之前写了文章,介绍了Devin,第一个AI程序员。放出来的视频,看起来很不错,效率很高。但是要使用的话,需要加入waiting list排队,也不知道什么时候能轮到。
今天,我们直接来看开源版本的 OpenDevin。
这么好,界面跟Devin也长的很像,我们来试下。
按照文档,安装,并不复杂。具体如何安装看下面。
安装完成后,打开浏览器访问。哇哦,看起来好像能用。
输入我的需求
然后,就没有然后了。一直卡住,不知道原因。不太清楚是网络原因还是配置有点问题。翻了github issue也没太找到答案。不花费太多时间研究了。
最后看日志,是有报错。应该是超过请求速率了。不清楚为什么要用模型 text-embedding-ada-002 。
Error code: 429 - {'error': {'message': 'Rate limit reached for text-embedding-ada-002 in organization [...] on requests per min (RPM): Limit 3, Used 3, Requested 1. Please try again in 20s. Visit https://platform.openai.com/account/rate-limits to learn more. You can increase your rate limit by adding a payment method to your account at https://platform.openai.com/account/billing.', 'type': 'requests', 'param': None, 'code': 'rate_limit_exceeded'}}
本次实验,算是失败了。下面我们来看下官方的 readme
欢迎来到 OpenDevin,一个开源项目,旨在复制 Devin,一款自主的 AI 软件工程师,能够执行复杂的工程任务,并与用户积极合作,共同进行软件开发项目。该项目立志通过开源社区的力量复制、增强和创新 Devin。
🤔 Devin 是什么?
Devin 代表着一种尖端的自主代理程序,旨在应对软件工程的复杂性。它利用诸如 shell、代码编辑器和 Web 浏览器等工具的组合,展示了在软件开发中利用 LLMs(大型语言模型)的未开发潜力。我们的目标是探索和拓展 Devin 的能力,找出其优势和改进空间,以指导开源代码模型的进展。
🐚 为什么选择 OpenDevin?
OpenDevin 项目源于对复制、增强和超越原始 Devin 模型的愿望。通过与开源社区的互动,我们旨在解决 Code LLMs 在实际场景中面临的挑战,创作出对社区有重大贡献并为未来进步铺平道路的作品。
🚧 项目状态
OpenDevin 目前仍在进行中,但您已经可以运行 alpha 版本来查看端到端系统的运行情况。项目团队正在积极努力实现以下关键里程碑:
- 用户界面(UI):开发用户友好的界面,包括聊天界面、演示命令的 shell 和 Web 浏览器。
- 架构:构建一个稳定的代理框架,具有强大的后端,可以读取、写入和运行简单的命令。
- 代理能力:增强代理的能力,以生成 bash 脚本、运行测试和执行其他软件工程任务。
- 评估:建立一个与 Devin 评估标准一致的最小评估流水线。
在完成 MVP 后,团队将专注于各个领域的研究,包括基础模型、专家能力、评估和代理研究。
⚠️ 注意事项和警告
- OpenDevin 仍然是一个 alpha 项目。它变化很快且不稳定。我们正在努力在未来几周发布稳定版本。
- OpenDevin 会向您配置的 LLM 发出许多提示。大多数 LLM 都需要花费金钱,请务必设置花费限制并监控使用情况。
- OpenDevin 在 Docker 沙箱中运行
bash
命令,因此不应影响您的计算机。但您的工作区目录将附加到该沙箱,并且目录中的文件可能会被修改或删除。 - 我们默认的代理目前是 MonologueAgent,具有有限的功能,但相当稳定。我们正在开发其他代理实现,包括 SWE 代理。您可以在这里阅读我们当前的代理集合。
🚀 开始
开始使用 OpenDevin 项目非常简单。按照以下简单步骤在您的系统上设置和运行 OpenDevin:
1. 系统要求
- Linux、Mac OS 或 Windows 上的 WSL
- Docker(对于 MacOS 用户,请确保允许默认的 Docker 套接字在高级设置中使用!)
