构建长距离下一个编辑建议
💡
原文英文，约1700词，阅读约需6分钟。
📝
内容提要
长距离下一个编辑建议（NES）扩展了GitHub Copilot的功能，能够在文件中任意位置预测和建议编辑。通过多模型方法，系统分别学习编辑位置和生成高质量建议，提升了用户体验，使建议更易发现和信任。未来计划支持跨文件建议和统一模型。
🎯
关键要点
- 长距离下一个编辑建议（NES）扩展了GitHub Copilot的功能，能够在文件中任意位置预测和建议编辑。
- NES最初只能在光标附近工作，但长距离NES解决了在文件中远离光标的编辑需求。
- 采用多模型方法，分别训练位置模型和编辑生成模型，以提高建议的准确性和质量。
- 评估框架通过分析开发者的多编辑工作流，确保模型在真实场景中的有效性。
- 训练数据集通过重放开发者的光标移动轨迹生成，确保数据规模足够大。
- 使用监督微调和结构化网格搜索来优化位置模型的训练过程。
- 用户体验设计考虑到如何在不干扰用户流的情况下展示远程编辑建议。
- 内部测试和A/B测试显示，长距离NES在代码编写上有显著提升，但也需要改进建议的选择性。
- 引入强化学习以优化模型的跳转预测，减少不必要的建议。
- 未来计划支持跨文件建议和统一模型，以提高整体建议的相关性。
🏷️
标签
➡️
