Passer au contenu principal
Devin Desktop répond à de nombreux cas d’utilisation de façon générale. Cependant, nous constatons que certains cas d’utilisation sont plus fréquents que d’autres, en particulier chez nos clients entreprise dans leurs bases de code de production.

​
Génération de code

Conseils : Devin Desktop devrait bien fonctionner pour ce cas d’usage. Les fonctionnalités de Devin Desktop incluent les suggestions sur une seule ligne, les suggestions sur plusieurs lignes et les complétions de type fill-in-the-middle (FIM).Bonnes pratiques : L’utilisation de Next Completion (⌥ + ]), de l’épinglage du contexte, des mentions @ et du contexte personnalisé permet d’obtenir les meilleurs résultats.
Conseils : Devin Desktop devrait bien fonctionner pour ce cas d’usage. Les fonctionnalités de Devin Desktop incluent les suggestions sur une seule ligne, les suggestions sur plusieurs lignes et les complétions de type fill-in-the-middle (FIM).Bonnes pratiques : L’utilisation de Next Completion (⌥ + ]), de l’épinglage du contexte, des mentions @ et du contexte personnalisé permet d’obtenir les meilleurs résultats.
Conseils : Devin Desktop devrait bien fonctionner pour ce cas d’usage. Les fonctionnalités de Devin Desktop incluent les suggestions sur une seule ligne, les suggestions sur plusieurs lignes et les complétions de type fill-in-the-middle (FIM).Bonnes pratiques : L’utilisation de Next Completion (⌥ + ]), de l’épinglage du contexte, des mentions @ et du contexte personnalisé permet d’obtenir les meilleurs résultats.

​
Génération de tests unitaires

Conseils : Une utilisation basique de Devin Desktop pour générer des tests unitaires permet généralement d’en produire de façon fiable 60 à 70 %. La couverture des cas limites dépendra surtout de la qualité du prompt fourni au modèle par l’utilisateur.Bonnes pratiques : Utilisez les @mentions. Appliquez les bonnes pratiques de prompt engineering. Par exemple :Rédigez un test unitaire pour @function-name qui couvre tous les cas limites pour X et Y (p. ex. le domaine de l’e-mail).Utilisez @testing-utility-class pour rédiger un test unitaire pour @function-name.
Conseils : Utile pour les cas d’usage les plus simples. Pour des spécifications d’API très spécifiques ou des bibliothèques internes, Devin Desktop ne connaîtra pas suffisamment les subtilités nécessaires pour garantir la qualité des données d’exemple générées.Bonnes pratiques : Soyez très précis sur l’interface attendue. Réfléchissez à la complexité de la tâche (et demandez-vous si un seul appel à un LLM suffira).

​
Commentaires internes sur le code

Guidance: Devin Desktop devrait bien convenir à ce cas d’usage. Utilisez Devin Desktop Command ou Devin Desktop Chat pour générer des commentaires en ligne et des descriptions du code.Best Practices: Utilisez les @mentions et les code lenses autant que possible pour vous assurer que le périmètre de l’appel au LLM est correct.
Guidance: En général, le bouton Refactor / Devin Desktop Command est le meilleur moyen de solliciter des améliorations. Devin Desktop Chat est l’endroit idéal pour demander des explications ou des clarifications. C’est un peu vague, mais Devin Desktop devrait bien gérer les deux.Devin Desktop Chat est l’endroit idéal pour demander des explications ou des clarifications.C’est un peu vague, mais Devin Desktop devrait bien gérer les deux.Best Practices: Utilisez les prompts du menu déroulant (autrement dit, le bouton Refactor de Devin Desktop) : nous avons des prompts personnalisés, mieux conçus pour fournir la réponse que vous êtes le plus susceptible d’attendre.
Guidance: La meilleure façon de procéder est de créer le fichier d’en-tête, d’ouvrir le chat, de @mentionner la fonction dans le fichier cpp et de lui demander d’écrire la déclaration dans le header. Répétez ensuite cette opération de manière itérative pour chaque fonction du fichier cpp. C’est la meilleure façon d’éviter les hallucinations tout au long du processus.Best Practices: En général, évitez d’essayer d’écrire un fichier d’en-tête entier avec un seul appel au LLM. Découper le travail en tâches plus granulaires améliore considérablement la qualité du code généré.

​
Documentation de l’API et intégration

Recommandations : C’est similaire à la couverture de test : Devin Desktop peut annoter avec précision les parties de la spec d’API communes à de nombreuses bibliothèques. En revanche, pour les éléments spécialement conçus pour votre cas d’usage interne, Devin Desktop peut avoir du mal à atteindre le niveau de qualité attendu.Bonnes pratiques : Comme pour la couverture de test, guidez autant que possible le modèle de Devin Desktop sur la meilleure manière de comprendre ce que fait l’API afin qu’il puisse mieux l’annoter.
Recommandations : La taille de contexte de Devin Desktop pour un seul appel à un LLM est de 16 000 tokens. Ainsi, selon le périmètre de votre recherche, la capacité de recherche à l’échelle du repo de Devin Desktop peut ne pas suffire. Les tâches à l’échelle du repo, en plusieurs étapes et impliquant plusieurs modifications, seront prises en charge dans de futurs produits Devin Desktop.Il s’agit fondamentalement d’un problème en plusieurs étapes auquel les appels uniques à un LLM (c’est-à-dire la fonctionnalité actuelle de tous les assistants de code IA) sont mal adaptés. De plus, la précision des résultats doit être bien supérieure à celle d’autres cas d’usage, car les intégrations sont particulièrement fragiles.Bonnes pratiques : Devin Desktop n’est pas bien équipé pour résoudre ce problème aujourd’hui. Si vous souhaitez tester l’étendue des fonctionnalités actuelles de Devin Desktop, élaborez un plan étape par étape et utilisez Devin Desktop séparément pour chaque étape, avec un niveau de détail élevé afin de guider l’IA.

​
Refactorisation du code

Conseils : Assurez-vous de bien définir le périmètre à l’aide des Code Lenses de Devin Desktop ou des @mentions afin que tout le contexte nécessaire soit transmis au LLM.La taille de contexte disponible pour un appel unique à un LLM est limitée. Ainsi, selon le périmètre de votre refactorisation, cette limite peut poser problème (comme c’est d’ailleurs le cas pour toute approche LLM en une seule passe). Les tâches sur l’ensemble du repo, en plusieurs étapes et avec plusieurs modifications, sont désormais prises en charge dans Cascade de Devin Desktop.Bonnes pratiques : Essayez de décomposer le prompt autant que possible. Plus la commande de refactorisation est simple et courte, mieux c’est.
Conseils : Assurez-vous de bien définir le périmètre à l’aide des Code Lenses de Devin Desktop ou des @mentions afin que tout le contexte nécessaire soit transmis au LLM.La taille de contexte de Devin Desktop pour un appel unique à un LLM est de 16 000 tokens. Ainsi, selon le périmètre de votre refactorisation, cette limite peut poser problème (comme c’est d’ailleurs le cas pour toute approche LLM en une seule passe). Les tâches sur l’ensemble du repo, en plusieurs étapes et avec plusieurs modifications, seront prises en charge dans de futures versions de Devin Desktop.Bonnes pratiques : Essayez de décomposer le prompt autant que possible. Plus la commande de refactorisation est simple et courte, mieux c’est.