从能力边界到成本结构——三条主流 AI 编程路径的工程化选型指南
摘要
AI 编程助手已从"尝鲜玩具"演变为日常开发基础设施，但对零基础学习者而言，真正的困惑不在于"要不要用"，而在于"先用哪个、免费版够不够、什么时候该付费"。本文以通义灵码免费版、Cursor 免费额度、GitHub Copilot 学生免费三条路径为样本，建立"能力边界—成本结构—工程适配—长期演进"四维分析框架。核心结论是：零基础阶段的最优策略并非三选一，而是按学习阶段动态切换——入门期用通义灵码建立中文语境下的代码直觉，成长期用 Cursor 免费额度训练工程化思维，稳定期用 Copilot 学生认证锁定长期低成本供给。全文给出可复现的配置步骤、量化对比表与迁移路径。
目录
一、问题的重新定义：零基础到底缺什么
"零基础装哪个"这个问题的表层是工具选型，深层是学习路径设计。多数讨论直接跳到功能对比，却忽略了一个前提：零基础学习者的瓶颈从来不是"AI 能不能写代码"，而是"我能不能判断 AI 写的代码对不对"。这个判断力无法由任何工具直接提供，只能通过持续的读写循环建立。
因此，选型的真正标准应当是：哪个工具能最快帮助学习者建立"读代码—改代码—验证代码"的闭环。这个标准与"哪个模型最强"是两个不同的问题。一个模型能力极强但输出黑箱、难以追溯的工具，对零基础的帮助可能反而低于一个能力中等但解释清晰的工具。
1.1 三个被混淆的概念
在展开对比前，需要先厘清三个常被混用的概念。代码补全（Code Completion）指在光标处预测后续代码片段，典型如早期的 IntelliSense 与 Tabnine；对话式编程（Chat-based Coding）指通过自然语言对话生成、解释、重构代码，典型如 ChatGPT 与各家的 Chat 面板；自主 Agent（Autonomous Agent）指模型能自主规划多步任务、调用工具、读写文件、运行测试并迭代，典型如 Cursor 的 Composer 与 Copilot 的 Agent 模式。
本文评述：这三档能力对学习者的价值曲线并不单调递增。补全训练的是"模式识别"，对话训练的是"问题拆解"，Agent 训练的是"任务编排"。零基础阶段过早依赖 Agent，容易形成"结果依赖"——学习者只看到最终代码，看不到中间推理，判断力反而被削弱。笔者认为，合理的顺序是先用补全建立语感，再用对话建立结构感，最后用 Agent 建立工程感。
1.2 学习阶段与工具需求的对应
这张对应表是本文分析主线的起点：工具选型不是一次性决策，而是随学习阶段演进的动态过程。下文所有对比都将围绕这条主线展开，而非孤立地评判哪个工具"更好"。
二、三条路径的产品定位与技术底座
理解产品定位，需要先看它们各自解决的是谁的问题。三款产品虽然都叫"AI 编程助手"，但出身、目标用户与商业模式差异显著，这决定了它们在免费策略上的不同取舍。
2.1 通义灵码：中文语境下的普惠路线
通义灵码由阿里云推出，底层基于通义千问代码大模型（Qwen-Coder 系列）。其官方定位是"智能编码辅助工具"，提供行级/函数级实时补全、自然语言生成代码、单元测试生成、代码注释、研发智能问答等能力。免费版对个人开发者开放，核心功能不设付费墙，这一点在国内产品中较为少见。
从技术底座看，Qwen-Coder 系列在多个代码基准上表现稳定。根据阿里云 2024 年公开的技术报告，Qwen2.5-Coder 在 HumanEval、MBPP 等基准上达到同规模开源模型的领先水平（数据来源：阿里云官方技术博客，2024）。本文评述：需要强调的是，基准分数与真实开发体验之间存在系统性偏差——基准测试多为单函数、自包含任务，而真实项目涉及跨文件依赖、隐式约定与历史包袱，这是所有代码模型共同面临的"基准—现实鸿沟"。
通义灵码的差异化优势在于中文语境。对于零基础学习者，用母语提问、获得母语解释，认知负荷显著低于英文工具。这一点在入门期的价值常被低估。相关中文教程可参考阿里云官方文档中心（help.aliyun.com/zh/lingma）。
2.2 Cursor：AI 原生编辑器的激进路线
