Django框架联合创始人Simon Willison:解锁AI写代码的高效模式

全志DRM框架下LVDS双屏异显配置实战 本文详细介绍了在全志DRM框架下配置LVDS双屏异显的实战经验。涵盖硬件连接、内核配置、设备树修改、背光控制及U-Boot适配等关键步骤,重点解析屏参转换技巧与双屏route配置,帮助开发者解决工业控制台等多屏应用中的显示适配问题,提升开发效率。 阅读详情


django框架的联创simonwillison近日分享了他用AI编程的实践经验,包括用函数签名精准的描述需求、及时测试AI编写的代码、vibe coding学习新的框架、让AI总结代码库为架构文档等。
在这里插入图片描述

用函数签名描述函数接口

函数签名包含函数名称、参数类型、返回类型等,对于AI编程,开发者先设计函数签名,之后描述函数的内容(步骤以及每步的异常处理),可以更有效的引导LLM去按预期实现具体的功能,例如:

Write a Python function that uses asyncio httpx with this signature:
async def download_db(url, max_size_bytes=5 * 1025 * 1025): -> pathlib.Path

Given a URL, this downloads the database to a temp directory and returns a path to it. 
BUT it checks the content length header at the start of streaming back that data and, if it’s more than the limit, raises an error. \
When the download finishes it uses sqlite3.connect(...) and then runs a PRAGMA quick_check to confirm the SQLite data is valid—raising an error if not. 
Finally, if the content length header lies to us— if it says 2MB but we download 3MB—we get an error raised as soon as we notice that problem

养成手工测试的习惯

大模型由于幻觉的存在,写的代码不一定正确,所以每次让AI完成代码后,最好手动编写单元测试进行质检,测试代码是否真的能正常工作。

用氛围编程学习

Andrej Karpathy在2月份提出的vibe coding(氛围编程):

There’s a new kind of coding I call “vibe coding”, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists. […] I ask for the dumbest things like “decrease the padding on the sidebar by half” because I’m too lazy to find it. I “Accept All” always, I don’t read the diffs anymore. When I get error messages I just copy paste them in with no comment, usually that fixes it.

在周末让AI编写一些完整的小项目,从中了解新的编程语言和框架,是一个好的学习方式。

让AI总结代码库

Simon Willison开发了一个让AI总结某个项目codebase的工具files-to-prompt,利用gemini-2.0-pro-exp-02-05,免费的API,让Gemini总结输入项目的源代码架构,输入的提示词为:architectural overview as markdown。

cd /tmp
git clone https://github.com/Y2Z/monolith
cd monolith

files-to-prompt . -c | llm -m gemini-2.0-pro-exp-02-05 \
  -s 'architectural overview as markdown'

AI输出的文档总结了项目的架构、数据流转过程、各个模块之间的依赖关系、如何部署、项目的优势和潜在提升项,借此可以快速了解一个代码仓库的原理。
例如让AI总结Monolith工具的codebase,输出的文档介绍了High-Level Structure、Data Flow、Key Dependencies、Build and Deployment、Strengths和Potential Improvements:
在这里插入图片描述
在这里插入图片描述

files-to-prompt: codebase转为提示词

上文提到的总结代码库的工具 files-to-prompt大部分的代码也是simonwillison让claude3.5写的。该工具的主要原理是把代码库下的所有文件拼接成一个提示词,提供给LLM总结。同时还配置了文件拼接时只包含特定扩展名的文件、包含隐藏文件、忽略特定模式的文件等选项。
simonwillison与claude3.5交互的流程是:

  1. 明确需求,构建初始工具。在对话开始时明确说明工具的目标和功能,帮助模型快速理解任务。
cookiecutter gh:simonw/click-app
  [1/6] app_name (): files-to-prompt
  [2/6] description (): Concatenate a directory full of files into a single prompt for use with LLMs
  [3/6] hyphenated (files-to-prompt): 
  [4/6] underscored (files_to_prompt): 
  [5/6] github_username (): simonw
  [6/6] author_name (): Simon Willison
  1. 提供具体示例。在必要时,输入代码片段或具体案例,让模型进行补全或参考。帮助模型更准确地调整输出。
    例如输入代码片段,让模型补全代码:
import click


