What is AI OpenHands and how is it different from regular code assistants?

OpenHands is an open-source AI developer agent that can plan tasks, edit files, run tests, and browse as needed. Unlike autocomplete tools, it operates in a full environment (terminal, file system, browser) to attempt end-to-end task completion.

Is OpenHands production-ready for autonomous software development?

It’s suitable for scoped, test-driven tasks with human oversight. For broad autonomous product work, keep a human in the loop and deploy guardrails such as CI gates and sandboxing.

How does OpenHands perform on SWE-bench or similar benchmarks?

Results vary by model and setup, and leaderboards change frequently. Check the official SWE-bench site for current context and treat community-reported numbers as directional rather than absolute.

What are the main limitations of OpenHands today?

Ambiguous specs, flaky environments, and long-horizon multi-repo tasks can cause loops or failures. Success improves with strong tests, clear constraints, and careful configuration.

How can I reduce token costs when using OpenHands with large models?

Cap steps and retries, trim context to only relevant files, and adopt a tiered model strategy—use cheaper models for scaffolding and stronger models for final reasoning.

AI OpenHands ವಿಮರ್ಶೆ: ಈ ತೆರೆದ ಮೂಲದ ‘AI ಡೆವಲಪರ್’ ನಿಜವಾಗಿಯೂ ಕೋಡ್ ಅನ್ನು ರವಾನಿಸಬಲ್ಲದೇ?

ನೀವು AI ಕೋಡಿಂಗ್ ಏಜೆಂಟ್‌ಗಳ ಏರಿಕೆಯನ್ನು ಗಮನಿಸುತ್ತಿದ್ದರೆ, ನೀವು ಬಹುಶಃ OpenHands ಬಗ್ಗೆ ಕೇಳಿರಬಹುದು - ಈ ಹಿಂದೆ OpenDevin ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತಿತ್ತು. ಇದು ಒಂದು ಧೈರ್ಯದ ಭರವಸೆಯನ್ನು ನೀಡುತ್ತದೆ: ಸಮಸ್ಯೆಗಳನ್ನು ಓದಲು, ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸಲು, ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಲು, ಫೈಲ್‌ಗಳನ್ನು ಎಡಿಟ್ ಮಾಡಲು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ಪರಿಹರಿಸಲು ವೆಬ್ ಅನ್ನು ಬ್ರೌಸ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವ AI ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್. ದೊಡ್ಡ ಹೇಳಿಕೆ. ಈ ಆಳವಾದ ವಿಮರ್ಶೆಯಲ್ಲಿ, OpenHands ಇಂದು ಏನಾಗಿದೆ, ಅದು ಏನು ಚೆನ್ನಾಗಿ ಮಾಡುತ್ತದೆ (ಮತ್ತು ಅಷ್ಟೊಂದು ಚೆನ್ನಾಗಿ ಅಲ್ಲ), ಮತ್ತು ಅದು ನಿಮ್ಮ ತಂಡಕ್ಕೆ ಸಿದ್ಧವಾಗಿದೆಯೇ ಎಂದು ನಾನು ಪರೀಕ್ಷಿಸುತ್ತೇನೆ.

ನಾನು ಇಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಮತ್ತು ಪರಿಹಾರ-ಆಧಾರಿತ ವಿಧಾನವನ್ನು ಅನುಸರಿಸುತ್ತಿದ್ದೇನೆ: ಸ್ಪಷ್ಟ ಅನುಕೂಲಗಳು/ಅನಾನುಕೂಲಗಳು, ನೈಜ-ಪ್ರಪಂಚದ ನಿರೀಕ್ಷೆಗಳು ಮತ್ತು ಕಾರ್ಯತಂತ್ರದ ಮಾರ್ಗದರ್ಶನ. ಒಳಗೆ ಹೋಗೋಣ.

OpenHands ಎಂದರೇನು (ಹಿಂದೆ OpenDevin)?

OpenHands ಎಂಬುದು AI ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ರನ್ ಮಾಡಲು ಒಂದು ತೆರೆದ ಮೂಲ ವೇದಿಕೆಯಾಗಿದೆ. ಇದರ ಮೂಲ ಆಶಯ: LLM ಗೆ ಕಾರ್ಯನಿರ್ವಹಣಾ ಪರಿಸರವನ್ನು ನೀಡುವುದು - ಟರ್ಮಿನಲ್, ಫೈಲ್ ಸಿಸ್ಟಮ್, ಎಡಿಟರ್ ಮತ್ತು ಬ್ರೌಸರ್ - ಮತ್ತು ಡೆವಲಪರ್ ಮಾಡುವ ರೀತಿಯಲ್ಲಿ ಬಹು-ಹಂತದ ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅವಕಾಶ ನೀಡುವುದು. ಇದು ವಿಸ್ತರಿಸುವಂತೆ (ವಿಭಿನ್ನ ಮಾದರಿಗಳು, ಪರಿಕರಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಪ್ಲಗ್ ಇನ್ ಮಾಡಿ) ಮತ್ತು ಸಮುದಾಯ-ಚಾಲಿತವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಸಕ್ರಿಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ ಸಂಶೋಧನೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯ ಮೇಲೆ ಗಮನಹರಿಸಿದೆ.

ಸಾಮಾನ್ಯವಾಗಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಪ್ರಮುಖ ಸಾಮರ್ಥ್ಯಗಳು:

ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ವಿಭಜಿಸಲು ಚೈನ್-ಆಫ್-ಥಾಟ್-ರೀತಿಯ ಸ್ಕ್ರ್ಯಾಚ್‌ಪ್ಯಾಡ್ ಅನ್ನು (ಆಂತರಿಕವಾಗಿ) ನಿರ್ವಹಿಸುತ್ತದೆ.

ಪ್ರಾಜೆಕ್ಟ್ ಫೈಲ್‌ಗಳನ್ನು ಎಡಿಟ್ ಮಾಡುತ್ತದೆ, ಪರೀಕ್ಷೆಗಳನ್ನು ರನ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಶೆಲ್ ಕಮಾಂಡ್‌ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ.