Cursor 由 Anysphere 团队开发，本质是一个基于 VS Code 分支重构的 AI 原生编辑器。它不依附于现有 IDE，而是把 AI 能力作为编辑器的一等公民重新设计。核心功能包括 Tab 智能补全、Cmd-K 内联编辑、Chat 对话、Composer 多文件 Agent 等。
Cursor 的免费额度策略是"限量供给"：免费账户每月提供一定数量的高级模型请求（如 Claude 系列、GPT 系列）与有限的快速补全次数，超出后降级到较慢的队列或基础模型。具体额度随官方政策调整，需以官网实时信息为准（cursor.com/pricing）。
笔者认为，Cursor 免费额度的真正价值不在于"够不够用"，而在于它让学习者以零成本体验"AI 原生工作流"——即把 AI 当作结对程序员而非自动补全插件。这种体验本身具有认知重塑作用，会改变学习者对"写代码"这件事的理解方式。
2.3 GitHub Copilot：生态集成的稳健路线
GitHub Copilot 由 GitHub 与 OpenAI 合作推出，最初基于 Codex 模型，后逐步引入多模型支持。它的最大优势是与 GitHub 生态、VS Code、JetBrains 全家桶的深度集成，以及对团队协作场景的原生支持。
学生免费政策是 Copilot 的重要入口。通过 GitHub Student Developer Pack 认证的在校学生，可免费使用 Copilot 个人版。认证需要提供在读证明（如学校邮箱、学生证等），审核周期通常为数天。官方入口为 education.github.com/pack。
本文评述：Copilot 学生免费的战略意义在于"锁定长期用户"。学生在校期间形成使用习惯，毕业后进入企业，自然成为团队版付费用户。这是典型的生态锁定策略。对学习者而言，这既是红利也是提醒——免费是有期限的，工具迁移成本需要提前评估。
2.4 三者定位对比
三、能力边界实测：补全、对话、Agent 三档
功能列表容易罗列，能力边界却需要实测。本节按"补全—对话—Agent"三档能力，逐档分析三款工具的实际表现与适用边界。需要说明的是，以下分析基于公开文档、社区反馈与可复现的通用测试任务，不涉及任何虚构的私有实验数据。
3.1 第一档：代码补全
代码补全是使用频率最高的能力。三款工具都支持行级与函数级补全，但触发逻辑与延迟表现不同。
通义灵码的补全在中文注释场景下表现突出。例如输入中文注释"// 计算两个日期之间的工作日天数"，它能生成考虑周末与节假日的函数骨架。这种"注释驱动"的补全方式对零基础学习者友好，因为它把自然语言与代码直接连接。
Cursor 的 Tab 补全以"预测下一步编辑"为设计目标，不仅补全当前行，还能预测光标跳转位置与多行修改。这种"diff 式补全"在重构场景下效率极高，但对新手可能造成困惑——补全内容超出预期时，学习者需要更强的判断力来决定是否接受。
Copilot 的补全以稳定著称，在主流语言与框架上的命中率经过长期打磨。其劣势是相对保守，对新兴框架或小众库的支持可能滞后。
本文评述：补全能力的差异，本质是"预测粒度"的差异。行级补全训练的是局部模式识别，多行 diff 补全训练的是编辑意图理解。对零基础学习者，建议从行级补全起步，避免过早接触多行 diff 导致的认知过载。
3.2 第二档：对话式编程
对话式编程是零基础学习者的核心能力。三款工具都提供 Chat 面板，但上下文管理策略不同。
通义灵码的问答支持选中代码后提问，能结合当前文件上下文。其优势是中文解释的准确性，尤其在解释报错信息时，能把英文堆栈翻译成可理解的中文描述。
Cursor 的 Chat 支持 @ 引用文件、@ 引用文档、@ 引用 Git 历史等，上下文组织能力最强。这意味着学习者可以问"这个函数在整个项目里被哪些地方调用"，而不仅是"这个函数做什么"。
Copilot Chat 与 GitHub 深度集成，可以直接引用 Issue、PR、代码仓库。对参与开源项目的学习者，这种集成能显著降低理解成本。
3.3 第三档：自主 Agent
Agent 能力是 2024 年以来的竞争焦点。Cursor 的 Composer 与 Copilot 的 Agent 模式都能接受一个任务描述，自主完成多文件修改、运行测试、迭代修复。通义灵码在 Agent 能力上相对保守，更聚焦于单点辅助。
