مایکروسافت موتور جدیدی را برای Copilot Chat در Visual Studio معرفی کرده است که به گفته شرکت، بدون تغییر مدل‌های هوش مصنوعی، تعداد بیشتری از وظایف کدنویسی را کامل می‌کند و زمان صرف‌شده برای بازبینی و اصلاح خروجی هوش مصنوعی را کاهش می‌دهد. این موتور از همان فناوری استفاده می‌کند که GitHub Copilot CLI، اپلیکیشن GitHub Copilot و VS Code را نیرو می‌دهد.
آزمون ۱۵۷ وظیفه کدنویسی
در آزمایش مایکروسافت، نسخه جدید و قدیم Copilot هر کدام ۱۵۷ وظیفه کدنویسی را انجام دادند. موتور تازه تا ۲۱ وظیفه بیشتر را حل کرد و ۱۲۴ وظیفه را کامل کرد، در حالی که نسخه پیشین به ۱۰۳ وظیفه رسید. این آزمون‌ها روی پروژه‌های C# در .NET Framework و .NET Core، Azure و Aspire و WinForms و اپلیکیشن‌های دسکتاپ انجام شد. مایکروسافت همچنین موتور جدید را روی C++، Python و زبان‌های دیگر آزمایش کرده است.
تمرکز بر صرفه‌جویی در زمان توسعه‌دهندگان
توسعه‌دهندگان معمولاً هوش مصنوعی را بر اساس توانایی پاسخ دادن به یک پرسش قضاوت نمی‌کنند، بلکه می‌سنجند که آیا واقعاً در زمان صرفه‌جویی می‌کند یا نه. اگر Copilot بتواند یک باگ را رفع کند، کد را بازبینی کند، مشکلی را پیدا کند یا وظیفه‌ای را در تلاش‌های کمتری کامل کند، ارزش واقعی برای توسعه‌دهنده ایجاد می‌کند. به گفته مایکروسافت، دقیقاً همین اتفاق در تجربه به‌روزرسانی‌شده رخ می‌دهد.
توسعه‌دهندگان اغلب به همان اندازه که برای نوشتن کد زمان می‌گذارند، برای تأیید کد تولیدشده توسط هوش مصنوعی نیز وقت صرف می‌کنند. اگر Copilot بتواند وظایف بیشتری را در نخستین تلاش و به‌درستی کامل کند، می‌تواند زمان قابل‌توجهی را ذخیره کند. ابزارهای هوش مصنوعی گاهی کاربر را به مسیر نادرست می‌فرستند و تفاوت میان یک پاسخ مفید و یک پاسخ تقریباً مفید، اغلب چند دقیقه صرف‌شده برای بازنویسی دستور، اصلاح خطا یا بررسی دوباره اطلاعات است.
قابلیت‌های تازه Copilot Chat
- امکان وارد کردن دستور جدید در میانه انجام یک وظیفه
- نمایش نتایج اقدامات انجام‌شده به جای فهرست کردن صرف مراحل تلاش‌شده
- نمایش کارت اختصاصی برای وظایفی که به یک زیرعامل (subagent) سپرده می‌شوند و فهرست هر مرحله در لحظه وقوع
مایکروسافت می‌گوید تجربه به‌روزرسانی‌شده با ارائه پاسخ‌های کوتاه‌تر و متمرکزتر و تکمیل موفق‌تر وظایف، بهره‌وری توسعه‌دهندگان را افزایش می‌دهد. به ادعای شرکت، این تجربه کارهای بزرگ‌تر و پیچیده‌تر را مؤثرتر انجام می‌دهد و می‌تواند زمان لازم برای پاک‌سازی خروجی هوش مصنوعی پیش از آماده شدن پروژه را کم کند.