவரிகளை விரைவாக அனுப்ப உதவுகின்ற இரட்டையான நிரலாளர்களை தேடுகின்றோம் எனில், இது சரியான தேர்வாகும்.
நம்முடைய உள்ளூர் கிட்ஹப் களஞ்சியத்தில் குறிமுறைவரிகளைத் திருத்த LLMகளுடன் நிரல்களை இணைக்கAiderஆனது நம்மை அனுமதிக்கிறது. இதன்வாயிலாக நமக்காகவென ஒரு புதிய செயல்திட்டத்தைத் தொடங்கலாம் அல்லது ஏற்கனவே உள்ள GitHub repoஉடன் பணிபுரியலாம்.
பின்வருமாறான கட்டளைவரிகளுடன் விரைவாகத் தொடங்கலாம்:
pip install aider-chat
Change the directory into a git repo
cd /to/your/git/repo
Work with Claude 3.5 Sonnet on your repo
export ANTHROPIC_API_KEY=your-key-goes-here
aider
Work with GPT-4o on your repo
export OPENAI_API_KEY=your-key-goes-here
aider
மேலும் விவரங்களுக்குhttps://aider.chat/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக.
- Mentat –
Mentat என்பது நம்முடைய கட்டளை வரியிலிருந்து எந்தவொரு குறிமுறைவரிகளின் பணியையும் சமாளிக்க உதவும் ஒரு செய்யறிவு(AI) கருவியாகும்.
Copilot போன்றில்லாமல், Mentatஆனது பல்வேறு கோப்புகளில் இருப்பிடங்களில் திருத்தங்களை ஒருங்கிணைக்க முடியும். ChatGPT போன்றில்லாமல், செயல்திட்டத்தின் சூழலை இது துவக்கத்தில் இருந்தே புரிந்துகொள்கிறது – அதற்காகவென தனியாக நகலெடுத்து ஒட்ட வேண்டிய அவசியமில்லை!
குறிமுறைவரிகளை அடிப்படைகளுடன் நேரடியாகத் தொடர்புகொள்வதற்கு இது ஒரு தனிப்பட்ட CLI கருவியைக் கொண்டுள்ளது இதன் வாயிலாக முனைமங்களில் உள்ள அறிவுறுத்தல்களில் இருந்து பைதான் குறிமுறைவரிகளை உருவாக்கி இயக்க முடியும்.
Mentatஐ இயக்க, அதற்கான படிமுறைகளைப் பின்பற்றிடுக. முதலில், பின்வருமாறான குறிமுறைவரிகளின் வாயிலாக பைதான் மெய்நிகர் சூழலை உருவாக்கிடுக.
Python 3.10 or higher is required
python3 -m venv .venv
source .venv/bin/activate
GitHub களஞ்சியத்தை பின்வருமாறான கட்டளைவரிகளுடன் நகலெடுத்திடுக.
git clone github.com/AbanteAI/mentat.git
cd mentat
install with pip in editable mode:
pip install -e .
OpenAI அல்லது LLM வழங்குநரின் API விசையைபின்வருமாறான கட்டளைவரிமூலம் சேர்த்திடுக.
export OPENAI_API_KEY=<your key here>
செயல்திட்டக் கோப்பகத்தில் இருந்து Mentatஐ இயக்கிடுக. Mentatஆனது gitஐ பயன்படுத்திகொள்கிறது, எனவே செயல்திட்டத்தில் ஏற்கனவே git ஐ அமைக்கப்படவில்லை எனில், git init.ஐ இயக்கிடுக. பின்னர் Mentatஐ பின்வருமாறான கட்டளைவரியுடன் இயக்கலாம்:
mentat <paths to files or directories>
Mentatகுறித்த மேலும் விவரங்களுக்குhttps://docs.mentat.ai/en/stable/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக
- AutoCodeRover-
AutoCodeRover ஆனது GitHub சிக்கல்களைத் தீர்ப்பதற்கான ஒரு முழுமையான தானியங்கியான தீர்வை வழங்குகிறது, இதில் பிழைத் திருத்தங்களை , வசதிகளைச் சேர்த்தல்களும் அடங்கும்.
மேம்பட்ட பகுப்பாய்வு, பிழைத்திருத்த திறன்களுடன் LLMகளை இணைப்பதன் மூலம், AutoCodeRover தொகுப்புகளை திறம்பட உருவாக்கவும் செயல்படுத்தவும் patch இருப்பிடங்களுக்கு முன்னுரிமை அளிக்கிறது.