这里需要引入一个学术概念：SWE-bench。这是由普林斯顿大学等机构提出的基准，用于评估模型解决真实 GitHub Issue 的能力（Jimenez et al., 2023, arXiv:2310.06770）。SWE-bench 的价值在于它使用真实仓库、真实 Issue、真实测试，比 HumanEval 更接近工程现实。
本文评述：SWE-bench 分数是当前评估 Agent 能力最可信的公开指标之一，但仍有局限。它衡量的是"能否通过测试"，而非"代码是否可维护"。一个能通过测试但结构混乱的补丁，在基准上得分，在工程上却是负债。零基础学习者尤其要警惕"测试通过即正确"的错觉。
3.4 三档能力对比
四、成本结构的真实账本
"免费"是三个选项的共同标签，但免费的含义各不相同。理解成本结构，需要区分三种成本：货币成本、注意力成本与迁移成本。
4.1 货币成本
通义灵码免费版对个人开发者开放核心功能，货币成本为零且无时间限制。Cursor 免费额度为限量供给，超出后需订阅 Pro（官方定价约 20 美元/月，以官网为准）。Copilot 学生免费需通过认证，认证期间免费，毕业后转为付费（个人版约 10 美元/月，以官网为准）。
本文评述：单纯比较货币成本会得出"通义灵码最优"的结论，但这个结论忽略了机会成本。如果 Cursor 的 Agent 能力能让学习者每周节省 5 小时，那么即使付费，其单位时间成本也可能更低。成本比较必须结合产出效率，而非孤立看价格标签。
4.2 注意力成本
注意力成本指使用工具时消耗的认知资源。Cursor 作为独立编辑器，需要学习者迁移整个开发环境，初期注意力成本最高。通义灵码与 Copilot 作为插件，可嵌入现有 IDE，迁移成本较低。
但注意力成本也有反向效应：Cursor 的"AI 原生"设计减少了在传统编辑器与 AI 工具之间切换的摩擦，长期看可能降低注意力成本。这是一个先高后低的曲线。
4.3 迁移成本
迁移成本指从一款工具切换到另一款时损失的配置、习惯与数据。三款工具的迁移成本差异显著：插件类工具（通义灵码、Copilot）之间切换成本低，因为 IDE 环境不变；编辑器类工具（Cursor）切换成本高，因为整个工作流需要重建。
笔者认为，零基础学习者应优先选择迁移成本低的工具作为起点，把 Cursor 这类高迁移成本工具留到确定长期方向后再投入。这与"先广后深"的学习规律一致。
4.4 成本结构对比
五、工程适配：IDE、语言与项目规模
工具能力再强，适配不了你的开发环境也是空谈。本节从 IDE、语言、项目规模三个维度分析适配性。
5.1 IDE 适配
通义灵码支持 VS Code、JetBrains 全家桶等主流 IDE，国内开发者常用的环境基本覆盖。Copilot 同样支持 VS Code 与 JetBrains，且与 GitHub 网页端集成。Cursor 是独立编辑器，基于 VS Code 分支，支持 VS Code 插件生态，但需要重新安装配置。
对零基础学习者，建议从 VS Code 起步。它是当前最主流的编辑器，插件生态丰富，且三款工具都能在 VS Code 或其分支上使用，为后续切换留出空间。
5.2 语言适配
三款工具对主流语言（Python、JavaScript、Java、Go 等）的支持都较好。差异体现在小众语言与领域特定语言上。通义灵码对国内常用技术栈（如 Java + Spring、Vue）有针对性优化；Copilot 对开源生态中的语言覆盖更广；Cursor 依赖底层模型，多模型策略使其覆盖范围较灵活。
本文评述：语言适配的差异在入门阶段影响不大，因为入门语言通常是 Python 或 JavaScript，三款工具都支持良好。真正的影响出现在学习第二、第三门语言时，此时工具的语言覆盖广度开始显现价值。
5.3 项目规模适配
小项目（单文件、几百行）对上下文管理要求低，三款工具都能胜任。中等项目（多文件、数千行）开始考验上下文组织能力，Cursor 的 @ 引用与 Copilot 的仓库级理解更有优势。大型项目（数万行以上）对索引与检索能力要求高，目前所有工具都存在上下文窗口限制。