ಸಕ್ರಿಯಗೊಳಿಸಿದಾಗ ಡಾಕ್ಸ್ ಅಥವಾ ಉಲ್ಲೇಖ ಬಾಹ್ಯ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹುಡುಕಲು ಬ್ರೌಸರ್ ಉಪಕರಣವನ್ನು ಬಳಸುತ್ತದೆ.

ಬಹು ಭಾಷಾ ಮಾದರಿಗಳೊಂದಿಗೆ (ನಿಮ್ಮ ಸೆಟಪ್ ಅನ್ನು ಅವಲಂಬಿಸಿ ತೆರೆದ ಮತ್ತು ವಾಣಿಜ್ಯ) ಸಂಯೋಜನೆಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸ್ಥಳೀಯ ಅಥವಾ ಕ್ಲೌಡ್ ಇನ್‌ಫರೆನ್ಸ್‌ಗಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಬಹುದು.

ಸಂಕ್ಷಿಪ್ತವಾಗಿ: OpenHands ಒಂದು ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ AI ಡೆವಲಪರ್ ಏಜೆಂಟ್ ಆಗಲು ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಕೇವಲ ಕೋಡ್-ಸಂಪೂರ್ಣಗೊಳಿಸುವ ಸಾಧನವಲ್ಲ.

OpenHands ಯಾರಿಗೆ?

ನೈಜ ರೆಪೊಗಳು ಮತ್ತು CI ಗೆ ವೈರ್ ಮಾಡಬಹುದಾದ ಗ್ರಾಹಕೀಯಗೊಳಿಸಬಹುದಾದ, ತೆರೆದ ಏಜೆಂಟ್ ಬಯಸುವ ಬಿಲ್ಡರ್‌ಗಳು.

ಸ್ವಾಯತ್ತ ಅಥವಾ ಅರೆ-ಸ್ವಾಯತ್ತ ದೋಷ ಪರಿಹಾರ, ರಿಫ್ಯಾಕ್ಟರ್‌ಗಳು ಅಥವಾ ದಿನನಿತ್ಯದ ನಿರ್ವಹಣೆಯನ್ನು ಅನ್ವೇಷಿಸುವ ತಂಡಗಳು.

ಮಾದರಿ ಬ್ಯಾಕೆಂಡ್‌ಗಳಲ್ಲಿ ಏಜೆಂಟ್ ನಡವಳಿಕೆ ಮತ್ತು ಪುನರುತ್ಪಾದನೆಯನ್ನು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಮಾಡುವ ಸಂಶೋಧಕರು.

Docker, LLM ಕಾನ್ಫಿಗ್ ಮತ್ತು ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳೊಂದಿಗೆ ಆರಾಮದಾಯಕವಾದ ಪವರ್ ಬಳಕೆದಾರರು.

ನೀವು “ಡೆವಲಪರ್ ಅನ್ನು ಬದಲಾಯಿಸುವ” ಡ್ರಾಪ್-ಇನ್ ಬಟನ್ ಅನ್ನು ಹುಡುಕುತ್ತಿದ್ದರೆ - ಇದು ಅದಲ್ಲ. ನಿಮ್ಮ ಸ್ಟಾಕ್‌ಗೆ ನೀವು ರೂಪಿಸಬಹುದಾದ ಪ್ರಾಯೋಗಿಕ ಆದರೆ ಭರವಸೆಯ ಏಜೆಂಟ್ ನಿಮಗೆ ಬೇಕಾದರೆ, ಇದು ಬಲವಂತವಾಗಿದೆ.

ಸೆಟಪ್, ಮಾದರಿಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನ: ಏನನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು

OpenHands ಸ್ಥಳೀಯವಾಗಿ ಅಥವಾ ನಿಮ್ಮ ಇನ್‌ಫ್ರಾದಲ್ಲಿ ರನ್ ಆಗುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ನೀವು ಸಾಮಾನ್ಯವಾಗಿ:

ನಿಮ್ಮ ಆದ್ಯತೆಯ ಮಾದರಿ(ಗಳು) ಮತ್ತು ಪರಿಕರಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ.

ರೆಪೊ ಮತ್ತು ಸಮಸ್ಯೆ/ಕಾರ್ಯದಲ್ಲಿ ಏಜೆಂಟ್ ಅನ್ನು ಸೂಚಿಸಿ.

ಅದು ಯೋಜಿಸಲು, ಫೈಲ್‌ಗಳನ್ನು ಎಡಿಟ್ ಮಾಡಲು, ಕಮಾಂಡ್‌ಗಳನ್ನು ರನ್ ಮಾಡಲು ಮತ್ತು ಪರಿಹಾರ ಅಥವಾ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪ್ರಯತ್ನಿಸಲು ಬಿಡಿ.

ಇದು ತೆರೆದಿರುವುದರಿಂದ, ನಿಮಗೆ ಆಯ್ಕೆಗಳಿವೆ: ವಾಣಿಜ್ಯ LLM ಅನ್ನು ಬಳಸಿ (ಬಲವಾದ ತಾರ್ಕಿಕ ಕ್ರಿಯೆಗಾಗಿ) ಅಥವಾ ಸ್ಥಳೀಯ ಮಾದರಿಯನ್ನು ಬಳಸಿ (ಗೌಪ್ಯತೆ/ವೆಚ್ಚಕ್ಕಾಗಿ). ಮಾದರಿ ಗುಣಮಟ್ಟ, ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ ಮತ್ತು ನಿಮ್ಮ ಪರೀಕ್ಷಾ ಉಪಕರಣದೊಂದಿಗೆ ಅನುಭವವು ಗಮನಾರ್ಹವಾಗಿ ಬದಲಾಗುತ್ತದೆ.