இதனை தொடங்குவதற்கு, பின்வருமாறான கட்டளைவரியுடன் OPENAI_API_KEY அல்லது வேறு ஏதேனும் ஒன்றை அமைத்திடுக,
export OPENAI_KEY=sk-YOUR-OPENAI-API-KEY-HERE
பின்வருமாறான கட்டளைவரிகளுடன் dockerஉருவப்படத்தை உருவாக்கி இதனை தொடங்கிடுக
docker build -f Dockerfile -t acr .
docker run -it -e OPENAI_KEY=”${OPENAI_KEY:-OPENAI_API_KEY}” -p 3000:3000 -p 5000:5000 acr
மேலும் விவரங்களுக்குhttps://www.autocoderover.net/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக.
5.Continue
Cursor IDE பற்றி கேள்விப்பட்டிருக்கலாம், இது பிரபலமான செய்யறிவால்(AI)-இயங்கும் IDE ஆகும்; Continue என்பது அதைப் போன்றது ஆனால் Apache உரிமத்தின் கீழ் திறமூலமாக வெளியிடப்பெற்றுள்ளது. இது மிகவும் தனிப்பயனாக்கக்கூடியது தானாக நிறைவுசெய்வதற்கு அல்லது அரட்டையடிப்பதற்கு எந்த மொழி மாதிரியையும் சேர்க்க நம்மை அனுமதிக்கிறது. இது உற்பத்தித்திறனை பெரிதும் மேம்படுத்திடுகின்றது. Continue உடன் VScode , JetBrains ஆகியவற்றினை சேர்த்துபயன்படுத்திகொள்ளலாம்.
முக்கிய வசதிவாய்ப்புகள்
பக்கப்பட்டியில் உள்ள குறிமுறைவரிகளைப் புரிந்துகொண்டு மீண்டும் அரட்டையடிக்கலாம்
தட்டச்சு செய்யும் போது உள்ளக குறிமுறைவரிகளின் பரிந்துரைகளைப் பெறுவதற்குத் தானாக நிறைவு செய்திடலாம்
தற்போதைய கோப்பை விட்டு வெளியேறாமல் குறிமுறைவரிகளை திருத்திடலாம்
அன்றாட பயன்பாட்டு நிகழ்வுகளுக்கான குறுக்குவழிகளை நிறுவுகைசெய்வதற்கான நடவடிக்கைகள் எடுத்திடலாம்
மேலும் விவரங்களுக்குhttps://docs.continue.dev/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக
- Qodo Merge-
Codium AI வழங்குகின்ற இந்த திறமூலகருவியானது GitHub Pull கோரிக்கை மதிப்பாய்வு, பகுப்பாய்வு, கருத்துகளை , பரிந்துரைகளை தானியங்குபடுத்துகிறது. இது இழுத்துசெல்கின்ற கோரிக்கைகளின் மூலம் அதிகமாக உருவாக்க உதவுகின்றது. GitLab, BitBucket போன்ற பிற பதிப்பு கட்டுப்பாட்டு அமைவுகளுடன் இணக்கமாக உள்ளது. இது சுதந்திரமான புரவலர்,மேககணினிபுரவலர் ஆகிய இரு தீர்வுகளையும் கொண்டுள்ளது. நமக்கு ஒரு OpenAIஇன் API விசை, ஒரு GitHub அல்லது GitLab அணுகல் அனுமதிசீட்டு ஆகியன தேவைப்படும். அதை வளாகத்தில் பயன்படுத்த,பின்வருமாறான கட்டளைவரியுடன் இதன் நூலகத்தை நிறுவுகை செய்திடுக.