这里涉及一个关键技术概念：上下文窗口（Context Window）。它指模型单次能处理的 token 数量上限。即使窗口达到数十万 token，模型对长上下文的"有效利用"仍会衰减，这是当前研究的活跃方向（Liu et al., 2023, arXiv:2307.03172）。
本文评述：上下文窗口的扩大不等于理解能力的线性提升。对零基础学习者，与其追求"能塞进整个项目"的工具，不如学会把问题拆解成模型能可靠处理的小块。这是工程能力的核心，也是 AI 时代更需要培养的能力。
六、可落地的配置与工作流
本节给出具体可执行的配置步骤。所有步骤基于官方文档，读者可按序操作。
6.1 通义灵码配置步骤
- 在 VS Code 扩展市场搜索"通义灵码"或"TONGYI Lingma"，点击安装。
- 安装后侧边栏出现灵码图标，点击登录（支持阿里云账号或支付宝扫码）。
- 登录后在设置中开启"行级补全"与"函数级补全"。
- 新建一个 .py 文件，输入中文注释测试补全效果。
- 选中代码后右键，可调用"生成注释""生成单元测试"等功能。
官方文档：help.aliyun.com/zh/lingma。视频教程可在 B 站搜索"通义灵码 入门"。
6.2 Cursor 配置步骤
- 访问 cursor.com 下载对应平台安装包。
- 首次启动可选择从 VS Code 导入配置与插件。
- 登录账号，免费额度自动生效。
- 熟悉三个核心快捷键：Tab（补全）、Cmd/Ctrl+K（内联编辑）、Cmd/Ctrl+L（Chat）。
- 在 Chat 中用 @ 引用文件，测试多文件上下文能力。
官方文档：docs.cursor.com。Cursor 官方 YouTube 频道有完整入门系列。
6.3 Copilot 学生认证步骤
- 注册 GitHub 账号，进入 Student Developer Pack 页面。
- 点击"Get your pack"，选择学生身份。
- 上传在读证明（学生证、成绩单、学校邮箱等）。
- 等待审核（通常数天），通过后 Copilot 自动激活。
- 在 VS Code 安装 GitHub Copilot 与 Copilot Chat 插件并登录。
官方入口：education.github.com/pack。
6.4 推荐工作流：三阶段切换
阶段一（0-3月）：通义灵码 ├─ 用中文注释驱动补全，建立语感 ├─ 用问答解释报错，降低挫败感 └─ 目标：能独立写出 100 行以内的小程序 阶段二（3-12月）：Cursor 免费额度 ├─ 用 Chat + @ 引用理解多文件项目 ├─ 用 Cmd+K 练习重构 └─ 目标：能读懂并修改 1000 行级项目 阶段三（12月+）：Copilot（学生认证） ├─ 用稳定补全提升日常编码速度 ├─ 用 Agent 模式处理重复性任务 └─ 目标：能参与真实协作项目
本文评述：这个三阶段工作流的核心逻辑是"认知负荷匹配"。每个阶段的工具选择，都以当前阶段最需要培养的能力为准，而非以工具绝对能力为准。这是本文分析主线的具体落地。
七、前沿预判：从补全到自主 Agent
理解当前工具，需要看清它们正朝哪个方向演进。本节基于公开研究趋势，给出三个预判。
7.1 预判一：Agent 将成为默认交互形态
从 2023 年的补全，到 2024 年的对话，再到 2025 年的 Agent，交互形态在快速演进。SWE-bench 等基准的分数持续攀升，表明 Agent 解决真实任务的能力在增强。相关研究可参考 SWE-agent（Yang et al., 2024, arXiv:2405.15793）等工作。
本文评述：Agent 成为默认形态，对零基础学习者是双刃剑。好处是入门门槛进一步降低；风险是"理解断层"加剧——学习者可能完全不知道 Agent 做了什么。笔者认为，教育场景下应保留"可解释模式"，强制展示关键决策步骤。
7.2 预判二：本地模型将分流部分场景
随着开源代码模型（如 Qwen-Coder、DeepSeek-Coder、CodeLlama 等）的成熟，本地部署的可行性在提升。对隐私敏感或网络受限的场景，本地模型是可行替代。相关工具如 Ollama、LM Studio 降低了本地部署门槛。