ನೈಜ-ಪ್ರಪಂಚದ ಪ್ರತಿಕ್ರಿಯೆ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್

ಸಮುದಾಯ ಮತ್ತು ಅಭ್ಯಾಸಕಾರರ ವರದಿಗಳು ಮಿಶ್ರಿತ ಆದರೆ ಸುಧಾರಿತ ಚಿತ್ರಣವನ್ನು ವಿವರಿಸುತ್ತವೆ: ಸ್ಕೋಪ್ ಮಾಡಿದ ಕಾರ್ಯಗಳಲ್ಲಿ ಉಪಯುಕ್ತ, ಅಸ್ಪಷ್ಟ ಅಥವಾ ದುರ್ಬಲ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಲೂಪಿಂಗ್ ಅಥವಾ ಹಿಮ್ಮೆಟ್ಟುವಿಕೆಗೆ ಒಳಗಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಪರಿಸರ ಸಂರಚನೆಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ.

ಸಾಮರ್ಥ್ಯಗಳು: ಪುನರುತ್ಪಾದಕತೆಯ ಗಮನ, ಪಾರದರ್ಶಕತೆ, ಸಕ್ರಿಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ರನ್ ಸಮಯದಲ್ಲಿ ವೀಕ್ಷಿಸಲು ಮತ್ತು ಮಧ್ಯಪ್ರವೇಶಿಸುವ ಸಾಮರ್ಥ್ಯ.

ದೌರ್ಬಲ್ಯಗಳು: ಸಾಂದರ್ಭಿಕ ಟೋಕನ್-ಹಸಿದ ಲೂಪ್‌ಗಳು, ಅತಿಕ್ರಮಣಗಳು ಮತ್ತು ಉತ್ತಮ ಪರೀಕ್ಷೆಗಳು/ವಿಶೇಷಣಗಳ ಮೇಲಿನ ಅವಲಂಬನೆ.

ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆ

OpenHands ಅನ್ನು ಸಾಮಾನ್ಯವಾಗಿ SWE-bench/SWE-bench-Verified ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ, ಇದು ಎಂಡ್-ಟು-ಎಂಡ್ ಸಾಫ್ಟ್‌ವೇರ್ ಸಮಸ್ಯೆ ಪರಿಹಾರಕ್ಕಾಗಿ ಜನಪ್ರಿಯ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಆಗಿದೆ. ಸಾರ್ವಜನಿಕ ಲೀಡರ್‌ಬೋರ್ಡ್‌ಗಳು ತ್ವರಿತವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಮಾದರಿ, ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಪ್ರೋಟೋಕಾಲ್‌ನಿಂದ ಬದಲಾಗುತ್ತವೆ. ನವೀಕೃತ ಸನ್ನಿವೇಶಕ್ಕಾಗಿ ನೀವು ಅಧಿಕೃತ SWE-bench ಲೀಡರ್‌ಬೋರ್ಡ್ ಅನ್ನು ಸಂಪರ್ಕಿಸಬಹುದು. ಸಮುದಾಯ ಚರ್ಚೆಗಳು OpenHands-ನಿರ್ದಿಷ್ಟ ಮಾದರಿ ರೂಪಾಂತರಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಗಳನ್ನು ಮತ್ತು ಇತರ ಕೋಡಿಂಗ್ LLM ಗಳೊಂದಿಗೆ ಹೋಲಿಕೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತವೆ; ಸೆಟಪ್‌ಗಳು ಭಿನ್ನವಾಗಿರುವುದರಿಂದ ಅವುಗಳನ್ನು ನಿರ್ಣಾಯಕಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ದಿಕ್ಕಿನಂತೆ ಪರಿಗಣಿಸಿ.

ಬಾಟಮ್ ಲೈನ್: ಕಾರ್ಯಕ್ಷಮತೆಯು ಆಧಾರವಾಗಿರುವ LLM, ರೆಪೊಸಿಟರಿ ಸಂಕೀರ್ಣತೆ, ಪರೀಕ್ಷಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಏಜೆಂಟ್ ಸಂರಚನೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಉತ್ತಮವಾಗಿ-ಸ್ಕಫೋಲ್ಡ್ ಮಾಡಿದ ಕಾರ್ಯಗಳ ಮೇಲೆ ಬಲವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಮತ್ತು ಅನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕಡಿಮೆಯಾಗುತ್ತಿರುವ ಆದಾಯವನ್ನು ನಿರೀಕ್ಷಿಸಿ.

ಹ್ಯಾಂಡ್ಸ್-ಆನ್: ಅದು ಎಲ್ಲಿ ಒಳ್ಳೆಯದು ಮತ್ತು ಎಲ್ಲಿ ಕಷ್ಟಪಡುತ್ತದೆ

ವರದಿಯಾದ ಬಳಕೆ, ರೆಪೊ ನಡವಳಿಕೆ ಮತ್ತು ಏಜೆಂಟ್ ವಿನ್ಯಾಸದ ಆಧಾರದ ಮೇಲೆ ಪ್ರಾಯೋಗಿಕ ವಿಶ್ಲೇಷಣೆ ಇಲ್ಲಿದೆ.

OpenHands ಎಲ್ಲಿ ಬೆಳಗುತ್ತದೆ

ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ ಪರೀಕ್ಷೆಗಳೊಂದಿಗೆ ದಿನನಿತ್ಯದ ದೋಷ ಪರಿಹಾರಗಳು: ಯುನಿಟ್ ಪರೀಕ್ಷೆಗಳು ವೈಫಲ್ಯ ಪ್ರಕರಣಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದಾಗ, ಏಜೆಂಟ್ ತ್ವರಿತವಾಗಿ ಪುನರಾವರ್ತಿಸಬಹುದು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಬಹುದು.

ಸ್ಪಷ್ಟ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಕೋಡ್‌ಬೇಸ್-ವ್ಯಾಪಕ ರಿಫ್ಯಾಕ್ಟರ್‌ಗಳು: ವಿಶ್ವಾಸಾರ್ಹ ಪರೀಕ್ಷಾ ಸೂಟ್ ಅನ್ನು ನೀಡಿದರೆ, ಅದು ಪುನರಾವರ್ತಿತ ಬದಲಾವಣೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು, ತಪಾಸಣೆಗಳನ್ನು ರನ್ ಮಾಡಬಹುದು ಮತ್ತು ಕಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.

