Génération de code
Tip
Pour plus d’informations, consultez l’onglet Texte et images !
Les modèles de génération de code peuvent aider les développeurs à passer d’une idée à un logiciel fonctionnel. Certains assistants de codage terminent une ligne ou expliquent une fonction. Les modèles de codage agentique vont plus loin en planifiant, en raisonnement et en exécutant une séquence de tâches de développement.
Utiliser MAI-Code-1.1-Flash
MAI-Code-1.1-Flash est un modèle de codage léger et agentique optimisé pour une ingénierie logicielle quotidienne efficace. Il peut prendre en charge des flux de travail tels que :
- Comprendre les exigences et planifier une implémentation.
- Génération, explication et modification du code.
- Examen des défauts et proposition de correctifs.
- Travailler sur plusieurs fichiers pour implémenter une fonctionnalité.
- Interprétation des captures d’écran, des diagrammes et des conceptions pour créer des prototypes.
- Exécution d’outils de développement et itération sur leurs résultats lorsqu’ils sont utilisés via un environnement de codage agentique.
Le modèle prend en charge un large éventail de langages de programmation et d’écosystèmes, notamment Python, C++, HTML, CSS, .NET, Java, JavaScript et TypeScript. Cette étendue est utile dans les projets qui combinent le front-end, le back-end, le script et le code d’infrastructure.
MAI-Code-1.1-Flash est formé sur mesure pour l’intégration native avec GitHub Copilot dans Visual Studio Code et l’interface CLI Copilot. Grâce à ces environnements, le modèle peut utiliser des outils de contexte et de développement de référentiel pour travailler sur une tâche plutôt que répondre à une invite isolée.
Tip
Passez en revue la carte de modèle MAI-Code-1.1-Flash pour connaître les fonctionnalités actuelles, les limitations et les utilisations prévues.
Fournir un contexte utile
Un modèle de codage produit de meilleurs résultats lorsque la demande inclut suffisamment d’informations pour définir la réussite. Donnez-lui les exigences, contraintes, conventions de référentiel, versions de langage et d’infrastructure pertinentes et comportement attendu. Pour les tâches d’implémentation visuelle, fournissez la capture d’écran source ou la conception, ainsi que les exigences en matière de réactivité et d’accessibilité.
Décomposez les projets ambigus en résultats vérifiables. Par exemple, au lieu de demander au modèle de « créer une page de connexion », spécifiez le flux d’authentification, les règles de validation, les tailles d’écran prises en charge, les références de conception et les tests qui doivent réussir.
Vérifier et valider le code généré
Traitez le code généré comme une implémentation proposée, et non comme une sortie approuvée automatiquement. Passez en revue les modifications relatives à l’exactitude, à la maintenance, à la sécurité, à l’accessibilité et à l’alignement avec les conventions du référentiel. Exécutez des tests ciblés, des analyses statiques et des vérifications de sécurité avant d’accepter une modification.
Portez une attention particulière aux dépendances générées, à l’authentification et à la logique d’autorisation, à la gestion des données, aux chemins d’accès aux erreurs et au code qui affectent l’infrastructure de production. Conservez l’approbation humaine dans les flux de travail où une modification peut créer un coût, une sécurité, une confidentialité ou un impact opérationnel significatif.
Important
La qualité, les performances, la disponibilité et la tarification des modèles peuvent changer. Passez en revue la fiche descriptive actuelle du modèle et la documentation de GitHub Copilot avant de sélectionner un modèle pour un workflow de développement destiné à la production.