本文评述：本地模型短期内不会取代云端工具，因为硬件成本与维护成本仍在。但它会分流一部分场景，尤其是学习场景——学习者可以在本地随意试验，不必担心额度消耗。
7.3 预判三：评估体系将从"通过率"转向"可维护性"
当前基准多衡量"能否通过测试"，但工程实践中更关心"代码是否可维护"。未来可能出现结合代码质量、可读性、安全性的综合评估体系。相关探索可参考 CodeQL 等静态分析工具与 AI 的结合方向。
本文评述：评估体系的转向，会反过来影响工具设计。如果"可维护性"成为核心指标，那么能生成清晰结构、良好命名的工具将获得优势，而非仅追求"一次通过"的工具。这对零基础学习者是利好，因为它鼓励工具输出更易理解的代码。
八、选型决策树与迁移策略
把前文分析整合成可操作的决策树。
8.1 决策树
你是零基础吗？
├─ 是 → 你的母语是中文吗？
│ ├─ 是 → 先用通义灵码（中文解释降低门槛）
│ └─ 否 → 先用 Copilot（英文生态更匹配）
└─ 否 → 你有明确的项目目标吗？
├─ 有 → 用 Cursor（Agent 能力加速交付）
└─ 无 → 用 Copilot（稳定补全，生态集成）
你是在校学生吗？
├─ 是 → 务必完成 Copilot 学生认证（锁定长期免费）
└─ 否 → 评估 Cursor 付费的性价比
你的项目涉及敏感数据吗？
├─ 是 → 考虑本地模型或私有部署
└─ 否 → 云端工具均可
8.2 迁移策略
迁移的核心原则是"配置可移植"。建议把所有工具配置、快捷键、代码片段放在版本控制中，降低迁移成本。同时，避免深度绑定单一工具的专有功能（如特定格式的配置文件），优先使用通用标准。
本文评述：迁移策略的本质是"反锁定"。AI 编程工具市场变化极快，今天的最优选择可能半年后就过时。保持可迁移性，比一次性选对工具更重要。
九、结论
回到最初的问题："零基础装哪个？"本文的答案是：不是三选一，而是按阶段动态切换。入门期用通义灵码建立中文语境下的代码直觉，成长期用 Cursor 免费额度训练工程化思维，稳定期用 Copilot 学生认证锁定长期低成本供给。
这个结论背后的分析主线是"认知负荷匹配"：工具选择应以当前阶段最需要培养的能力为准，而非以工具绝对能力为准。免费版通义灵码对入门期够用，Cursor 免费额度对成长期够用，Copilot 学生免费对稳定期够用——"够用"的标准随阶段变化。
最后需要强调：AI 编程工具是放大器，不是替代品。它能放大你的学习效率，也能放大你的理解偏差。零基础阶段最重要的不是选对工具，而是保持"读代码—改代码—验证代码"的闭环。工具会变，这个闭环不会变。
主要参考文献
[1] Jimenez C E, Yang J, Wettig A, et al. SWE-bench: Can Language Models Resolve Real-World GitHub Issues?[J]. arXiv:2310.06770, 2023.
[2] Yang J, Jimenez C E, Wettig A, et al. SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering[J]. arXiv:2405.15793, 2024.
[3] Liu N F, Lin K, Hewitt J, et al. Lost in the Middle: How Language Models Use Long Contexts[J]. arXiv:2307.03172, 2023.
[4] Chen M, Tworek J, Jun H, et al. Evaluating Large Language Models Trained on Code[J]. arXiv:2107.03374, 2021.
[5] Hui B, Yang J, Cui Z, et al. Qwen2.5-Coder Technical Report[J]. arXiv:2409.12186, 2024.
