令人惊叹的AI编程

一份关于AI编程主题的列表。

请通过打开拉取请求来添加或编辑此列表。

项目

• BigCode: 由Hugging Face主导的开放科学协作项目。
• Fauxpilot: 基于CodeGen的代码补全服务器。
• CodeGPT.nvim: 在neovim中集成ChatGPT。
• Vibe Compiler (vibec): 一种自编译工具，利用OpenRouter提供的LLM生成能力，将基于Markdown的提示栈转换为代码和测试。
• org-ai: 结合OpenAI API的Emacs org-mode。
• Autodoc: 使用LLM（OpenAI / Alpaca）生成代码库文档。
• CodeAlpaca: 经过代码指令遵循训练的LLaMA模型。
• 🐾 Tabby: GitHub Copilot的开源/本地部署替代方案。
• promptr: 使用GPT操作代码库的命令行工具。
• ChatIDE: 允许在VSCode中与ChatGPT对话的扩展。
• PromptMate: 集成ChatGPT的VSCode扩展。
• TurboPilot: 基于CPU的Copilot克隆。
• CodeCapybara: 开源LLaMA模型，经过指令微调用于代码生成。
• CodeTF: 用于最先进代码LLM的一站式Transformer库。
• Rift: 一个利用边缘语言模型的开源LSP。
• Octopack
  • OctoPack: 指令微调大型代码语言模型
  • 在大规模GitHub提交数据集上对代码LLM进行指令微调。
• Bloop: bloop是一个用Rust编写的（AI驱动的）快速代码搜索引擎。
  • 转向AI驱动的遗留代码迁移：https://bloop.ai/
• Twinny: 基于Ollama的AI代码补全插件。
• MutahunterAI: 通过我们的开源AI加速开发者生产力并提升代码安全性。
• PraisonAI: 多AI代理框架，支持100多种LLM、MCP集成、用于代码生成的代理工作流以及内置记忆功能。
• code-collator: 创建一个单一的Markdown文件，向语言模型描述您的整个代码库。
• batchai: Copilot和Cursor的补充——利用AI对项目代码进行批量处理。
• Berrry: 一个AI驱动的平台，使用LLM代码生成技术将社交媒体帖子转化为功能齐全的Web应用。
• Arctic: 一个以终端为主的TUI，统一了多个AI编码计划和API，并内置使用情况和配额可见性。

数据集

• The Pile
• The Stack
• CodeContests
• CodeSearchNet
• The Vault

LLM模型

• PolyCoder 160M/400M/2.7B
• CodeGen 350M/2B/6B/16B
• TransCoder
• CodeGeeX 13B
• SantaCoder 1.1B
• InCoder 1B/6B
• replit-code-v1-3b
• StarCoder 15B
• CodeGen2
• CodeT5 / CodeT5+
• CodeLlama

嵌入模型

• CodeBERTa

论文与博客

• 使用AlphaCode实现竞赛级别的代码生成
• RepoCoder: 基于迭代检索和生成的仓库级代码补全
  • 结合LLM补全和CodeSearch
  • CodeGen-350M + 基于词袋的片段搜索击败了Codex
• 针对大型代码语言模型的仓库级提示生成
  • 根据先验信息生成提案候选，例如导入语句、同目录下的文件等。
  • 使用提案候选分类器选择适合LLM的提案。
• 机器学习增强的代码补全提升开发者生产力
  • 5亿参数的编码解码模型，在Google的单体代码库上进行了微调。
  • 多行代码补全建议的接受率为34%。
• 通用人工智能的火花：GPT-4的早期实验: 第三章讨论了编码场景和聊天界面。
• 高效训练语言模型以填补中间部分: 使用特殊的标记，在后缀上下文中训练仅解码器模型。
• Toolformer: 语言模型可以自我学习如何使用工具: 将LLM作为API胶水层。
• CodeCompose: 大规模工业部署的AI辅助代码编写
  • 部署为单行代码补全，将延迟降低至300ms-500ms。
  • 参数量为13亿。
  • 微调可使准确率/bleu提高50%-100%。

产品与初创公司

• Copilot + Copilot X
• Codeium
• CodeComplete.AI
• Codify refact.ai
• Cody
• Amazon Codewhisperer
• Replit Ghostwrite
• Tabnine
• AiXCoder
• Turin Tech
• Cursor
• Buildt Cosine
• Safurai
• phind
• AskCodi
• MutableAI
• Machinet
• BlackBox
• MetaBob
• aider
• sweep
• continuedev
• ZZZ Code AI
• Augment Code
• CodeGen
• Pixee
• MutahunterAI
• Trae
• Taskade Genesis：一款基于人工智能的平台，支持用户使用自然语言构建自定义AI智能体、工作流和应用。
• OpenPaw：一款开源命令行工具（npx pawmode），可将Claude Code转变为具备38种技能的个人助手——包括邮件、日历、Spotify、智能家居、Slack、GitHub等。

同行优秀列表

• Awesome AI-Powered Developer Tools
• Are copilots local yet?