ದಾಖಲಾತಿ ನವೀಕರಣಗಳು ಮತ್ತು ಅವಲಂಬನೆ ಬಂಪ್‌ಗಳು: ಬಿಗಿಯಾದ ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್‌ಗಳೊಂದಿಗೆ ಕಡಿಮೆ-ಅಪಾಯ, ಹೆಚ್ಚಿನ-ಚರ್ನ್ ಕಾರ್ಯಗಳು ಉತ್ತಮ ಸ್ಥಳವಾಗಿದೆ.

ಸಂಶೋಧನೆ ಮತ್ತು ಪ್ರಯೋಗ: ಏಜೆಂಟ್ ಕ್ರಮಗಳು ಮತ್ತು ಉಪಕರಣಗಳು ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ನೀವು ಅಧ್ಯಯನ ಮಾಡಲು ಬಯಸಿದರೆ, OpenHands ನ ಪಾರದರ್ಶಕತೆಯು ಒಂದು ಪ್ರಮುಖ ಪ್ಲಸ್ ಆಗಿದೆ.

ಅದು ಎಲ್ಲಿ ಕಷ್ಟಪಡುತ್ತದೆ

ಅಸ್ಪಷ್ಟ ಉತ್ಪನ್ನ ಕಾರ್ಯ: ಸ್ಪಷ್ಟ ವಿಶೇಷಣಗಳಿಲ್ಲದ ಓಪನ್-ಎಂಡ್ ವೈಶಿಷ್ಟ್ಯ ವಿನ್ಯಾಸವು ಯೋಜನೆ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಲೂಪಿಂಗ್‌ಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ದುರ್ಬಲ ಪರಿಸರಗಳು: ಫ್ಲಾಕಿ ಪರೀಕ್ಷೆಗಳು, ನಿಧಾನಗತಿಯ ಸ್ಥಾಪನೆಗಳು ಅಥವಾ ಸಂಕೀರ್ಣ ಸೇವಾ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ (ಉದಾ., ಮಲ್ಟಿ-ಸರ್ವೀಸ್ Docker) ಪ್ರಗತಿಯನ್ನು ಹಳಿತಪ್ಪಿಸಬಹುದು.

ದೀರ್ಘ-ಕ್ಷಿತಿಜ, ಮಲ್ಟಿ-ರೆಪೊ ಬದಲಾವಣೆಗಳು: ಕಾಂಟೆಕ್ಸ್ಟ್ ಫ್ರಾಗ್ಮೆಂಟೇಶನ್ ಮತ್ತು ಸೀಮಿತ ದೀರ್ಘಾವಧಿಯ ಮೆಮೊರಿ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.

ಡೆವಲಪರ್ ಅನುಭವ ಮತ್ತು ನಿಯಂತ್ರಣ

OpenHands ನಿಮಗೆ ಪಾರದರ್ಶಕ, ಗಮನಿಸಬಹುದಾದ ಏಜೆಂಟ್ ಲೂಪ್ ಅನ್ನು ನೀಡುತ್ತದೆ. ನೀವು ಮಾಡಬಹುದು:

ಏಜೆಂಟ್‌ನ ಯೋಜನೆ ಮತ್ತು ಕ್ರಮಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.

ಮಧ್ಯ-ರನ್ ಮಧ್ಯಪ್ರವೇಶಿಸಿ, ಸುಳಿವುಗಳನ್ನು ನೀಡಿ ಅಥವಾ ಟೂಲ್‌ಸೆಟ್ ಅನ್ನು ನಿರ್ಬಂಧಿಸಿ.

ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಟೈಮ್‌ಔಟ್‌ಗಳು ಮತ್ತು ಸುರಕ್ಷತಾ ರೈಲುಗಳನ್ನು ಹೊಂದಿಸಿ.

ಪ್ರಾಯೋಗಿಕ ಸಲಹೆ: ಲಾಕ್ ಮಾಡಿದ ಪರಿಸರ ಮತ್ತು ಹೆಚ್ಚಿನ-ಸಿಗ್ನಲ್ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ನೀವು ವಿಶ್ವಾಸವನ್ನು ಗಳಿಸಿದಂತೆ ಕ್ರಮೇಣ ಸ್ವಾಯತ್ತತೆಯನ್ನು ವಿಸ್ತರಿಸಿ.

ಭದ್ರತೆ, ಸುರಕ್ಷತೆ ಮತ್ತು ಆಡಳಿತ

ಕಮಾಂಡ್ ಎಕ್ಸಿಕ್ಯೂಶನ್ ಮತ್ತು ಫೈಲ್ ಸಿಸ್ಟಮ್ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿರುವ ಯಾವುದೇ ಏಜೆಂಟ್ ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳಿಗೆ ಅರ್ಹವಾಗಿದೆ. ಪರಿಗಣಿಸಿ:

ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸಿಂಗ್: ಕನಿಷ್ಠ ಸವಲತ್ತು ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ನೆಟ್‌ವರ್ಕ್ ಪಾಲಿಸಿಗಳೊಂದಿಗೆ ಕಂಟೇನರ್‌ಗಳಲ್ಲಿ ರನ್ ಮಾಡಿ.

ರಹಸ್ಯ ನಿರ್ವಹಣೆ: ಪ್ರೊಡ್ ರುಜುವಾತುಗಳನ್ನು ಏಜೆಂಟ್ ಸೆಷನ್‌ಗೆ ಎಂದಿಗೂ ಬಹಿರಂಗಪಡಿಸಬೇಡಿ.

ಅವಲಂಬನೆ ಪಿನ್ನಿಂಗ್ ಮತ್ತು SBOM: ಬದಲಾವಣೆಗಳಿಗೆ ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧನೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.

ಮಾನವ-ಇನ್-ದಿ-ಲೂಪ್: ಪುಲ್ ವಿನಂತಿಗಳು ಮತ್ತು ಪ್ಯಾಕೇಜ್ ನವೀಕರಣಗಳಿಗಾಗಿ ವಿಮರ್ಶೆ ಅಗತ್ಯವಿದೆ.