[6] Guo D, Zhu Q, Yang D, et al. DeepSeek-Coder: When the Large Language Model Meets Programming[J]. arXiv:2401.14196, 2024.
[7] Roziere B, Gehring J, Gloeckle F, et al. Code Llama: Open Foundation Models for Code[J]. arXiv:2308.12950, 2023.
[8] Nijkamp E, Pang B, Hayashi H, et al. CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis[J]. arXiv:2203.13474, 2022.
[9] Austin J, Odena A, Nye M, et al. Program Synthesis with Large Language Models[J]. arXiv:2108.07732, 2021.
[10] Alibaba Cloud. Qwen2.5-Coder 技术报告[R]. 阿里云官方技术博客, 2024.
[11] GitHub. GitHub Copilot 官方文档[EB/OL]. docs.github.com/copilot, 2024.
[12] Anysphere. Cursor 官方文档[EB/OL]. docs.cursor.com, 2024.
[13] 阿里云. 通义灵码官方文档[EB/OL]. help.aliyun.com/zh/lingma, 2024.
[14] GitHub Education. Student Developer Pack[EB/OL]. education.github.com/pack, 2024.
[15] Barke S, James M B, Polikarpova N. Grounded Copilot: How Programmers Interact with Code-Generating Models[J]. arXiv:2206.15000, 2022.
[16] Vaithilingam P, Zhang T, Glassman E L. Expectation vs. Experience: Evaluating the Usability of Code Generation Tools Powered by Large Language Models[C]. CHI EA, 2022.
[17] Ziegler A, Kalliamvakou E, Li X A, et al. Productivity Assessment of Neural Code Completion[C]. MAPS, 2022.
[18] Peng S, Kalliamvakou E, Cihon P, et al. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot[J]. arXiv:2302.06590, 2023.
[19] Dakhel A M, Majdinasab T, Nafi K W, et al. GitHub Copilot AI pair programmer: Asset or Liability?[J]. Journal of Systems and Software, 2023.
[20] Perry N, Srivastava M, Kumar D, et al. Do Users Write More Insecure Code with AI Assistants?[C]. CCS, 2023.
[21] Sandoval G, Pearce H, Nys T, et al. Lost at C: A User Study on the Security Implications of Large Language Model Code Assistants[C]. USENIX Security, 2023.
[22] Asare O, Nagappan M, Asokan N. Is GitHub's Copilot as Bad as Humans at Introducing Vulnerabilities?[J]. Empirical Software Engineering, 2023.
[23] Nguyen N, Nadi S. An Empirical Evaluation of GitHub Copilot's Code Suggestions[C]. MSR, 2022.
[24] Mastropaolo A, Pascarella L, Guglielmi E, et al. Validating GitHub Copilot's Code Suggestions with Human Evaluation[C]. ICSE, 2023.
[25] Ciniselli M, Cooper N, Pascarella L, et al. An Empirical Study on the Usage of Transformer Models for Code Completion[J]. TSE, 2022.
[26] Izadi M, Katzy J, van Dam T, et al. Language Models for Code Completion: A Practical Evaluation[J]. arXiv:2302.07783, 2023.
[27] Fried D, Aghajanyan A, Lin J, et al. InCoder: A Generative Model for Code Infilling and Synthesis[J]. arXiv:2204.05999, 2022.
[28] Li Y, Choi D, Chung J, et al. Competition-Level Code Generation with AlphaCode[J]. Science, 2022.
[29] Chowdhery A, Narang S, Devlin J, et al. PaLM: Scaling Language Modeling with Pathways[J]. JMLR, 2023.
[30] Brown T B, Mann B, Ryder N, et al. Language Models are Few-Shot Learners[C]. NeurIPS, 2020.
[31] Vaswani A, Shazeer N, Parmar N, et al. Attention Is All You Need[C]. NeurIPS, 2017.
[32] Wei J, Wang X, Schuurmans D, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models[C]. NeurIPS, 2022.
[33] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing Reasoning and Acting in Language Models[C]. ICLR, 2023.
[34] Schick T, Dwivedi-Yu J, Dessi R, et al. Toolformer: Language Models Can Teach Themselves to Use Tools[C]. NeurIPS, 2023.
