Probé el nuevo agente SOLO Coder de TRAE y lo utilicé para completar un proyecto bastante complejo. La IA puede ayudarte a analizar tus datos de entrenamiento de fuerza y proporcionarte un informe de entrenamiento muy detallado e intuitivo. Incluso mi entrenador quedó asombrado. Destrozó mi comprensión anterior; su capacidad de planificación y estabilidad tras múltiples revisiones fueron excepcionales. A continuación se muestra un resumen del contenido principal de su última actualización, así como el proceso de compilación de mi proyecto 👇
Si te da pereza espmp.weixin.qq.com/s/k-BlZN-IL_Gb… obras 🚧, puedes leer el artículo completo aquí: https://t.co/dfySUNimYK
En primer lugar, hay un nuevo modo llamado Solo Coder. En comparación con el modo Solo Builder anterior, sus capacidades son mucho más potentes, lo que lo hace ideal para el mantenimiento de bases de código complejas. Admite la planificación inteligente de tareas y el trabajo concurrente colaborativo entre múltiples agentes. Puedes seleccionar el modo Solo Coder al crear una nueva tarea.
Tras realizar su selección, comprobará que el software utiliza un diseño interactivo de tres columnas: En el extremo izquierdo se encuentra la lista de tareas múltiples, donde se puede ver el estado actual de cada tarea: si está en progreso, completada o interrumpida. La sección central es la página principal, la interfaz principal para interactuar con el agente seleccionado. Aquí puede introducir información y ver los detalles de la ejecución actual del agente. En el extremo derecho se muestran vistas previas de diferentes ventanas. Cambia entre diferentes herramientas según el estado actual del agente, mostrando información distinta para usted. Por ejemplo, si estás previsualizando una página web, ese es el navegador. Si quieres ver el efecto de la codificación o los cambios, consulta la página de modificación de código. Si quieres ver el código en sí, utiliza la interfaz del editor de tu IDE. También admite el seguimiento en tiempo real, lo que le permite abrir automáticamente la página correspondiente para obtener una vista previa a la derecha.
El modo Codificador ofrece capacidades de concurrencia multiagente. Puedes crear varias ventanas de agente y permitirles realizar diferentes tareas simultáneamente. Esto permite que distintos agentes planifiquen, uno ejecute operaciones y otro diseñe. Mi primera herramienta aquí es dejar que la IA optimice su interacción y diseño. Se utiliza para identificar problemas en el diseño de interacción. El segundo paso consiste en analizar los puntos de optimización del proyecto, lo que implica analizar los problemas existentes en el código escrito por otros agentes. Finalmente, se trata simplemente de un proceso normal de iteración a través del código.
Además, en la sección de concurrencia multitarea, puede crear nuevos agentes usted mismo. Actualmente, al crear un agente, ya no es necesario rellenar los formularios manualmente. Basta con describir brevemente tus necesidades, y el sistema generará automáticamente los formularios que el agente deberá completar. Solo tendrás que realizar pequeños ajustes. El icono del agente generado automáticamente también resulta bastante interesante.
Ahora dispone de un modo de planificación. Si activa este modo, planificará la tarea antes de ejecutar la operación. A continuación, te indicará qué tareas se han completado, cuáles no se han completado aún y cuáles serán los resultados de su finalización, ofreciéndote una comprensión clara del progreso actual. Además, su presentación e interfaz de usuario están muy bien manejadas, y la presentación es muy clara.
Luego está la compresión de contexto, que me parece genial, especialmente porque permite ver visualmente que la compresión de contexto está en curso. Se ofrece una muy buena solución: se puede activar activamente la compresión del contexto, o la IA puede comprimirlo automáticamente cuando se alcanza la longitud del contexto. Cuando el contexto alcanza el 70%, aparece automáticamente una ventana emergente que resume y proporciona información adicional. En ese momento, uno se siente muy tranquilo, como si todo estuviera bajo control. Es muy inteligente y no realizará cambios aleatorios debido a la sobrecarga de contexto. Resumirá y guardará toda la información clave.
Tras introducir algunos cambios notables, analizaremos la mejora general de sus capacidades. Aquí explicaré cómo realicé este proyecto. Esta necesidad surgió de una conversación que tuve con mi entrenador mientras hacíamos ejercicio, porque él me enviaba un formulario para cada sesión de entrenamiento. Más tarde, pensé que sería genial si pudiéramos crear un sistema de análisis de IA que calificara cada sesión de entrenamiento, proporcionara una introducción general y sugerencias, y finalmente visualizara los datos, indicándome los puntos clave de cada acción y mostrando mi progreso visualmente en gráficos.
