AI FDE 最佳实践

请审阅以下最佳实践，以帮助你在保持系统完整性并优化结果的同时，有效地利用 AI FDE。

在生产环境中实施生成的资源之前，务必先验证它们。此验证过程应包括审查所有生成的代码是否正确，以及是否符合组织标准。

使用有代表性的样本数据测试变换逻辑，以确保其在各种条件下都能如期运行。AI FDE 默认会在分支上进行更改，并在 Global Branch 提案或 Code Repository 的 pull request 中提出更改以供审查。

取决于所使用的工具和工具配置，AI FDE 可能会在执行动作前请求工具批准。请确保你理解模型试图执行的动作，并在批准前检查正在使用的工具。

我们建议只向模型提供给定任务所必需的上下文和工具。提供不必要的上下文或工具可能导致次优或错误的动作。通过将可用工具限制为特定任务所需的那些，并只包含最相关的上下文，你可以降低混淆或出错的可能性。限制工具和上下文可以提升 AI FDE 的效率和准确性，同时通过最小化对敏感操作或信息的访问来增强安全性。

复杂操作应分解为更小、更易管理的步骤。我们建议从基本结构开始，随着每个组件得到验证再逐步增加复杂度。

AI FDE 在快速原型设计方面尤其有效，允许快速探索不同方法。对于生产级实现，请将 AI 生成的基础与手动开发相结合，以进行微调和优化。

使用 AIP Evals 来评估并跟踪由 AI FDE 创建或修改的 functions 的表现。为你的 LLM 支撑的 functions 创建评估套件，让你能够衡量更改随时间推移的影响，并比较不同方法。这在使用 AI FDE 进行迭代式 function 开发时尤其有价值，因为它能就更改是提升还是降低了表现提供定量反馈。

使用 AI FDE 时，重要的是要认识到其运作模式与人类开发者之间的差异。人类开发者通常一次执行一个操作，常常在动作之间停下来思考并休息；而 AI FDE 可以快速连续地执行操作，每个动作之间只间隔几秒。这可能在几分钟内触发数十个操作，并持续运行直到任务完成。多个 AI FDE 会话可能并行运行，从而使对基础设施的整体影响叠加。这可能暴露出那些对人类较慢、较顺序的活动而言尚可应对的基础设施瓶颈。

请仔细考虑以下方面：

• 存储读写
• 计算资源，尤其是 GPU
• 存储容量

AI FDE 的使用可能需要能够容纳高频并行操作、持续计算负载、增加的网络活动和扩展的存储需求的基础设施。