@click.command()
@click.argument(
    "path",
    type=click.Path
)
@click.option(
    "--include-hidden",
    is_flag=True,
    help="Include files and folders starting with .",
)
@click.version_option()
def cli(path, include_hidden):
    """
    Takes a path to a folder and outputs every file in that folder,
    recursively, each one preceeded with its filename like this:

    path/to/file.py
    ----
    Contents of file.py goes here

    ---
    path/to/file2.py
    ---
    ...
    """
 finish this code for me
  1. 逐步迭代。通过多次对话和反馈,逐步完善代码。
  2. 检查与验证。仔细审查模型生成的代码,发现问题后及时反馈,确保最终代码的正确性。

ref

https://simonwillison.net/2025/Mar/11/using-llms-for-code/
https://simonwillison.net/2024/Apr/8/files-to-prompt/
https://gist.github.com/simonw/2c80749935ae3339d6f7175dc7cf325b
https://gist.github.com/simonw/3492bc9a6ff639ff7fbaa081fa508131
https://gist.github.com/simonw/5b7ce53bf85ba1403af81e3be83ca32f

喷涂机器人系列编程:ABB IRB 5500_(2).ABB IRB 5500喷涂机器人系统架构与组件 ABB IRB 5500喷涂机器人系统不仅在性能上表现出色,而且在安全和维护方面也提供了全面的解决方案。通过本文的详细介绍,希望读者能够更好地理解和掌握这一系统的架构和功能,为实际应用提供有力支持。 阅读详情

相关推荐

四、Burpsuite工具之proxy模块详解-intercept功能

过了一个年,感觉好久都没有更新了,今天就从burpsuite的更新开始吧。前面已经说过了burpsuite的安装和proxy代理的配置,今天说一下proxy模块中非常有用的intercept功能。intercept是拦截的意思,在这里相当于拦截请求,可以实时的对请求进行拦截,然后请求参数的篡改,再把请求放通,从而达到实时修改请求的功能intercept的总体界面如下图所示其中下图红框中是可以修改请求目标的相关信息。

SmileAssassn的博客 1663

文件到提示(files-to-prompt) 使用指南

--- ## 1. 目录结构及介绍 此项目位于[GitHub](https://github.com/simonw/files-to-prompt),其基本目录结构展示了该工具的组织方式和关键组件: ```markdown . ├── github/workflows # CI/CD 工作流配置文件 ├── files_to_prompt # ...

gitblog_00653的博客 447

Ubuntu安装ToDesk远程控制软件

前几天有同学问我怎么在 Ubuntu 系统上安装 ToDesk 远程控制软件, 帮他安装完成后就 顺手整理了一下安装过程,所以就顺手有了这篇在 Ubuntu 系统上安装 todesk 的文章。

小白的博客 8665

探索文件世界的新窗口:files-to-prompt深度解析及应用实践

在数据处理和机器学习领域,我们常常需要将分散的文件内容整合为一个连贯的信息流。这正是【files-to-prompt】这一创新工具应运而生的舞台。本篇文章旨在深入挖掘files-to-prompt的宝藏特性,探讨其强大的技术基础,并展现其在实际场景中的无限潜能。 ## 项目介绍 **files-to-prompt** 是一款高效实用的小型Python库,由Simon Willison精心打造。...

gitblog_00480的博客 476

FDTD仿真进阶:液晶偏振调控与双折射效应全解析

本文深入解析了在Lumerical FDTD仿真中如何对液晶材料进行偏振调控与双折射效应建模。通过单轴液晶和螺旋扭曲液晶(TN-LCD)两大实战案例,详细阐述了从各向异性材料参数设置、LC网格属性配置到偏振椭圆分析的全流程,帮助工程师精准模拟液晶的光开关行为,优化如显示器等器件的光学性能。

chair的专栏 750

Mplus—交叉滞后面板模型(Cross-Lagged Panel Model, CLPM)

本文介绍交叉滞后模型相关知识,以及显变量模型与潜变量模型在Mplus中的语法。

m0_54401011的博客 1万+

文件转提示:将文件目录整合为单一LLM提示工具指南

**文件转提示(files-to-prompt)** 是一个用于将一个或多个文件夹中的所有文件内容合并成单一文本提示的工具,专为大型语言模型(LLMs)设计。它非常适合于将结构化数据或文档集合转化为可以直接输入给如ChatGPT等AI模型使用的文本流。该项目采用Apache-2.0许可,并提供了一个简单的方法来处理文件内容,包括隐藏文件的选择性包含及指定模式的忽略,以适应不同的场景需求。 ## ...

gitblog_00904的博客 529

基于YOLO26深度学习框架的智能停车场管理系统的算法研究实现方法

本文研究了基于YOLO26深度学习框架的智能停车场管理系统实现方法。系统采用CSPDarknet53作为主干网络,结合特征金字塔和注意力机制提升检测性能。通过数据预处理、模型训练和停车分析三个主要模块,实现了车位占用检测、车辆类型识别等功能。实验结果表明,该方法在检测精度和速度方面表现优异,为智能停车场管理提供了有效的技术解决方案。

一键难忘的博客 572

基于深度学习的猫狗目标检测(Python+YOLO26m+Django)实现详解

详解基于深度学习的猫狗目标检测系统:YOLO26m迁移学习训练、数据划分与错标检测、ONNX导出、Energy阈值拒识、Django+Vue网站部署,附后端核心代码。

