组合式软件先驱 Bit Cloud 宣布,借助 GitHub Copilot 等生成式 AI 编程工具的能力,推出了一款全新的 AI 代理,该代理的功能远不止于生成代码片段。
Bit Cloud 表示,Hope AI 从今天起正式向公众发布。它让任何人都可以仅通过自然语言提示,从零开始构建和维护复杂的应用程序和网站。
据公司介绍,Hope AI 弥合了简单低代码工具与专业级软件开发之间的差距。与只能生成零散代码片段的编程助手不同,该平台能够创建具有完整架构的应用程序,并且这些应用程序为长期可扩展性而设计,仅需进行基础级别的维护。
创始人兼首席执行官 Ran Mizrahi 告诉 SiliconANGLE,Hope AI 与 GitHub Copilot 等工具最大的区别在于,它使团队能够以专业程序员的方式构建完整的应用程序。所有应用程序均基于组合式架构构建,也就是说,它们由任何开发者都能理解的可复用组件构成。
Mizrahi 强调,这一点非常重要,因为这意味着使用 Hope AI 创建的任何软件都易于维护和演进。“我们帮助团队掌控 AI 构建的内容,”他解释说,“Hope AI 将软件划分为智能、模块化的部分,让你在保持快速开发的同时不失控制力。”
Mizrahi 还表示,目前许多 AI 工具被称为“黑盒”,原因在于用户对它们的工作原理知之甚少。绝大多数由 AI 构建的应用程序也是如此,它们缺乏透明度和结构,没有人能确切知道其底层代码的安全性如何,或这些代码是否仅仅是从其他地方简单拼凑而成。
“AI 确实可以加速开发,但如果没有结构,开发很快就会变成黑盒,”Mizrahi 说,“你虽然得到了输出,却失去了可见性。而当某个部分出问题或有人破坏代码时,要找出解决方案就难如登天。”
Hope AI 则采用了不同的方式。它基于与 Bit Cloud 平台相同的原则,该平台被 AT&T Inc.、Experience Inc. 以及 Red Bull GmbH 等公司用来构建和共享可反复利用、稳定可靠的应用组件,并充当一个集中式中心,方便开发者发现、协作并在不同项目间应用这些组件。
这些可复用的组件构成了 Hope AI 应用程序的基础,使其能够为几乎任何场景构建完整的系统架构。用户只需用朴实的语言描述想要构建的内容,Hope AI 就能够设计出架构、组织所需组件并生成底层代码,同时提供完整的文档和测试覆盖。借助这种方式,它可以迅速构建从客户关系管理系统到电子商务平台,再到医疗手术室管理工具等各类应用,所有模块均由不同组件拼装而成。
Mizrahi 认为,组件化在软件开发中至关重要,即便是 AI 生成的应用程序也不例外。他指出,没有详细的组装方案或标准化、可互换的零部件,没人会批量生产汽车。“既然如此,为什么还要按那种方式构建软件?Hope AI 为团队提供了构件、方案及其演进的能力,而不会让团队受制于 AI 的局限性。”他说。
经过多家机构的早期测试后,Hope AI 从今天起对所有 Bit Cloud 客户开放,同时为有兴趣了解其功能的人提供免费版。该平台原生集成了 GitHub、GitLab、Azure DevOps 和 JFrog Artifactory 等工具,让开发者能充分了解构成每个应用程序的各个组件。
此外,它还支持 Node.js、React、TypeScript、MongoDB 和 GraphQL 等现代应用开发工具,并兼容开源的 Model Context Protocol,使其能够在无人干预的情况下使用这些第三方工具。
“Copilot、Codex 正在改变开发者对代码的思考方式,”Mizrahi 说,“而 Hope AI 则更进一步:从提示到可复用组件乃至可部署的应用程序,一切都包含在内,包括结构和测试覆盖。这正是企业所真正需要的。”
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。