OpenHands ನ ಮುಕ್ತತೆಯು ಭದ್ರತಾ ಅನುಕೂಲ ಮತ್ತು ಜವಾಬ್ದಾರಿಯಾಗಿದೆ: ನೀವು ಎಲ್ಲವನ್ನೂ ಪರಿಶೀಲಿಸಬಹುದು, ನಿರ್ಬಂಧಿಸಬಹುದು ಮತ್ತು ಲಾಗ್ ಮಾಡಬಹುದು, ಆದರೆ ನೀವು ಅದನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಕಾನ್ಫಿಗರ್ ಮಾಡಬೇಕು.

ವೆಚ್ಚ ಮತ್ತು ಟೋಕನ್ ದಕ್ಷತೆ

ವೆಚ್ಚವು ನಿಮ್ಮ ಮಾದರಿಯೊಂದಿಗೆ ಬದಲಾಗುತ್ತದೆ. ವಾಣಿಜ್ಯ LLM ಗಳು ಉತ್ತಮ ತಾರ್ಕಿಕ ಕ್ರಿಯೆಯನ್ನು ನೀಡಬಲ್ಲವು ಆದರೆ ಹೆಚ್ಚಿನ ಟೋಕನ್ ವೆಚ್ಚದಲ್ಲಿ - ವಿಶೇಷವಾಗಿ ಏಜೆಂಟ್ ಲೂಪ್ ಮಾಡಿದರೆ. ಖರ್ಚು ನಿರ್ವಹಿಸಲು:

ಹಂತಗಳು/ಪುನರಾವರ್ತನೆಗಳನ್ನು ಮಿತಿಗೊಳಿಸಿ ಮತ್ತು ಆರಂಭಿಕ-ನಿಲ್ಲಿಸುವ ಷರತ್ತುಗಳನ್ನು ಹೊಂದಿಸಿ.

ಸ್ಕಫೋಲ್ಡಿಂಗ್‌ಗಾಗಿ ಚಿಕ್ಕದಾದ, ಅಗ್ಗದ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ ಮತ್ತು ಅಂತಿಮ ತಾರ್ಕಿಕ ಕ್ರಿಯೆಗಾಗಿ ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ.

ಸಂದರ್ಭವನ್ನು ಟ್ರಿಮ್ ಮಾಡಿ: ಅಗತ್ಯವಿರುವ ಫೈಲ್‌ಗಳು ಮತ್ತು ಡಿಫ್‌ಗಳನ್ನು ಮಾತ್ರ ವೀಕ್ಷಣೆಯಲ್ಲಿ ಇರಿಸಿ.

ಹಿಂದು-ಮುಂದು ಹೋಗುವುದನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಗರಿಗರಿಯಾದ ಪರೀಕ್ಷೆಗಳನ್ನು ಸೇರಿಸಿ.

ಕಾರ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದಾಗ ಅಥವಾ ಏಜೆಂಟ್ ತಂತ್ರಗಳ ನಡುವೆ ಆಂದೋಲನಗೊಂಡಾಗ ಬಳಕೆದಾರರು “ಟೋಕನ್-ಹಸಿದ” ನಡವಳಿಕೆಗಳನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ. ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ.

ಹೋಲಿಕೆಗಳು: OpenHands ವಿರುದ್ಧ ಇತರ ಆಯ್ಕೆಗಳು

ಸ್ವಾಮ್ಯದ ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳು: ಕೆಲವು ಮುಚ್ಚಿದ ಪರಿಕರಗಳು ಬಲವಾದ ಔಟ್-ಆಫ್-ದಿ-ಬಾಕ್ಸ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಭರವಸೆ ನೀಡುತ್ತವೆ. ನೀವು ಟರ್ನ್‌ಕೀ ಅನುಕೂಲಕ್ಕಾಗಿ ಪಾರದರ್ಶಕತೆ, ವಿಸ್ತರಣೆ ಮತ್ತು ವೆಚ್ಚ ನಿಯಂತ್ರಣವನ್ನು ವ್ಯಾಪಾರ ಮಾಡುತ್ತೀರಿ.

IDE ಕೋಪೈಲಟ್‌ಗಳು (Cursor, GitHub Copilot, ಇತ್ಯಾದಿ): ಇನ್‌ಲೈನ್ ಸಹಾಯಕ್ಕಾಗಿ ಉತ್ತಮವಾಗಿದೆ, ಆದರೆ ಟರ್ಮಿನಲ್‌ಗಳು ಮತ್ತು ಬ್ರೌಸರ್‌ಗಳೊಂದಿಗೆ ಪೂರ್ಣ ಎಂಡ್-ಟು-ಎಂಡ್ ಕಾರ್ಯ ಕಾರ್ಯಗತಗೊಳಿಸಲು ನಿರ್ಮಿಸಲಾಗಿಲ್ಲ.

ಸಂಶೋಧನಾ ಚೌಕಟ್ಟುಗಳು: ಉತ್ಪಾದನೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಪ್ರಯೋಗವನ್ನು ಗುರಿಯಾಗಿರಿಸಿಕೊಳ್ಳಲಾಗಿದೆ. OpenHands ಪ್ರಾಯೋಗಿಕ ಏಜೆಂಟ್ ಲೂಪ್ ಮತ್ತು ಸಂಶೋಧನೆ-ಸ್ನೇಹಿ ಕೋರ್‌ನೊಂದಿಗೆ ಎರಡೂ ಪ್ರಪಂಚಗಳನ್ನು ದಾಟಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.

ನಿಮಗೆ ಗರಿಷ್ಠ ನಿಯಂತ್ರಣ ಮತ್ತು ಮುಕ್ತತೆ ಅಗತ್ಯವಿದ್ದರೆ, OpenHands ಅನನ್ಯವಾಗಿದೆ. ನಿಮಗೆ ಟಿಂಕರಿಂಗ್ ಇಲ್ಲದೆ ಖಾತರಿಯ ಥ್ರೋಪುಟ್ ಅಗತ್ಯವಿದ್ದರೆ, ಹೈಬ್ರಿಡ್ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು (ಏಜೆಂಟ್ + ಮಾನವ ಚಾಲಕ) ಅಥವಾ SLA ಗಳೊಂದಿಗೆ ಮುಚ್ಚಿದ ಏಜೆಂಟ್‌ಗಳನ್ನು ಪರಿಗಣಿಸಿ.