- Python >= 3.11
- NodeJS >= 18.17.1
- Poetry >= 1.8
在继续执行 make build
命令之前,请确保您已安装所有这些依赖项。
2. 构建和设置环境
- 构建项目: 首先构建项目,这包括设置环境和安装依赖项。此步骤确保 OpenDevin 已准备就绪,可以在您的系统上顺利运行。
make build
3. 配置语言模型
OpenDevin 通过强大的 litellm 库支持多种语言模型(LMs)。默认情况下,我们选择了 OpenAI 的强大 GPT-4 作为我们的首选模型,但世界是你的!您可以释放 Anthropic 的光滑 Claude、神秘的 Llama 或任何其他引起您兴趣的 LM 的潜力。
要配置您选择的 LM,请按照以下步骤操作:
- 使用 Makefile:轻松的方法
只需一条命令,您就可以为 OpenDevin 体验设置一个顺畅的 LM。只需运行:
此命令将提示您输入 LLM API 密钥和模型名称,确保 OpenDevin 能够满足您的特定需求。make setup-config
关于替代模型的注意事项:
某些替代模型可能比其他模型更难驾驭。勇敢的冒险家,不要害怕!我们很快将公布专门的 LLM 文档,指导您的探索之旅。如果您已经掌握了除 OpenAI 的 GPT 之外的模型的使用技巧,我们鼓励您与我们分享您的设置说明。
要查看可用的 LM 提供者和模型的完整列表,请参阅 litellm 文档。
还有关于使用 ollama 运行本地模型的文档。
我们正在制作一个 使用 Azure 运行 OpenDevin 的指南。
4. 运行应用程序
- 运行应用程序: 完成设置后,启动 OpenDevin 就像运行一个简单的命令一样简单。此命令无缝启动后端和前端服务器,使您可以轻松地与 OpenDevin 交互。
make run
5. 启动各个服务器
-
启动后端服务器: 如果您愿意,您可以独立启动后端服务器,以便专注于后端相关的任务或配置。
make start-backend
-
启动前端服务器: 同样地,您可以单独启动前端服务器,以便处理前端相关的组件或界面增强。
make start-frontend
6. 帮助
- 获取帮助: 需要帮助或了解可用目标和命令吗?帮助命令提供了所有必要的指导,确保您与 OpenDevin 有一个顺畅的体验。
make help
⭐️ 研究策略
利用 LLMs 实现生产级应用程序的完全复制是一个复杂的任务。我们的策略包括:
- 核心技术研究: 专注于基础研究,以了解和改进代码生成和处理的技术方面。
- 专业能力: 通过数据整理、训练方法等手段增强核心组件的效能。
- 任务规划: 开发能力,用于错误检测、代码库管理和优化。
- 评估: 建立全面的评估指标,以更好地了解和改进我们的模型。
🤝 如何贡献
OpenDevin 是一个社区驱动的项目,我们欢迎所有人的贡献。无论您是开发人员、研究人员,还是对利用人工智能推动软件工程领域发展充满热情的人,都有许多参与方式:
- 代码贡献: 帮助我们开发核心功能、前端界面或沙盒解决方案。
- 研究和评估: 为我们对软件工程中的 LLMs 的理解做出贡献,参与评估模型,或提出改进意见。
- 反馈和测试: 使用 OpenDevin 工具集,报告错误,提出功能建议,或就可用性提供反馈。
详情请查看此文档。
🛠️ 技术栈
OpenDevin 使用了一系列强大的框架和库的组合,为其开发提供了坚实的基础。以下是项目中使用的关键技术:
- FastAPI
- uvicorn
- LiteLLM
- Docker
- Ruff
- MyPy
- LlamaIndex
- React
请注意,这些技术的选择正在进行中,随着项目的发展,可能会添加其他技术或移除现有技术。我们致力于采用最合适和最有效的工具,以增强 OpenDevin 的功能。