WEIXIN_JSJBSZDS的博客 393

starrc: LEF DEF FLOW与full chip flat netlist

SIKP_CELLS默认为"SKIP_CELLS: *"意思是跳过所有ref cell内部的rc提取,仅提取cell之间的互联线的rc,"SKIP_CELLS: *!与MACRO_DEF_FILE搭配使用的还有SKIP_CELLS命令,如果想提取block的寄生参数生成full chip的flat netlist,或者跳过block取执行hier的寄生参数提取都需要用到SKIP_CELLS。此时,macroA和macroB没有被跳过,所以提取其内部的rc,spef中存在两个A和两个B。

m0_61544122的博客 559

【单点登录】SSO单点登录sa-token接入流程详解

Sa-Token 是一个轻量级 Java 权限认证框架,主要解决:登录认证、权限认证、单点登录、OAuth2.0、分布式Session会话、微服务网关鉴权 等一系列权限相关问题。Sa-Token 目前主要五大功能模块:登录认证、权限认证、单点登录、OAuth2.0、微服务鉴权。

Hello, New World! 1804

【复古】浅尝Django前后端不分离

之前我们已经学过用 DRF 开发前后端分离的 Django 项目了,现在我们补充一下前后端不分离的古法 Web 开发的知识点。

2403_88863963的博客 237

RT-DERT安卓部署教程

这个文档中的代码案例,实现了拍照和选图识别,两个功能,可以看效果图。UI做了美化:显示类别机和数量。代码下载地址:通过网盘分享的文件:android_rtdert.zip链接: https://pan.baidu.com/s/1k6e-d_lov1OPgUmit5i_cA?pwd=hpfi 提取码: hpfi–来自百度网盘超级会员v8的分享。

AIOT魔法师 196

基于 Django 的 B 站弹幕情感分析系统-毕业设计

面向UP主与内容研究者的弹幕情感分析系统:粘贴B站视频地址即可采集其全部可见弹幕(自实现WBI接口签名与protobuf解码,无需登录),经清洗、jieba分词、停用词过滤与朴素贝叶斯情感分类,输出情感分布、弹幕密度与情绪时间轴、高频关键词与词云;弹幕语境词由可维护的情感词典二次校正,支持多视频对比与Excel

csbysj2020 173

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

多 Agent 共用数据库,元数据检索怎么省下 token 账单?

多 Agent 编排正在从 Demo 走向生产。一个典型的变化是,过去是一个 Agent 连一个数据库,现在是五个、十个 Agent 同时连同一个数据库,有人查数,有人写数,还有人改表结构。数量一上来,问题就变成三个更实际的账:token 账单、协议互通、并发一致。下面逐个拆开,说清楚多 Agent 时代的数据库底座该怎么搭。多 Agent 时代数据库要接住三个账:token、协议、一致性,角色从「被动仓库」转向「主动中枢」

augen1355的博客 371

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【Python编程—从入门到实践】(Django入门:把Python变成网站,亲手搭建你的学习笔记)

本文以“学习笔记”网站为实战项目,带领 Python 初学者使用 Django,将基础编程知识转化为可访问、可交互的网页应用。内容涵盖虚拟环境搭建、项目与应用创建、数据模型设计、数据库迁移和后台管理,并通过首页、主题列表与笔记详情页,逐步理解路由、视图、模板和模型之间的协作关系。结合模板继承、数据查询与页面渲染,梳理从浏览器请求到内容展示的完整流程,掌握学习主题与笔记条目的组织方法。帮助读者建立网站开发的整体思路,搭建结构清晰、便于扩展的项目,为后续添加表单、用户登录与权限控制打下基础。

承于所学,探技术之渊;以代码求政,寻成长之道。 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Django 权限系统项目实战详细图文教程 7--系统主页功能实现 3

7、Django 权限系统项目实战详细图文教程 7--系统主页功能实现 3

测试开发 138

列式存储为什么适合分析类负载?原理、限制与日志场景应用

列式存储因按列组织数据,显著减少分析类查询中无关列的读取,结合高效压缩与向量化执行,提升宽表聚合性能。其优势源于存储布局、编码压缩与执行优化三层协同,但代价包括行重组开销、点查延迟及更新成本。适用性取决于查询列占比,日志分析场景可借助内建倒排索引实现检索与聚合一体化,是否合一需根据负载类型权衡。