星标历史

Awesome-AI-Coding 快速上手指南

awesome-ai-coding 并非单一的可安装软件，而是一个精选的 AI 编程工具、模型、数据集及论文的资源列表。本指南将帮助你快速从该列表中找到适合的工具并完成基础部署。以下以列表中热门的本地化 AI 编程助手 Tabby（GitHub Copilot 的开源替代品）和 Twinny 为例，演示如何利用此资源库开始你的 AI 编程之旅。

环境准备

在部署列表中的大多数本地 AI 编程工具前，请确保满足以下基础环境要求：

• 操作系统: Linux (推荐), macOS, 或 Windows (WSL2)
• 硬件要求:
  • CPU 模式: 至少 8GB 内存（推理速度较慢）。
  • GPU 模式 (推荐): NVIDIA GPU (显存建议 8GB 以上)，需安装 CUDA Toolkit。
• 前置依赖:
  • Docker & Docker Compose: 用于快速部署服务端工具（如 Tabby）。
  • Node.js & npm: 用于部分 CLI 工具或编辑器插件开发。
  • Python 3.8+: 用于运行部分基于 PyTorch/TensorFlow 的模型脚本。
  • Git: 用于克隆仓库。

国内加速建议:

• Docker 镜像: 建议使用国内镜像源（如阿里云、腾讯云、中科大）配置 daemon.json，以加速拉取 tabbyml/tabby 等镜像。
• 模型下载: 列表中的模型多托管于 Hugging Face，国内访问受限。推荐使用 ModelScope (魔搭社区) 或 Hugging Face 镜像站 下载模型权重。
• 代码克隆: 若 GitHub 连接不稳定，可使用 git clone https://ghproxy.com/https://github.com/... 进行加速。

安装步骤

以下展示两种典型的安装方式：服务端部署（Tabby）和编辑器插件安装（Twinny）。

方案一：部署 Tabby 服务端 (自托管 Copilot)

Tabby 是列表中最成熟的自托管代码补全引擎。

1. 创建配置目录:

   mkdir -p ~/tabby-data
   cd ~/tabby-data
   

2. 使用 Docker 启动服务: 以下命令启动 Tabby 并使用 StarCoder 模型（列表中的热门模型之一）。

   docker run -it \
     --gpus all \
     -p 8080:8080 \
     -v $HOME/tabby-data:/data \
     tabbyml/tabby \
     serve --model StarCoder-1B --device cuda
   

   注：若无 NVIDIA GPU，移除 --gpus all 并将 --device cuda 改为 --device cpu。

3. 验证服务: 访问 http://localhost:8080 查看 API 状态页面。

方案二：安装 Twinny 插件 (基于 Ollama)

Twinny 是列表中提到的基于 Ollama 的 VS Code/VSCodium 插件，适合轻量级本地使用。

1. 安装 Ollama:

   curl -fsSL https://ollama.com/install.sh | sh
   

   国内用户若脚本报错，可手动下载二进制文件或使用国内镜像源安装。

2. 拉取代码模型: 从列表推荐的模型中选择一个，例如 codellama 或 starcoder2。

   ollama pull codellama:7b-code
   

3. 安装 VS Code 插件:

   • 打开 VS Code。
   • 进入扩展商店 (Ctrl+Shift+X)。
   • 搜索 Twinny 并安装。
   • 在插件设置中将模型名称配置为 codellama:7b-code。

基本使用

完成安装后，即可在编辑器中体验 AI 辅助编程。

1. 代码自动补全 (Autocompletion)

以 Tabby 为例，配置好 IDE 插件（如 VS Code 的 "Tabby" 插件）并指向本地服务地址 http://localhost:8080 后：

• 操作: 在代码编辑器中输入注释或函数定义的前几行。
• 示例: 输入：

  def calculate_fibonacci(n):
      """Calculate the nth Fibonacci number."""
  

• 结果: Tabby 会自动灰色显示后续代码建议，按 Tab 键即可接受补全。

2. 聊天与代码生成 (Chat & Generation)

以 Twinny 或集成 CodeGPT 的环境为例：

• 操作: 打开侧边栏聊天窗口，选中一段代码或直接提问。
• 示例指令:

  /explain 这段代码的作用是什么？
  /refactor 优化这个函数的性能，减少时间复杂度。
  /generate 创建一个 Python 脚本，使用 requests 库抓取网页标题。
  

• 结果: AI 将在聊天窗口返回解释、重构后的代码或新生成的完整脚本，支持一键插入到当前文件。

3. 探索更多资源

你可以回到 awesome-ai-coding 仓库，根据需求探索其他类别：

• 特定语言模型: 查阅 LLM Models 章节下载 CodeLlama, DeepSeek-Coder 等专用模型。
• 数据集微调: 参考 Datasets 章节获取 The Stack 或 CodeSearchNet 进行模型微调。
• 前沿工具: 尝试 PraisonAI 构建多智能体工作流，或使用 aider 进行命令行驱动的代码修改。