pip install pr-agent
பின்னர், கீழே உள்ள உரைநிரலின் மூலம் தொடர்புடைய கருவியை இயக்கிடுக. தேவையான அளவுருக்களை (user_token, openai_key, pr_url, command) நிரப்புவதை உறுதிசெய்திடுக:
from pr_agent import cli
from pr_agent.config_loader import get_settings
def main():
Fill in the following values
provider = “github” # GitHub provider
user_token = “…” # GitHub user token
openai_key = “…” # OpenAI key
pr_url = “…” # PR URL, for example ‘https://github.com/Codium-ai/pr-agent/pull/809’
command = “/review” # Command to run (e.g. ‘/review’, ‘/describe’, ‘/ask=”What is the purpose of this PR?”‘, …)
Setting the configurations
get_settings().set(“CONFIG.git_provider”, provider)
get_settings().set(“openai.key”, openai_key)
get_settings().set(“github.user_token”, user_token)
Run the command. Feedback will appear in GitHub PR comments
cli.run_command(pr_url, command)
if name == ‘main‘:
நாம் இதன் Docker imagesஐ கூட பயன்படுத்தி கொள்ளமுடியும் .அல்லது மூலக்குறிமுறைவரிகளிலிருந்து இயக்கமுடியும் . மேலும் விவரங்களுக்குhttps://qodo-merge-docs.qodo.ai/tools/documentation/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக
7.OpenHands AI
OpenHands AI என்பது முகவர்களுக்கான முன்னணி திறமூல தளங்களில் ஒன்றாகும் மேலும் இது Devinஉடன் நேரடி போட்டியாளராக உள்ளது. ஒரு OpenHands முகவரின் மூலம் புதிய greenfield செயல்திட்டங்களை உருவாக்கலாம், ஏற்கனவே உள்ள குறிமுறைவரிகளின் அடிப்படைகளில் புதிய வசதிகளைச் சேர்க்கலாம், பிழைத்திருத்தச் சிக்கல்கள்,போன்ற பலவற்றைச் செய்யலாம். சமீபத்தில், அவர்களின் முகவர் SWE-bench leaderboard 53% உடன் முதலிடம் பிடித்துள்ளது. OpenHands உடன் தொடங்க, நமக்கு Docker பதிப்பு 26.0.0+ அல்லது Docker Desktop 4.31.0+ , Linux, Mac அல்லது WSL தேவையாகும். பின்வருமாறான குறிமுறைவரிகளுடன் docker image இழுத்துசென்று containeஐ இயக்கிடுக
docker pull docker.all-hands.dev/all-hands-ai/runtime:0.12-nikolaik
docker run -it –rm –pull=always \
-e SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:0.12-nikolaik \
-v /var/run/docker.sock:/var/run/docker.sock \
-p 3000:3000 \
–add-host host.docker.internal:host-gateway \
–name openhands-app \
docker.all-hands.dev/all-hands-ai/openhands:0.12
மேலே உள்ள கட்டளைவரிகளை இயக்கிய பிறகு, localhost:3000 இல் OpenHands ஆனது இயங்குவதைக் காணலாம். OpenHands ஐத் தொடங்கும்போது, ஒரு அமைப்பு மாதிரியைக் காணலாம். LLM வழங்குநரில் , LLM மாதிரியைத் தேர்ந்தெடுத்து, தொடர்புடைய API விசையை உள்ளிடுக. UI இன் அமைப்புகள் பொத்தானைத் தேர்ந்தெடுப்பதன் மூலம் எப்போது வேண்டுமானாலும் இவற்றை மாற்றலாம்.மாதிரியானது பட்டியலிடப்படவில்லை என்றால், மேம்பட்ட பயன்முறையை மாற்றி, அதை கைமுறையாக உள்ளிடுக
இவை முகவர்களுடன் பணிபுரிய நான்கு வழிமுறைகளை வழங்குகின்றன: ஒரு ஊடாடும் GUI, ஒரு கட்டளை-வரி இடைமுகம் (CLI), தலைப்பில்லாத பயன்முறை GitHub செயல்களின் மூலம் ஊடாடாத பயன்பாட்டிற்கான வாய்ப்புகள்.அவை ஒவ்வொன்றுக்கும் அதனதன் நன்மை உண்டு. மேலும் விவரங்களுக்கு openhands.ai4bharat.org/en/latest/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக
- Cody