SelectDB 336

基于 Django 的电影票房数据分析与预测系统-毕业设计

同一部片分两个时间点预测:上映前只看类型、档期、主创过往成绩,首周后再加首周票房与口碑。真实抓取艺恩娱数 1978 部影片(2010–2026 年,合计 6155 亿元)并匹配豆瓣评分,按年份切分评估(2010–2022 训练、2023–2026 测试)。上映前误差中位数 65%,首周后降到 29%,模型在哪些年份、哪些量级上不如基线都如实写进论文。

csbysj2020 237

基于深度学习的皮肤镜图像黑色素瘤良恶性分类研究——ResNet50训练与Django部署全流程实现(Python)

针对皮肤镜图像黑色素瘤良恶性判别问题,本课题构建了一套基于深度学习的分类研究系统。数据层面完成画像、查重与分层划分,测试集冻结评估;模型层面以ResNet50迁移学习完成训练,以Macro-F1为主要指标,配合Grad-CAM热力图进行可解释性分析;应用层面将模型导出为ONNX格式,在Django框架下实现图片、视频、摄像头三类识别入口,并提供识别历史与统计大屏功能,部署推理与训练评估结果保持一致,全流程留痕可复现。

WEIXIN_JSJBSZDS的博客 387

基于深度学习的水下复杂场景鱼类目标检测系统:YOLOv8+Django实现详解

本课题面向水下复杂场景的鱼类检测问题,以YOLOv8s为主模型,在约8200张、13类的水下图像上完成训练。训练前通过短训海选自动选型,训练后与Faster R-CNN、SSD300在同一冻结划分和COCO评测口径下对比,三个随机种子重复实验并做统计检验,验证集mAP50-95为0.734。最优权重经对账后导出为端到端ONNX,接入Django与Vue系统,提供图片、视频、摄像头识别、识别历史管理与可视化大屏,形成从模型到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 384

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 231

基于深度学习的塑料类型图像分类研究(Python+PyTorch+Django完整实现)

本课题围绕塑料回收分拣场景,完成基于深度学习的塑料类型图像分类研究。项目使用公开塑料识别数据集,覆盖六类常见塑料,先以ResNet18预训练特征做错标检测,自动隔离可疑样本并复测清洗效果,再按类别分层划分数据集;模型选用ResNet50进行迁移学习,训练中引入标签平滑与EMA应对标签噪声,以宏平均F1,各类别召回和混淆矩阵作为主要评估指标;训练完成的模型导出为ONNX格式,由Django后端加载推理,Vue前端实现图片上传与结果展示,形成从数据,训练到应用的完整闭环,可作为深度学习方向毕业设计的实现参考。

WEIXIN_JSJBSZDS的博客 184

深度学习毕业设计实战:基于YOLO26m的室内火灾早期烟雾与火焰检测系统(数据集+训练+Django部署)

这是一套面向室内早期火情的目标检测系统:主模型YOLO26m,训练数据约6500张室内火情图像,覆盖火焰与烟雾两类目标。系统提供图片、视频、摄像头三种识别方式,页面可在YOLO26m、YOLO11m、RTDETR间切换对比。后端Django、前端Vue,识别记录分级管理,数据大屏汇总置信度与任务类型,训练流程完整可复现,适合计算机专业毕设参考。

WEIXIN_JSJBSZDS的博客 323

【Python编程—从入门到实践】(用户账户:给Django网站装上登录系统,让每个人拥有自己的学习笔记)

本文以“学习笔记”网站为实战项目,带领 Python 初学者使用 Django 构建用户账户系统,实现注册、登录与退出,让每个人拥有独立的学习空间。内容涵盖用户认证、路由与模板配置、表单验证、登录状态展示,以及用户与学习主题的关联。通过按当前用户筛选数据、限制匿名访问,并在查看和编辑笔记时校验内容归属,理解身份认证与访问权限的区别,避免他人通过修改链接访问私人记录。结合主题创建、笔记新增与编辑等操作,梳理从账户建立到个人内容管理的完整流程,为构建数据隔离、职责清晰、便于扩展的多用户网站打下基础。

承于所学,探技术之渊;以代码求政,寻成长之道。 1万+

基于深度学习的胸部X射线影像肺炎检测系统(Python版):PyTorch+Django实现详解

本课题基于公开胸部X光片数据集,用PyTorch训练ResNet18模型完成肺炎二分类,数据按患者分组划分防止泄露,另训vit_b_16与efficientnet_b0做三模型对比,评估采用宏平均F1与混淆矩阵,贴合类别不均衡场景。网站端用Django加Vue实现,支持图片、视频、摄像头识别,可在线切换模型,识别记录入库可查,ECharts大屏汇总统计。从数据到模型再到应用链路完整,适合大四同学做深度学习方向毕业设计时参考。

WEIXIN_JSJBSZDS的博客 305
上一篇: 深度解析manus:技术原理剖析、开源平替方案架构分析
下一篇: llama4模型原理速览
硅星纯牛码
博客等级 码龄7年 1万+粉丝 52原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值