【AI OpenDevin】开源AI程序员，帮您写代码，开发程序

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。

【AI cognition】Devin，第一个AI程序员。

今天，我们直接来看开源版本的 OpenDevin。

官方视频在这里

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 WSLDocker（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 >= 3.11NodeJS >= 18.17.1Poetry >= 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：

make setup-config

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。

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：

FastAPIuvicornLiteLLMDockerRuffMyPyLlamaIndexReact

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。

---

官网本文 博客 - 从零开始学AI微信 - 从零开始学AI