Cody என்பது Sourcegraph இன் திறமூல செயல்திட்டமாகும், இது VS குறிமுறைவரிகள், JetBrains அல்லது மற்றவை எதுவாக இருந்தாலும் நம்முடைய IDE க்குள் நேரடியாக நம்முடைய குறிமுறைவரிகளின் பணிப்பாய்வுகளை supercharge செய்திடுமாறு வடிவமைக்கப்பட்டுள்ளது. வளாகத்தில், தொலை நிலையில் உள்ள குறிமுறைவரிகளின் தளங்களிலிருந்து சூழலை இழுத்துசெல்ல, குறிமுறைவரிகளின் உதவியாளராக மேம்பட்ட தேடலை இது பயன்படுத்துகிறது. இதுநம்முடைய IDE இலிருந்து எந்த அளவிலும் APIகள், சின்னங்கள், பயன்பாட்டு முறைகள் பற்றிய விவரங்களுக்கு தடையற்ற அணுகலைச் செயல்படுத்துகிறது. Cody மூலம், நம்முடைய codebase உடன் அரட்டையடிக்கலாம், inline திருத்தங்களைச் செய்யலாம், குறிமுறைவரிகளின் பரிந்துரைகளைப் பெறலாம் தானியங்கியான-நிறைவு போன்ற வசதிகளை அனுபவிக்கலாம், இவை அனைத்தும் விரைவாகவும் மேலும் திறம்படவும் குறிமுறைவரிகளில் செய்ய நமக்கு உதவுகின்றது. இதை நம்முடைய IDE களில் நிறுவுகைசெய்து தொடங்கலாம். மேலும் விவரங்களுக்கு developers.meetcody.ai/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக -
VannaAI:
இதன்வாயிலாக பயமெதுவும்இல்லாமல் SQL வினவல்களை எழுதிடுக, ஆனால் அதே நேரத்தில், இது நவீன மென்பொருள் உருவாக்கத்தில் மிகவும் முக்கியமான தொழில்நுட்பங்களில் ஒன்றாகும். தொடர்புடைய தரவுத்தளங்களுடன் தொடர்புகொள்வதற்கு கிட்டத்தட்ட அனைத்து நிறுவனங்களும் SQL ஐ பெரிதும் நம்பியுள்ளன. ஆனால் அவர்கள் சொல்வது போல், அதற்காகவென தனியாகஒரு செய்யறிவு(AI) கருவி , SQL தரவுத்தளங்கள் எப்போதும் உள்ளன; அது Vanna AIஆகும். இது ஒரு திற மூல கருவியாகும், இது இயற்கையான மொழியைப் பயன்படுத்தி SQL தரவுத்தளங்களுடன் அரட்டையடிக்க நம்மை அனுமதிக்கிறது. Vanna இரண்டு எளிய படிமுறைகளில் செயல்படுகிறது – தரவில் RAG “model”ஐ பயிற்றுவித்து, பின்னர் தரவுத்தளத்தில் தானாகவே இயங்கும் வகையில் அமைக்கப்படுகின்றது SQL வினவல்களை வழங்கும் கேள்விகளைக் கேட்டிடுக.
Vanna உடன் பணியைதொடங்குவது எளிது. pip.ஐ பயன்படுத்தி அதை பின்வருமாறான கட்டளைவரிகளுடன் நிறுவுகைசெய்திடுக.
pip install vanna
The import statement will vary depending on your LLM and vector database. This is an example for OpenAI + ChromaDB
from vanna.openai.openai_chat import OpenAI_Chat
from vanna.chromadb.chromadb_vector import ChromaDB_VectorStore
class MyVanna(ChromaDB_VectorStore, OpenAI_Chat):
def init(self, config=None):
ChromaDB_VectorStore.init(self, config=config)
OpenAI_Chat.init(self, config=config)
vn = MyVanna(config={‘api_key’: ‘sk-…’, ‘model’: ‘gpt-4-…’})
See the documentation for other options
தனிப்பயன் தரவைப் பயன்படுத்தி மாதிரிகளைப் பயிற்றுவிக்கலாம். பயன்பாட்டினைப் பொறுத்து, இந்த vn.train கட்டளைகளை இயக்க வேண்டியிருக்கலாம் அல்லது இயக்காமலும் இருக்கலாம். DDL அறிக்கை உருவாக்கிடுவதற்காக பின்வருமாறான குறிமுறைவரிகளுடன் பயிற்சி செய்திடுக.
vn.train(ddl=”””
CREATE TABLE IF NOT EXISTS my-table (
id INT PRIMARY KEY,
name VARCHAR(100),
age INT
)
“””)
கேள்விகளை பின்வருமாறான குறிமுறைவரியுடன்கேட்டிடுக
vn.ask(“What are the top 10 customers by sales?”)
உடன் அதற்கான பதில் பின்வருமாறு கிடைக்கும்
SELECT c.c_name as customer_name,
sum(l.l_extendedprice * (1 – l.l_discount)) as total_sales
FROM snowflake_sample_data.tpch_sf1.lineitem l join snowflake_sample_data.tpch_sf1.orders o
ON l.l_orderkey = o.o_orderkey join snowflake_sample_data.tpch_sf1.customer c
ON o.o_custkey = c.c_custkey
GROUP BY customer_name
ORDER BY total_sales desc limit 10;
மேலும் விவரங்களுக்கு vanna.ai/docs/ எனும் இணையதளமுகவரியிலுள்ள அதற்கான ஆவணத்தை பார்வையிடுக