[35] Wang L, Yang N, Huang X, et al. API-Bank: A Comprehensive Benchmark for Tool-Augmented LLMs[C]. EMNLP, 2023.
[36] Qin Y, Liang S, Ye Y, et al. ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs[C]. ICLR, 2024.
[37] Zhang S, Zhang J, Ding D, et al. Self-Contrast: Better Reflection Through Inconsistent Solving Perspectives[J]. arXiv:2401.02009, 2024.
[38] Shinn N, Cassano F, Gopinath A, et al. Reflexion: Language Agents with Verbal Reinforcement Learning[C]. NeurIPS, 2023.
[39] Madaan A, Tandon N, Gupta P, et al. Self-Refine: Iterative Refinement with Self-Feedback[C]. NeurIPS, 2023.
[40] Chen X, Lin M, Schärli N, et al. Teaching Large Language Models to Self-Debug[J]. arXiv:2304.05128, 2023.
[41] Olausson T X, Inala J P, Wang C, et al. Is Self-Repair a Silver Bullet for Code Generation?[C]. ICLR, 2024.
[42] Ridnik T, Kredo D, Friedman I. Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering[J]. arXiv:2401.08500, 2024.
[43] Zhang F, Chen B, Zhang Y, et al. RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation[C]. EMNLP, 2023.
[44] Ding Y, Wang Z, Ahmad W U, et al. CrossCodeEval: A Diverse and Multilingual Benchmark for Cross-File Code Completion[C]. NeurIPS, 2023.
[45] Liu T, Xu C, McAuley J. RepoBench: Benchmarking Repository-Level Code Auto-Completion Systems[J]. arXiv:2306.03091, 2023.
[46] Bairi R, Sonwane A, Kanade A, et al. CodePlan: Repository-Level Coding using LLMs and Planning[J]. arXiv:2309.12499, 2023.
[47] Jimenez C E, Yang J, Wettig A, et al. SWE-bench Verified[J]. OpenAI Technical Report, 2024.
[48] Anthropic. Claude 3.5 Sonnet Model Card[R]. Anthropic, 2024.
[49] OpenAI. GPT-4 Technical Report[J]. arXiv:2303.08774, 2023.
[50] Google. Gemini: A Family of Highly Capable Multimodal Models[J]. arXiv:2312.11805, 2023.
[51] Touvron H, Martin L, Stone K, et al. Llama 2: Open Foundation and Fine-Tuned Chat Models[J]. arXiv:2307.09288, 2023.
[52] Jiang A Q, Sablayrolles A, Mensch A, et al. Mistral 7B[J]. arXiv:2310.06825, 2023.
[53] Bai J, Bai S, Chu Y, et al. Qwen Technical Report[J]. arXiv:2309.16609, 2023.
[54] Bi Z, Han C, Liu C, et al. CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Benchmarking on HumanEval-X[C]. KDD, 2023.
[55] Zheng Q, Xia X, Zou X, et al. CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Evaluations on HumanEval-X[J]. arXiv:2303.17568, 2023.
[56] Wang Y, Wang W, Joty S, et al. CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and Generation[C]. EMNLP, 2021.
[57] Feng Z, Guo D, Tang D, et al. CodeBERT: A Pre-Trained Model for Programming and Natural Languages[C]. EMNLP Findings, 2020.
[58] Guo D, Ren S, Lu S, et al. GraphCodeBERT: Pre-training Code Representations with Data Flow[C]. ICLR, 2021.
[59] Lu S, Guo D, Ren S, et al. CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation[C]. NeurIPS Datasets, 2021.
[60] Husain H, Wu H H, Gazit T, et al. CodeSearchNet Challenge: Evaluating the State of Semantic Code Search[J]. arXiv:1909.09436, 2019.
文章声明
本文内容仅为作者学习、思考、经验、笔记的总结，仅供技术交流与参考。文中观点仅代表笔者个人思辨，不构成任何学术建议、商业建议或专业建议。所有数据来源已标注，引用时请以原始文献为准。
内容仅供学习参考。如需引用，请以原始文献为准。
全文约 12600 字 | 参考文献 60 篇（主要）
贵公网安备 52010302001819号
