来自 meng shao（@shao__meng）的推文线程

[論文解讀] 從程式碼基礎模型到智能體與應用：程式碼智慧實踐指南 論文總結了當前最前沿的技術，也手把手地展示瞭如何從零開始建立和應用程式碼智慧——從基礎模型訓練一直講到能夠獨立寫程式碼的AI Agents。 核心主題：代碼智能的「全生命週期」百科全書好比一本「AI 程式設計師養成手冊」。沒有侷限於某一個具體演算法，而是系統性地整理了程式碼大模型從誕生到落地的完整流程： · 資料準備：AI讀什麼書（如何清洗和篩選高品質程式碼資料） · 預訓練：打基礎（如何讓模型理解程式語言的語法和邏輯） · 微調：學技能（如何教模型回答程式設計問題、修Bug） · 強化學習：精進（如何透過回饋讓模型寫出的程式碼品質更高） · 自主智能體：最終型態（如何讓AI 像真正的工程師一樣，自主規劃、寫碼、調試、部署） 關鍵看點與比較論文對市面上的兩大類「選手」進行了深入的對比評測： · 通用全能型選手：如GPT-4, Claude, LLaMA。它們什麼都懂，寫程式也不錯。 · 代碼專用型選手：如StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder。它們專攻編程，往往在特定編程任務上性價比更高。 結論是：雖然通用模型很強，但經過專門優化的程式碼模型在處理複雜工程問題時，往往能提供更精準、更符合開發者習慣的幫助。 痛點剖析：學術界vs 工業界的“代溝” 這是這篇論文最接地氣的地方，直接指出了「刷榜分高」不等於「好用」： · 學術界喜歡看HumanEval 這個簡單的演算法題跑分（例如「寫一個斐波那契數列」）。 · 工業界（真實開發）面對的是：龐大的程式碼庫、複雜的依賴關係、程式碼安全性、以及如何與現有的開發流程整合。 · 論文詳細探討如何填補這個鴻溝，讓AI不僅僅是“做題家”，而是能真正幹活的“工程師”。 未來趨勢：從“Copilot” 到“Agent” · 過去/現在：Copilot 模式。你需要一步步告訴AI “寫個函數”、“解釋這段程式碼”，它被動地回應。 · 未來：Agent 模式。你只需要說“幫我給登錄頁面加個驗證碼功能”，AI 就會自己去閱讀現有代碼-> 規劃修改方案-> 寫代碼-> 運行測試-> 修復報錯-> 提交代碼。 今年具有代表性的工具，如Github Copilot, Cursor, Trae, Claude Code, OpenAI CodeX 等正在引領這種從「輔助」到「智能體」的轉變。 論文地址