ಈ ವಾರ ನೀವು ಪ್ರಯತ್ನಿಸಬಹುದಾದ ಆದರ್ಶ ಬಳಕೆಯ ಪ್ರಕರಣಗಳು

ಸ್ಪಷ್ಟ ಪುನರುತ್ಪಾದನೆಯೊಂದಿಗೆ ಸೇವಾ ರೆಪೊದಲ್ಲಿ ವಿಫಲಗೊಳ್ಳುತ್ತಿರುವ ಯುನಿಟ್ ಪರೀಕ್ಷೆಯನ್ನು ಸರಿಪಡಿಸಿ.

ಪರೀಕ್ಷೆಗಳೊಂದಿಗೆ ಕೋಡ್‌ಬೇಸ್‌ನಲ್ಲಿ ಬಳಕೆಯಲ್ಲಿಲ್ಲದ API ಕರೆಯನ್ನು ವಲಸೆ ಮಾಡಿ.

ಅವಲಂಬನೆ ಬಂಪ್ ನಂತರ ಡಾಕ್ಸ್ ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ನವೀಕರಿಸಿ.

ಸಣ್ಣ ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ಆರಂಭಿಕ PR ಅನ್ನು ರಚಿಸಿ, ನಂತರ ಕೈಯಾರೆ ಪಾಲಿಶ್ ಮಾಡಿ.

PR ಸ್ವೀಕಾರ ದರ, ಪರೀಕ್ಷಾ ಪಾಸ್ ದರ ಮತ್ತು ಉಳಿಸಿದ ಸಮಯದಿಂದ ಯಶಸ್ಸನ್ನು ಅಳೆಯಿರಿ - ಏಜೆಂಟ್ ಸಹಾಯವಿಲ್ಲದೆ “ಮುಗಿಸುತ್ತದೆಯೇ” ಎಂಬುದರಿಂದ ಅಲ್ಲ.

ಅನುಷ್ಠಾನದ ಪ್ಲೇಬುಕ್: ನಿಮಗಾಗಿ OpenHands ಅನ್ನು ಕೆಲಸ ಮಾಡುವಂತೆ ಮಾಡಿ

ಕಿರಿದಾಗಿ ಪ್ರಾರಂಭಿಸಿ: ಒಂದು ರೆಪೊ, ಒಂದು ಕಾರ್ಯ ವರ್ಗ (ಉದಾ., ಪರೀಕ್ಷಾ-ಚಾಲಿತ ದೋಷ ಪರಿಹಾರಗಳು).

ಸಂದರ್ಭವನ್ನು ಕ್ಯುರೇಟ್ ಮಾಡಿ: ಸಂಬಂಧಿತ ಫೈಲ್‌ಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಲಾಗ್‌ಗಳನ್ನು ಮಾತ್ರ ಸೇರಿಸಿ.

ಕಟ್ಟುನಿಟ್ಟಾದ ಬಜೆಟ್‌ಗಳನ್ನು ಹೊಂದಿಸಿ: ಗರಿಷ್ಠ ಹಂತಗಳು, ಟೈಮ್‌ಔಟ್‌ಗಳು ಮತ್ತು ಮರುಪ್ರಯತ್ನ ಕ್ಯಾಪ್‌ಗಳು.

ಎಲ್ಲವನ್ನೂ ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ ಮಾಡಿ: ಲಾಗ್‌ಗಳು, ಡಿಫ್‌ಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ರನ್‌ಗಳು.

ಮಾನವ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗಳು: ವಿಲೀನಗೊಳ್ಳುವ ಮೊದಲು ವಿಮರ್ಶೆ ಮತ್ತು CI ಗೇಟ್‌ಗಳು ಅಗತ್ಯವಿದೆ.

ಪುನರಾವರ್ತನೆ: ನೀವು ವೈಫಲ್ಯದ ವಿಧಾನಗಳನ್ನು ಕಲಿತಂತೆ ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಮತ್ತು ಟೂಲ್ ಪ್ರವೇಶವನ್ನು ಟ್ಯೂನ್ ಮಾಡಿ.

ರೋಡ್‌ಮ್ಯಾಪ್ ಮತ್ತು ಸಮುದಾಯ ಆರೋಗ್ಯ

ಪ್ರಾಜೆಕ್ಟ್ ಸಕ್ರಿಯವಾಗಿದೆ, ಆಗಾಗ್ಗೆ ನವೀಕರಣಗಳು ಮತ್ತು ಬೆಳೆಯುತ್ತಿರುವ ಸಮುದಾಯದ ಆಸಕ್ತಿಯೊಂದಿಗೆ. GitHub ರೆಪೊ (ನಕ್ಷತ್ರಗಳು, ಸಮಸ್ಯೆಗಳು, PR ಕ್ಯಾಡೆನ್ಸ್) ಮತ್ತು ಪೀರ್-ರಿವ್ಯೂಡ್ ಪೇಪರ್ ವೇಗ ಮತ್ತು ಸಂಶೋಧನಾ ನೆಲೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ. ಕಾಲಾನಂತರದಲ್ಲಿ ಹೆಚ್ಚಿನ ಮಾದರಿ ಏಕೀಕರಣಗಳು, ಉತ್ತಮ ಡೀಬಗ್ಗಿಲಿಟಿ ಮತ್ತು ಏಜೆಂಟ್-ಮಟ್ಟದ ಸುರಕ್ಷತೆಗಳನ್ನು ನಿರೀಕ್ಷಿಸಿ.

ತೀರ್ಪು: OpenHands ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧವಾಗಿದೆಯೇ?

ಸಂಶೋಧನೆ, ಪೈಲಟ್ ಯೋಜನೆಗಳು ಮತ್ತು ಬಿಗಿಯಾದ-ವ್ಯಾಪ್ತಿಯ ಯಾಂತ್ರೀಕರಣಕ್ಕಾಗಿ: ಹೌದು - ವಿಶೇಷವಾಗಿ ಬಲವಾದ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳೊಂದಿಗೆ.

ವ್ಯಾಪಕವಾದ, ಸ್ವಾಯತ್ತ ಉತ್ಪನ್ನ ಅಭಿವೃದ್ಧಿಗಾಗಿ: ಇನ್ನೂ ಇಲ್ಲ. ಮಾನವರನ್ನು ಲೂಪ್‌ನಲ್ಲಿ ಇರಿಸಿ ಮತ್ತು ROI ಅನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅಳೆಯಿರಿ.

OpenHands ಒಂದು ಪ್ರಭಾವಶಾಲಿ ಮುಕ್ತ ವೇದಿಕೆಯಾಗಿದ್ದು ಅದು AI ಡೆವಲಪರ್ ಏಜೆಂಟ್‌ನ ನಿಯಂತ್ರಣವನ್ನು ನಿಮಗೆ ನೀಡುತ್ತದೆ. ಸರಿಯಾದ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ, ಇದು ನೈಜ ಎಂಜಿನಿಯರಿಂಗ್ ಕೆಲಸಗಳನ್ನು ಆಫ್‌ಲೋಡ್ ಮಾಡಬಹುದು. ಇದನ್ನು ಶಕ್ತಿಯುತ ಇಂಟರ್ನ್‌ನಂತೆ ಪರಿಗಣಿಸಿ: ಸಮರ್ಥ, ವೇಗದ, ಸಾಂದರ್ಭಿಕವಾಗಿ ತಪ್ಪು - ಮತ್ತು ಮಾರ್ಗದರ್ಶನ ನೀಡಿದಾಗ ಉತ್ತಮ.

ಇದಲ್ಲದೆ: AI ಕೋಡಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಂದ ಹೆಚ್ಚಿನದನ್ನು ಪಡೆಯುವುದು

ಗಮನಿಸಬೇಕಾದ ಅಂಶ: ನಿಮ್ಮ ವರ್ಕ್‌ಫ್ಲೋ API ಗಳನ್ನು ಸಂಶೋಧಿಸುವುದು, ವಿಶೇಷಣಗಳನ್ನು ರಚಿಸುವುದು ಅಥವಾ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಪುನರಾವರ್ತಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದ್ದರೆ, Sider.AI ನಂತಹ ಉಪಕರಣವು OpenHands ಜೊತೆಗೆ “ತಾರ್ಕಿಕ-ಮತ್ತು-ಡ್ರಾಫ್ಟ್” ಲೂಪ್ ಅನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಕೋಡ್ ಮತ್ತು ಪರೀಕ್ಷೆಗಳನ್ನು ರನ್ ಮಾಡಲು ಏಜೆಂಟ್ ಅನ್ನು ಬಳಸಿ, ಮತ್ತು Sider.AI ಅನ್ನು ಅವಶ್ಯಕತೆಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸಲು, ಲೈಬ್ರರಿ ಆಯ್ಕೆಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ವಿಮರ್ಶಕರಿಗೆ ಡಿಫ್‌ಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸಲು ಬಳಸಿ - ಆದ್ದರಿಂದ ಮಾನವರು ನಿರ್ಧಾರಗಳ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತಾರೆ, ಡ್ರಡ್ಜೆರಿಯಲ್ಲ.

ಪ್ರಮುಖ ಅಂಶಗಳು

OpenHands ಒಂದು ಪಾರದರ್ಶಕ, ವಿಸ್ತರಿಸಬಹುದಾದ AI ಡೆವಲಪರ್ ಏಜೆಂಟ್ ಆಗಿದ್ದು ಅದು ನೈಜ ರೆಪೊಗಳು ಮತ್ತು ಕಾರ್ಯಗಳಿಗೆ ಸಜ್ಜಾಗಿದೆ.

ಇದು ಉತ್ತಮವಾಗಿ-ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ, ಪರೀಕ್ಷಾ-ಚಾಲಿತ ಕೆಲಸದೊಂದಿಗೆ ಉತ್ತಮವಾಗಿದೆ; ಇದು ಅಸ್ಪಷ್ಟತೆ ಮತ್ತು ದುರ್ಬಲ ಪರಿಸರಗಳೊಂದಿಗೆ ಕಷ್ಟಪಡುತ್ತದೆ.

ಕಾರ್ಯಕ್ಷಮತೆಯು LLM, ಕಾರ್ಯ ವಿನ್ಯಾಸ ಮತ್ತು ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳ ಮೇಲೆ ನಿಂತಿದೆ; ವೆಚ್ಚಗಳು ಲೂಪ್‌ಗಳೊಂದಿಗೆ ಸ್ಕೇಲ್ ಆಗುತ್ತವೆ.

ಕಿರಿದಾಗಿ ಪ್ರಾರಂಭಿಸಿ, ಸಂಪೂರ್ಣವಾಗಿ ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ ಮಾಡಿ ಮತ್ತು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ ಮಾನವರನ್ನು ಲೂಪ್‌ನಲ್ಲಿ ಇರಿಸಿ.

ಉಲ್ಲೇಖಗಳು

OpenHands ಬಳಕೆ ಮತ್ತು ಮಿತಿಗಳೊಂದಿಗೆ ನೈಜ-ಪ್ರಪಂಚದ ಅನುಭವ.

ಟೋಕನ್ ಬಳಕೆ ಮತ್ತು ಲೂಪಿಂಗ್ ನಡವಳಿಕೆಯ ಕುರಿತು ಸಮುದಾಯ ಪ್ರತಿಕ್ರಿಯೆ.

OpenHands ಪೇಪರ್ ಮತ್ತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅವಲೋಕನ.

OpenHands GitHub ರೆಪೊಸಿಟರಿ ಮತ್ತು ದಾಖಲಾತಿ.