Al principio, simplemente le expliqué los requisitos sin pedirle que los analizara; solo quería insertar los datos directamente en el documento. Empecé un proyecto de React y surgieron algunos errores menores durante el proceso. El navegador integrado a la derecha podía enviar los mensajes de error al cuadro de entrada de la izquierda, y los corregía normalmente sin ninguna intervención ni indicación por mi parte. El resultado generado son solo tres anillos, y las estadísticas de los datos son muy simples, por lo que esta introducción resulta prácticamente insignificante.
Entonces pensé, no, mejor hablemos con él sobre qué elementos debería incluir este análisis. Por ejemplo, puede que necesite más detalles. Era la primera vez que sentía que esto era diferente. Leyó atentamente todos mis datos y luego elaboró un informe muy detallado. Entonces lo consiguió, porque todo el contenido era muy detallado, con análisis de movimiento para cada uno de ellos. Piénsalo, mi entrenamiento puede incluir docenas de movimientos, y hay un análisis para cada uno. Las explicaciones científicas y las introducciones al entrenamiento también son bastante detalladas.
Posteriormente realicé muchas modificaciones menores a esta página. Por ejemplo, inicialmente utilizaba iconos emoji. Además, los gráficos originales no usaban gráficos de líneas convencionales ni ningún otro tipo de gráfico; todos eran personalizados, lo que ocasionaba numerosos problemas. Estas modificaciones finalmente se completaron.
Sin embargo, creo que el contexto ya está completo en un 70-80%, así que me preguntaba si este era el momento de parar mientras íbamos por delante. Si intentas escribirlo de nuevo, en general, este tipo de agente podría generar un error u olvidar el contexto en este punto. Pero pensé que, puesto que al fin y al cabo es lo mismo, y como ahora lo ha escrito tan bien, bien podría dejar que lo intentara. Así que le pedimos que convirtiera esto en un producto real que pudiera aceptar y analizar los datos y la configuración de cualquier usuario. Lo vi comenzar a comprimir el contexto, y después de comprimir el contexto, comenzó a iterar formalmente sobre el producto completo.
Finalmente, durante la ejecución, tras varias sesiones de depuración, se autogestionó por completo. Inició su navegador integrado, detectó errores en la consola y los corrigió automáticamente. Tras un periodo de corrección, finalmente funcionó correctamente y todas las funciones operaban sin problemas. Veamos el resultado final de este producto: Primero, completa tu información básica y luego sube el formulario CSV. A continuación, completa tu propia API de Gemini, que también es gratuita. Después de eso, esperará el análisis de Géminis. El análisis final consta de tres partes: La primera parte es una visión general que muestra la eficacia de tu entrenamiento. La segunda parte es la ciencia del entrenamiento, que consiste en los consejos que te proporciona tu IA actual. La tercera parte son los datos de cada acción, luego los puntos clave de la acción, la importancia de la acción y su progreso actual.
Más tarde, vi una opción de despliegue en la esquina superior derecha, así que lo desplegué. Tras el despliegue, descubrí que necesitaba conectarse a ese vercel. Luego, al conectarme a internet, vi que era un error 404. Como nunca antes había usado Vercel, no sabía cuál era el problema. Revisé el registro de eventos, pero no logré identificarlo. Así que le envié una captura de pantalla del error 404 y otra del registro de la plataforma Vercel. Le pedí que la analizara y, sorprendentemente, encontró el problema, lo solucionó y la volvió a subir, y funcionó correctamente. Además, el problema que encontró era similar al que había encontrado su amigo desarrollador.
Lo que más me impresionó en general fueron sus capacidades de planificación y su estabilidad a pesar de las múltiples revisiones. No le expliqué en detalle qué contenido debía introducir, cómo debía ser el análisis de contenido de cada parte ni cómo debía ser la experiencia interactiva. En el pasado, como programadores de Vibe, teníamos que explicar las cosas con gran detalle para evitar que el modelo de IA actuara por su cuenta o produjera errores, pero esta vez deliberadamente no dije nada. Solo empiezo a hacer cambios después de que se me ocurre algo, cuando informo de un error o cuando le pido que me lo diga. Sin embargo, tiene en cuenta el contenido de los formularios de información, incluido el tiempo de espera mientras la IA analiza los datos.
Además, su capacidad para identificar y resolver problemas por sí mismo es extremadamente fuerte. Hubo varias ocasiones en las que no tenía ni idea. Como este proyecto de React es bastante complejo, nunca antes me había atrevido a dejar que un desarrollador de React puro escribiera un proyecto de React. A menudo, desplegar e iniciar el servidor no es suficiente para muchos modelos de texto plano. Ni hablar de modificar e iterar continuamente un proyecto React tan complejo.
Introducción oficial