Pular para o conteúdo principal
O Devin Desktop atende a diversos casos de uso em termos gerais. No entanto, observamos que alguns casos de uso são mais comuns do que outros, especialmente entre nossos clientes corporativos em suas bases de código de produção.

​
Geração de código

Orientação: O Devin Desktop deve funcionar bem para esse caso de uso. Os recursos do Devin Desktop incluem sugestões de linha única, sugestões de várias linhas e complementações fill-in-the-middle (FIM).Práticas recomendadas: Usar Next Completion (⌥ + ]), Context Pinning, @ Mentions e Custom Context ajudará a obter os melhores resultados.
Orientação: O Devin Desktop deve funcionar bem para esse caso de uso. Os recursos do Devin Desktop incluem sugestões de linha única, sugestões de várias linhas e complementações fill-in-the-middle (FIM).Práticas recomendadas: Usar Next Completion (⌥ + ]), Context Pinning, @ Mentions e Custom Context ajudará a obter os melhores resultados.
Orientação: O Devin Desktop deve funcionar bem para esse caso de uso. Os recursos do Devin Desktop incluem sugestões de linha única, sugestões de várias linhas e complementações fill-in-the-middle (FIM).Práticas recomendadas: Usar Next Completion (⌥ + ]), Context Pinning, @ Mentions e Custom Context ajudará a obter os melhores resultados.

​
Geração de testes unitários

Orientação: O uso básico do Devin Desktop para gerar testes unitários deve produzir com confiabilidade de 60% a 70% deles. A cobertura de casos de borda será tão boa quanto o prompt fornecido pelo usuário ao modelo.Boas práticas: Use @ Mentions. Siga as melhores práticas de engenharia de prompts. Alguns exemplos:Escreva um teste unitário para @function-name que cubra todos os casos de borda de X e de Y (por exemplo, domínio de e-mail).Use @testing-utility-class para escrever um teste unitário para @function-name.
Orientação: Bom para casos de uso mais simples. Para specs de API muito específicas ou bibliotecas internas, o Devin Desktop não conhecerá os detalhes suficientemente bem para garantir a qualidade dos dados de exemplo gerados.Boas práticas: Seja muito específico em relação à interface esperada. Considere a complexidade da tarefa (e se uma única chamada ao LLM será suficiente para resolvê-la).

​
Comentários internos de código

Orientação: O Devin Desktop deve funcionar bem para esse caso de uso. Use o Devin Desktop Command ou o Devin Desktop Chat para gerar comentários inline e descrições de código.Boas práticas: Use @ Mentions e Code Lenses sempre que possível para garantir que o escopo da chamada ao LLM esteja correto.
Orientação: Em geral, o botão Refactor / Devin Desktop Command é a melhor forma de solicitar melhorias. O Devin Desktop Chat é o melhor lugar para pedir explicações ou esclarecimentos. Isso é um pouco vago, mas o Devin Desktop deve funcionar bem para as duas coisas.O Devin Desktop Chat é o melhor lugar para pedir explicações ou esclarecimentos.Isso é um pouco vago, mas o Devin Desktop deve funcionar bem para as duas coisas.Boas práticas: Use os prompts do menu suspenso (ou seja, o botão Refactor do Devin Desktop) - temos prompts personalizados, melhor elaborados para entregar a resposta mais próxima do que você espera.
Orientação: A melhor forma de fazer isso é criar o arquivo de cabeçalho, abrir o chat, mencionar com @ a função no arquivo cpp e pedir que ele escreva a declaração no cabeçalho. Depois, repita isso iterativamente para cada função no arquivo cpp. Essa é a melhor forma de garantir que não haja alucinações ao longo do processo.Boas práticas: Em geral, evite tentar escrever um arquivo de cabeçalho inteiro com uma única chamada ao LLM. Dividir o trabalho em partes menores melhora significativamente a qualidade do código gerado.

​
Documentação de API e Integração

Orientação: Isso é semelhante à cobertura de testes: partes da spec da API que são comuns a muitas bibliotecas o Devin Desktop consegue documentar com precisão. No entanto, itens desenvolvidos especificamente para seu caso de uso interno podem ser mais difíceis para o Devin Desktop documentar com a qualidade que você espera.Boas práticas: Assim como na cobertura de testes, sempre que possível, oriente o modelo do Devin Desktop sobre a melhor forma de interpretar o que a API faz, e ele conseguirá documentá-la melhor.
Orientação: O comprimento de contexto do Devin Desktop para uma única chamada de LLM é de 16.000 tokens. Portanto, dependendo do escopo da sua busca, a capacidade de busca em todo o repo do Devin Desktop pode não ser suficiente. Tarefas em todo o repo, com várias etapas e múltiplas edições, serão suportadas em futuras versões do Devin Desktop.Esse é, fundamentalmente, um problema de várias etapas que chamadas únicas de LLM (ou seja, a funcionalidade atual de todos os assistentes de código com IA) não conseguem resolver bem. Além disso, a precisão do resultado precisa ser muito maior do que em outros casos de uso, já que integrações são especialmente frágeis.Boas práticas: Hoje, o Devin Desktop não está bem preparado para resolver esse problema. Se você quiser testar os limites da funcionalidade atual do Devin Desktop, monte um plano passo a passo e envie prompts separadamente ao Devin Desktop para cada etapa, com um alto nível de detalhamento para orientar a IA.

​
Refatoração de código

Orientação: Defina corretamente o escopo usando os Code Lenses do Devin Desktop ou @ Mentions para garantir que todo o contexto necessário seja passado ao LLM.O contexto disponível para uma única chamada ao LLM é finito. Portanto, dependendo do escopo da sua refatoração, essa limitação pode se tornar um problema (assim como em qualquer abordagem de LLM em uma única interação). Tarefas em todo o repositório, com várias etapas e várias edições, agora têm suporte no Cascade do Devin Desktop.Melhores práticas: Tente dividir o prompt o máximo possível. Quanto mais simples e curto for o comando de refatoração, melhor.
Orientação: Defina corretamente o escopo usando os Code Lenses do Devin Desktop ou @ Mentions para garantir que todo o contexto necessário seja passado ao LLM.O limite de contexto do Devin Desktop para uma única chamada ao LLM é de 16.000 tokens. Portanto, dependendo do escopo da sua refatoração, esse limite pode se tornar um problema (assim como em qualquer abordagem de LLM em uma única interação). Tarefas em todo o repositório, com várias etapas e várias edições, terão suporte em futuras versões do Devin Desktop.Melhores práticas: Tente dividir o prompt o máximo possível. Quanto mais simples e curto for o comando de refatoração, melhor.