ಎಂಡ್-ಟು-ಎಂಡ್ ಕೋಡ್-ಪರಿಹರಿಸುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕುರಿತು ವ್ಯಾಪಕ ಸನ್ನಿವೇಶಕ್ಕಾಗಿ SWE-bench ಲೀಡರ್‌ಬೋರ್ಡ್.

ಸಮುದಾಯ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಚರ್ಚೆಗಳು ಮತ್ತು ಪುನರುತ್ಪಾದನೆ ಥ್ರೆಡ್‌ಗಳು.

FAQ

Q1: AI OpenHands ಎಂದರೇನು ಮತ್ತು ಇದು ಸಾಮಾನ್ಯ ಕೋಡ್ ಸಹಾಯಕರಿಗಿಂತ ಹೇಗೆ ಭಿನ್ನವಾಗಿದೆ? OpenHands ಒಂದು ತೆರೆದ ಮೂಲ AI ಡೆವಲಪರ್ ಏಜೆಂಟ್ ಆಗಿದ್ದು ಅದು ಕಾರ್ಯಗಳನ್ನು ಯೋಜಿಸಬಹುದು, ಫೈಲ್‌ಗಳನ್ನು ಎಡಿಟ್ ಮಾಡಬಹುದು, ಪರೀಕ್ಷೆಗಳನ್ನು ರನ್ ಮಾಡಬಹುದು ಮತ್ತು ಅಗತ್ಯವಿರುವಂತೆ ಬ್ರೌಸ್ ಮಾಡಬಹುದು. ಸ್ವಯಂಪೂರ್ಣಗೊಳಿಸುವ ಪರಿಕರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಇದು ಎಂಡ್-ಟು-ಎಂಡ್ ಕಾರ್ಯ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆಯನ್ನು ಪ್ರಯತ್ನಿಸಲು ಪೂರ್ಣ ಪರಿಸರದಲ್ಲಿ (ಟರ್ಮಿನಲ್, ಫೈಲ್ ಸಿಸ್ಟಮ್, ಬ್ರೌಸರ್) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

Q2: ಸ್ವಾಯತ್ತ ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿಗಾಗಿ OpenHands ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧವಾಗಿದೆಯೇ? ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯೊಂದಿಗೆ ಸ್ಕೋಪ್ ಮಾಡಿದ, ಪರೀಕ್ಷಾ-ಚಾಲಿತ ಕಾರ್ಯಗಳಿಗೆ ಇದು ಸೂಕ್ತವಾಗಿದೆ. ವ್ಯಾಪಕ ಸ್ವಾಯತ್ತ ಉತ್ಪನ್ನ ಕಾರ್ಯಕ್ಕಾಗಿ, ಮಾನವರನ್ನು ಲೂಪ್‌ನಲ್ಲಿ ಇರಿಸಿ ಮತ್ತು CI ಗೇಟ್‌ಗಳು ಮತ್ತು ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸಿಂಗ್‌ನಂತಹ ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳನ್ನು ನಿಯೋಜಿಸಿ.

Q3: SWE-bench ಅಥವಾ ಅಂತಹುದೇ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಲ್ಲಿ OpenHands ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ? ಫಲಿತಾಂಶಗಳು ಮಾದರಿ ಮತ್ತು ಸೆಟಪ್‌ನಿಂದ ಬದಲಾಗುತ್ತವೆ ಮತ್ತು ಲೀಡರ್‌ಬೋರ್ಡ್‌ಗಳು ಆಗಾಗ್ಗೆ ಬದಲಾಗುತ್ತವೆ. ಪ್ರಸ್ತುತ ಸನ್ನಿವೇಶಕ್ಕಾಗಿ ಅಧಿಕೃತ SWE-bench ಸೈಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸಮುದಾಯ-ವರದಿ ಮಾಡಿದ ಸಂಖ್ಯೆಗಳನ್ನು ಸಂಪೂರ್ಣಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ದಿಕ್ಕಿನಂತೆ ಪರಿಗಣಿಸಿ.

Q4: OpenHands ನ ಮುಖ್ಯ ಮಿತಿಗಳು ಯಾವುವು? ಅಸ್ಪಷ್ಟ ವಿಶೇಷಣಗಳು, ಫ್ಲಾಕಿ ಪರಿಸರಗಳು ಮತ್ತು ದೀರ್ಘ-ಕ್ಷಿತಿಜದ ಮಲ್ಟಿ-ರೆಪೊ ಕಾರ್ಯಗಳು ಲೂಪ್‌ಗಳು ಅಥವಾ ವೈಫಲ್ಯಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಬಲವಾದ ಪರೀಕ್ಷೆಗಳು, ಸ್ಪಷ್ಟ ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ಸಂರಚನೆಯೊಂದಿಗೆ ಯಶಸ್ಸು ಸುಧಾರಿಸುತ್ತದೆ.

Q5: ದೊಡ್ಡ ಮಾದರಿಗಳೊಂದಿಗೆ OpenHands ಅನ್ನು ಬಳಸುವಾಗ ನಾನು ಟೋಕನ್ ವೆಚ್ಚವನ್ನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡಬಹುದು? ಹಂತಗಳು ಮತ್ತು ಮರುಪ್ರಯತ್ನಗಳನ್ನು ಮಿತಿಗೊಳಿಸಿ, ಸಂಬಂಧಿತ ಫೈಲ್‌ಗಳಿಗೆ ಮಾತ್ರ ಸಂದರ್ಭವನ್ನು ಟ್ರಿಮ್ ಮಾಡಿ ಮತ್ತು ಶ್ರೇಣೀಕೃತ ಮಾದರಿ ತಂತ್ರವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಿ - ಸ್ಕಫೋಲ್ಡಿಂಗ್‌ಗಾಗಿ ಅಗ್ಗದ ಮಾದರಿಗಳನ್ನು ಮತ್ತು ಅಂತಿಮ ತಾರ್ಕಿಕ ಕ್ರಿಯೆಗಾಗಿ ಬಲವಾದ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ.