Generación de código
Tip
Consulte la pestaña Texto e imágenes para obtener más detalles.
Los modelos de generación de código pueden ayudar a los desarrolladores a pasar de una idea al software de trabajo. Algunos asistentes de codificación completan una línea o explican una función. Los modelos de codificación agente van más allá mediante la planeación, el razonamiento y la ejecución en una secuencia de tareas de desarrollo.
Trabajar con MAI-Code
MAI-Code es un modelo ligero y agéntico de programación optimizado para una ingeniería de software diaria eficiente. Puede admitir flujos de trabajo como:
- Descripción de los requisitos y planeamiento de una implementación.
- Generar, explicar y modificar código.
- Investigar defectos y proponer correcciones.
- Trabajar en varios archivos para implementar una característica.
- Interpretar capturas de pantalla, diagramas y diseños para crear prototipos.
- Ejecutar herramientas de desarrollo e iterar sobre sus resultados al utilizarlas a través de un entorno de programación asistida por agentes.
El modelo admite una amplia gama de lenguajes de programación y ecosistemas, como Python, C++, HTML, CSS, .NET, Java, JavaScript y TypeScript. Esta amplitud es útil en proyectos que combinan front-end, back-end, scripting y código de infraestructura.
MAI-Code está entrenado de forma personalizada para la integración nativa con GitHub Copilot en Visual Studio Code y la CLI de Copilot. A través de estos entornos, el modelo puede usar el contexto del repositorio y las herramientas de desarrollo para trabajar en una tarea en lugar de responder a un aviso aislado.
Tip
Revise la tarjeta de modelo MAI-Code-1.1-Flash para conocer las funcionalidades actuales, las limitaciones y los usos previstos.
Proporcionar contexto útil
Un modelo de codificación genera mejores resultados cuando la solicitud incluye suficiente información para definir el éxito. Asígnele los requisitos, restricciones, convenciones de repositorio, versiones de lenguaje y marco de trabajo pertinentes y el comportamiento esperado. En el caso de las tareas de implementación visual, proporcione la captura de pantalla o el diseño de origen junto con los requisitos de accesibilidad y capacidad de respuesta.
Divida proyectos ambiguos en resultados verificables. Por ejemplo, en lugar de pedir al modelo que "compile una página de inicio de sesión", especifique el flujo de autenticación, las reglas de validación, los tamaños de pantalla admitidos, las referencias de diseño y las pruebas que deben superarse.
Revisión y validación del código generado
Trate el código generado como una implementación propuesta, no como salida de confianza automática. Revise los cambios de corrección, mantenimiento, seguridad, accesibilidad y alineación con las convenciones del repositorio. Ejecute pruebas centradas, análisis estáticos y comprobaciones de seguridad antes de aceptar un cambio.
Preste especial atención a las dependencias generadas, la lógica de autenticación y autorización, el control de datos, las rutas de acceso de error y el código que afecta a la infraestructura de producción. Mantenga la aprobación humana en los flujos de trabajo en los que un cambio podría crear un costo, seguridad, privacidad o impacto operativo significativos.
Importante
La calidad del modelo, el rendimiento, la disponibilidad y los precios pueden cambiar. Revise la ficha del modelo actual y la documentación de GitHub Copilot antes de seleccionar un modelo para un flujo de trabajo de desarrollo para producción.