不用ChatGPT,只用CodeGeeX with Chat!一样实现智能问答

yizhihongxing

在ChatGPT推出后,许多人发现,它在编程方面也具有强大的能力——在编写代码过程中,如果遇到问题,可以不必去搜索引擎寻找答案,而是直接向ChatGPT提问。不过,在申请使用一些功能时,需要先等待各种waitlist,很多用户表示等了挺久还没用上。

有没有更快的方式,能够在代码编写环境中,用上智能问答的功能呢?

答案是肯定的。本周CodeGeeX功能更新,为开发者带来了全新体验升级:在编程环境中,CodeGeeX插件整合了针对代码知识的智能问答功能。

CodeGeeX将问答模式,融合到实际开发场景中,让开发者更专注和沉浸于编程,不用离开当前 IDE 的编程环境,就可以边写代码边和 AI 对话,实现针对编程问题的智能问答。无需waitlist,立刻就能尝鲜这个新功能!

那么就先给大家快速看看,在CodeGeeX上的体验是怎样的:
file

file

先以 VS Code为例:打开CodeGeeX插件,在VS Code中的左侧边栏,点击CodeGeeX图标就可以看到“Ask CodeGeeX”的模块。在开发过程遇到任何问题,都可以在侧边栏中直接提问。
那么,如何申请和使用上CodeGeeX中的智能问答功能呢?下面分享详细步骤:

1.首先,确保你已经在VSCode中下载了CodeGeeX插件;

2.安装好插件后,VSCode会在右下角提示登录,点击提示跳转到浏览器;

3.在浏览器中完成注册和登录;

4.登录成功后,返回VS Code,你就可以在左侧边栏向CodeGeeX进行提问;

没错,这就是本周推出的CodeGeeX的功能更新!该功能不需要“Waitinglist”排队等待,目前已经率先在VS Code和JetBrains IDEs的CodeGeeX插件中上线,用户只需要在插件市场搜索,下载安装CodeGeeX,登录后即可使用。
file

在体验了这个功能之后,用户普遍认为对于代码类基础问题和需求的解答,非常有帮助。

目前Ask CodeGeeX功能中,使用的是广受关注的ChatGLM-6B开源模型。今后,功能还将不断迭代,引入更多优秀的问答模型以帮助开发者,更有效地解决工作中遇到的问题。

未来,或许我们不再需要一行行看代码、找 Bug、写测试了,而是直接改用 CodeGeeX 来迅速处理这些工作。

本文由博客一文多发平台 OpenWrite 发布!

原文链接:https://www.cnblogs.com/chattech/p/17336985.html

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:不用ChatGPT,只用CodeGeeX with Chat!一样实现智能问答 - Python技术站

(0)
上一篇 2023年4月22日
下一篇 2023年4月22日

相关文章

  • 机器学习9树回归

    在前面线性回归,线性回归要拟合全部样本,这个是不显示的,因为问题不一定就是线性模型,其中一种可行的方法是将数据集切分成多分易建模的数据,然后利用前面线性回归的方法来建模。如果第一个切分之后的数据还不好拟合的话,那就继续切分。 这就是决策树中一种叫分类回归树CART。这个算法即可以用于分类也可以用于回归。 在这个学习中,介绍了树剪枝算法。 CART算法实现 先…

    机器学习 2023年4月13日
    00
  • caffe配置Makefile.config—-ubuntu16.04–重点是matlab的编译

      来源:  http://blog.csdn.net/daaikuaichuan/article/details/61414219   配置Makefile.config(参考:http://blog.csdn.net/autocyz/article/details/51783857   )    折腾到这一步,离成功就不远了,接下来就是配置之前搁置的Ma…

    Caffe 2023年4月8日
    00
  • 运行pytorch代码遇到的error解决办法

    1.no CUDA-capable device is detected 首先考虑的是cuda的驱动问题,查看gpu显示是否正常,然后更新最新的cuda驱动; 第二个考虑的是cuda设备的默认参数是否修改,平常一块显卡的设置是0,多块可能会修改此参数: CUDA_VISIBLE_DEVICES=”3″  ,把它修改为0即可解决。 2.out of gpu m…

    PyTorch 2023年4月7日
    00
  • TensorFlow keras卷积神经网络 添加L2正则化

    model = keras.models.Sequential([ #卷积层1 keras.layers.Conv2D(32,kernel_size=5,strides=1,padding=”same”,data_format=”channels_last”,activation=tf.nn.relu,kernel_regularizer=keras.reg…

    Keras 2023年4月6日
    00
  • 循环神经网络(RNN)反向传播算法(BPTT)

    循环神经网络的反向传播算法其实只是BP算法的一个简单变体而已。 首先我们先看看循环神经网络的前向传播算法: 需要注意的是,该RNN中前一时刻到当前时刻只有一个权重矩阵,该权重矩阵与时间并没有什么关系。整个前向传播算法与BP网络的前向传播算法的差别是多了一个前一时刻隐藏层的信息而已。在我们这边的前向传播算法可能与大家平时看到的会有点出入,因为这个前向传播算法将…

    2023年4月6日
    00
  • 吴恩达深度学习4.3笔记_Convolutional Neural Networks_目标检测

    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/weixin_42432468 学习心得:1、每周的视频课程看一到两遍2、做笔记 3、做每周的作业练习,这个里面的含金量非常高。掌握后一定要自己敲一遍,这样以后用起来才能得心应手。 对深度学习解决问题流程的理解,来自笔记本图片:

    2023年4月8日
    00
  • R-CNN系列目标检测博文汇总

    R-CNN 【深度学习】R-CNN 论文解读及个人理解 【目标检测】RCNN算法详解 R-CNN论文翻译解读 总之,R-CNN取得成功的两个关键因素:1:在候选区域上自下而上使用大型卷积神经网络(CNNs),用以定位和分割物体。2:当带标签的训练数据不足时,先针对辅助任务进行有监督预训练,再进行特定任务的调优,就可以产生明显的性能提升 简单来说,RCNN使用…

    2023年4月6日
    00
  • 目标检测 — YOLO算法卷积网络图

     作者在论文中的一张图 附上论文中英翻译版http://noahsnail.com/2017/08/02/2017-08-02-YOLO%E8%AE%BA%E6%96%87%E7%BF%BB%E8%AF%91%E2%80%94%E2%80%94%E4%B8%AD%E8%8B%B1%E6%96%87%E5%AF%B9%E7%85%A7/ 采用了24层卷积(1+…

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部