警告：此说明文件可能已过时。应将 README.md 视为真实的来源。如果您注意到差异，请打开一个拉取请求以更新此说明文件。
🗂️ Table of Contents
OpenDevin.webm
欢迎来到 OpenDevin，一个开源项目，旨在复制 Devin，一款自主的 AI 软件工程师，能够执行复杂的工程任务，并与用户积极合作，共同进行软件开发项目。该项目立志通过开源社区的力量复制、增强和创新 Devin。
Devin 代表着一种尖端的自主代理程序，旨在应对软件工程的复杂性。它利用诸如 shell、代码编辑器和 Web 浏览器等工具的组合，展示了在软件开发中利用 LLMs（大型语言模型）的未开发潜力。我们的目标是探索和拓展 Devin 的能力，找出其优势和改进空间，以指导开源代码模型的进展。
OpenDevin 项目源于对复制、增强和超越原始 Devin 模型的愿望。通过与开源社区的互动，我们旨在解决 Code LLMs 在实际场景中面临的挑战，创作出对社区有重大贡献并为未来进步铺平道路的作品。
OpenDevin 目前仍在进行中，但您已经可以运行 alpha 版本来查看端到端系统的运行情况。项目团队正在积极努力实现以下关键里程碑：
- 用户界面（UI）：开发用户友好的界面，包括聊天界面、演示命令的 shell 和 Web 浏览器。
- 架构：构建一个稳定的代理框架，具有强大的后端，可以读取、写入和运行简单的命令。
- 代理能力：增强代理的能力，以生成 bash 脚本、运行测试和执行其他软件工程任务。
- 评估：建立一个与 Devin 评估标准一致的最小评估流水线。
在完成 MVP 后，团队将专注于各个领域的研究，包括基础模型、专家能力、评估和代理研究。
- OpenDevin 仍然是一个 alpha 项目。它变化很快且不稳定。我们正在努力在未来几周发布稳定版本。
- OpenDevin 会向您配置的 LLM 发出许多提示。大多数 LLM 都需要花费金钱，请务必设置花费限制并监控使用情况。
- OpenDevin 在 Docker 沙箱中运行
bash命令，因此不应影响您的计算机。但您的工作区目录将附加到该沙箱，并且目录中的文件可能会被修改或删除。 - 我们默认的代理目前是 MonologueAgent，具有有限的功能，但相当稳定。我们正在开发其他代理实现，包括 SWE 代理。您可以在这里阅读我们当前的代理集合。
开始使用 OpenDevin 项目非常简单。按照以下简单步骤在您的系统上设置和运行 OpenDevin：
运行 OpenDevin 最简单的方法是在 Docker 容器中。 您可以运行：
# 您的 OpenAI API 密钥，或任何其他 LLM API 密钥
export LLM_API_KEY="sk-..."
# 您想要 OpenDevin 修改的目录。必须是绝对路径！
export WORKSPACE_BASE=$(pwd)/workspace
docker run \
-e LLM_API_KEY \
-e WORKSPACE_MOUNT_PATH=$WORKSPACE_BASE \
-v $WORKSPACE_BASE:/opt/workspace_base \
-v /var/run/docker.sock:/var/run/docker.sock \
-p 3000:3000 \
ghcr.io/opendevin/opendevin:latest将 $(pwd)/workspace 替换为您希望 OpenDevin 使用的代码路径。
您可以在 http://localhost:3000 找到正在运行的 OpenDevin。
请参阅Development.md以获取在没有 Docker 的情况下运行 OpenDevin 的说明。
OpenDevin 可以与任何 LLM 后端配合使用。 要获取提供的 LM 提供商和模型的完整列表，请参阅 litellm 文档。
LLM_MODEL 环境变量控制在编程交互中使用哪个模型，
但在 OpenDevin UI 中选择模型将覆盖此设置。
对于某些 LLM，可能需要以下环境变量：
LLM_API_KEYLLM_BASE_URLLLM_EMBEDDING_MODELLLM_EMBEDDING_DEPLOYMENT_NAMELLM_API_VERSION
关于替代模型的说明： 某些替代模型可能比其他模型更具挑战性。 不要害怕，勇敢的冒险家！我们将很快公布 LLM 特定的文档，指导您完成您的探险。 如果您已经掌握了除 OpenAI 的 GPT 之外的模型使用技巧， 我们鼓励您与我们分享您的设置说明。
利用 LLMs 实现生产级应用程序的完全复制是一个复杂的任务。我们的策略包括：
- 核心技术研究： 专注于基础研究，以了解和改进代码生成和处理的技术方面。
- 专业能力： 通过数据整理、训练方法等手段增强核心组件的效能。
- 任务规划： 开发能力，用于错误检测、代码库管理和优化。
- 评估： 建立全面的评估指标，以更好地了解和改进我们的模型。
OpenDevin 是一个社区驱动的项目，我们欢迎所有人的贡献。无论您是开发人员、研究人员，还是对利用人工智能推动软件工程领域发展充满热情的人，都有许多参与方式：
- 代码贡献： 帮助我们开发核心功能、前端界面或沙盒解决方案。
- 研究和评估： 为我们对软件工程中的 LLMs 的理解做出贡献，参与评估模型，或提出改进意见。
- 反馈和测试： 使用 OpenDevin 工具集，报告错误，提出功能建议，或就可用性提供反馈。
详情请查看此文档。
现在我们既有 Slack 工作空间用于协作构建 OpenDevin，也有 Discord 服务器用于讨论与项目、LLM、Agent 等相关的任何事情。
如果你愿意贡献，欢迎加入我们的社区（请注意，现在无需填写表格）。让我们一起简化软件工程！
🐚 少写代码，用 OpenDevin 创造更多。
OpenDevin 使用了一系列强大的框架和库的组合，为其开发提供了坚实的基础。以下是项目中使用的关键技术：
请注意，这些技术的选择正在进行中，随着项目的发展，可能会添加其他技术或移除现有技术。我们致力于采用最合适和最有效的工具，以增强 OpenDevin 的功能。
根据 MIT 许可证分发。有关更多信息，请参阅 LICENSE。