Kursus
Pengantar Agen Kecerdasan Buatan
1 jam 30 menit
143.4K
Saya rasa kita semua sudah mendengar tentang Devin, “insinyur perangkat lunak junior berbasis AI” yang konon menyalin repo Anda, menambahkan fitur baru, menjalankan pengujian, dan membuka pull request sebelum kopi pagi Anda habis.
Seperti halnya banyak hal terkait AI saat ini, cukup sulit mengetahui seberapa baik kinerjanya tanpa mencobanya sendiri, jadi saya memutuskan untuk melakukannya. Saya menjalankan Devin melalui setiap tahap siklus hidup pengembangan perangkat lunak penuh dan menulis rangkaian empat tutorial dengan harapan dapat membantu sesama pengembang memaksimalkan penggunaannya.
Anda dapat mengakses semua tutorial dalam seri Devin di sini:
- Penyiapan dan Pull Request Pertama (Bagian 1)
- Mengirimkan Vertical Slice dengan Devin (Bagian 2)
- Integrasi, Pengujian, dan CI/CD (Bagian 3)
- Keamanan, Deployment, Pemeliharaan (Bagian 4)
Sekarang, jika profil GitHub Anda adalah “kuburan” repositori yang terlupakan, Anda tidak sendirian. Milik saya penuh dengan eksperimen setengah jadi. Dalam empat tutorial berikut, kita akan meminta Devin bekerja pada repo latihan fp-ts saya yang terbengkalai, mengubah latihan clone-and-run tahun lalu menjadi platform belajar modern berbasis peramban.
Izinkan saya dengan cepat menjelaskan rencana untuk empat tutorial ini, lalu kita akan masuk ke bagian praktik untuk sisa seri.
Apa yang Akan Kita Bahas di Seri Tutorial Ini
Kita akan menghidupkan kembali proyek sampingan dari “kuburan” GitHub saya sendiri, karena Devin berkinerja terbaik saat memiliki kode nyata, pengujian nyata, dan sedikit riwayat untuk dijadikan bahan pertimbangan, bukan repo kosong.
Proyeknya adalah fp-ts-exercises, kumpulan tantangan kecil yang dimaksudkan untuk mengajarkan konsep pemrograman fungsional (seperti Option, Either, dll.) di TypeScript. Saat ini, ini adalah repo clone-and-run: pembelajar mengunduhnya, mengedit file secara lokal, dan menjalankan pengujian di terminal mereka sendiri.
Tujuan saya adalah mengubah latihan tersebut menjadi playground interaktif berbasis peramban di mana orang dapat membaca penjelasan, mengutak-atik kode di editor dalam halaman, dan melihat pengujian lulus (atau gagal) seketika. Pembelajar juga akan dapat masuk untuk menyimpan progres mereka.
Catatan: Saya memperbarui repo tersebut bersama Devin saat menulis tutorial-tutorial ini. Tautan di atas menunjukkan keadaan kode pada April 2023, sebelum saya menghentikan proyeknya. Kode terbaru dapat ditemukan di sini.
Inilah rencana untuk empat bagian kita:
- Bagian 1 - Penyiapan & Pull Request Pertama
- Mendaftar Devin, menghubungkan GitHub.
- Meminta Devin merapikan repo: memperbarui dependensi, membuat aturan lint dan skrip baru, serta membuka PR pertamanya.
- Bagian 2 - Mengirimkan Fitur
- Menggunakan Devin untuk merencanakan UI peramban dan API baru.
- Membangun halaman, menyiapkan basis data, secrets, dan meminta Devin membuka PR fitur.
- Bagian 3 - Integrasi, Pengujian, dan CI/CD
- Memperkenalkan pengujian Vitest/Playwright dan membiarkan Devin menjaganya tetap hijau.
- Menghasilkan pipeline GitHub Actions, mengaitkan tiket ke Jira, dan menghubungkan Devin ke Slack.
- Menjelajahi fitur Wiki.
- Bagian 4 - Keamanan, Deployment, & Pemeliharaan
- Menambahkan autentikasi, melakukan deployment aplikasi kita, dan menyambungkan Sentry untuk pemantauan error.
Pada akhirnya, repo CLI lama itu seharusnya menjadi aplikasi web yang rapi!
Sebelum kita mulai bagian praktik, mari memberi pengantar umum tentang Devin. Silakan lompat ke bagian penyiapan jika Anda sudah tahu apa itu Devin dan bagaimana cara kerjanya.
Apa Itu Devin?
Devin adalah agen pengodean sepenuhnya otonom yang di-host di cloud dan dikembangkan oleh Cognition. Jika Anda menambahkannya ke sebuah repo, ia membuka shell, editor, dan peramban yang terisolasi, lalu merencanakan dan mengeksekusi tugas secara end-to-end tanpa menyentuh mesin lokal Anda.
Ia diluncurkan pada Maret 2024, dengan posting blog dari Cognition yang menyatakan bahwa Devin menutup 13,86% isu GitHub dunia nyata pada tolok ukur SWE-bench, jauh melampaui SOTA sebelumnya sebesar 1,96%. Secara praktis, ini berarti pada subset yang dipilih dengan cermat (570 isu), ia memperbaiki 79 bug dari proyek populer seperti Django dan scikit-learn tanpa bantuan manusia.
Itu mengesankan, tetapi itu kode tolok ukur (yang terdiri dari bug yang ketat dan terdefinisi dengan baik dengan rangkaian pengujian), jadi pengalaman di dunia nyata bervariasi. Bagaimanapun, beberapa orang mengatakan kinerjanya setara dengan pengembang junior.
Kasus Penggunaan Devin
Devin adalah mitra yang hebat jika Anda ingin mengimplementasikan:
- Peningkatan repo secara bertahap: Ia dapat menjalankan pengujian, memperbarui dependensi, dan memperbaiki kerusakan secara iteratif, yang sangat cocok untuk tugas seperti “bawa proyek Node 14 ini ke Node 20”.
- Tiket fitur yang ruang lingkupnya jelas: Diberi isu GitHub atau tiket Jira dengan kriteria penerimaan yang jelas, siklus rencana-edit-uji Devin cukup baik.
- Tugas non-koding: Menghasilkan ulang dokumentasi, menyambungkan templat CI, atau memformat file secara massal mungkin membosankan bagi manusia, tetapi sempurna untuk agen.
Namun, Devin kurang cocok untuk:
- Arsitektur green-field: Ia kesulitan jika Anda hanya berkata, “bangun saya platform SaaS dari nol.” Ia membutuhkan kerangka dasar dan berkinerja lebih baik saat diberi lebih banyak konteks.
- Keputusan produk yang ambigu: Minta ia memilih antara Stripe vs. Paddle untuk pembayaran, dan ia mungkin hanya memilih secara acak.
- Monorepo masif: Batas konteks membuatnya harus memuat masuk dan keluar berkas-berkas, dan performa anjlok pada workspace 100 ribu baris.
Bagaimana Devin Bekerja?
Semua agen pengodean modern, termasuk Devin, menjalankan loop yang mencerminkan siklus kendali robotika:
|
Tahap |
Apa yang “dilihat” Devin |
Teknologi kunci |
|
Mengindra |
Membaca file kode, log uji, output terminal, DOM peramban |
Pengindeks kode, parser log |
|
Menalar / Merencanakan |
Memecah prompt pengguna menjadi daftar tugas, menalar urutan dan perkakas |
Perencana berbasis LLM dengan memori augmented-retrieval |
|
Bertindak |
Menjalankan perintah shell, mengedit file, mengklik UI web |
Sandbox aman (Docker/VM) yang mengekspos alat Shell / Editor / Browser |
|
Berefleksi / Belajar |
Menjalankan ulang pengujian, memeriksa diff, memperbarui rencana (atau bertanya kepada Anda) |
Prompt kritik diri + memori vector store |
|
Persisten |
Menyimpan linimasa & artefak untuk pemutaran ulang atau serah terima |
Penyimpanan objek cloud + UI linimasa |
Devin dibangun sebagai tumpukan berlapis dari modul-modul yang bekerja sama:
- Semuanya dimulai dengan antarmuka chat atau bot Slack/tiket Jira, tempat Anda menyatakan tujuan dalam bentuk prompt.
- Prompt diberikan kepada LLM perencana yang menguraikan tujuan menjadi rencana bertahap dan mengkritisi setiap langkah sebelum dieksekusi.
- Eksekutor ringan kemudian memilih alat yang tepat untuk setiap langkah (shell, editor kode, atau peramban headless), semuanya berjalan di dalam workspace yang sangat terisolasi.
- Sandbox tersebut pada dasarnya adalah laptop cloud dan mengisolasi kredensial, memberi Devin prompt Bash, editor bergaya VS Code, dan instance Chrome yang dapat ia klik.
- Di bawah workspace terdapat lapisan memori yang menyimpan snapshot tervektorisasi dari basis kode plus linimasa pemutaran ulang penuh dari setiap perintah, diff file, dan tab peramban yang disentuh Devin.
Mengapa arsitektur ini begitu bagus? Pertama, loop umpan balik yang ketat: begitu pengujian gagal atau lint mengeluh, Devin dapat beriterasi secara otonom hingga build kembali hijau.
Kedua, desain sandbox membuat paralelisasi pekerjaan kecil menjadi sepele, karena beberapa sandbox dapat berjalan berdampingan tanpa saling mengganggu.
Ketiga, memori persisten memungkinkan Devin menangani migrasi jangka panjang: agen dapat menyimpan daftar tugas berkelanjutan dan menyelesaikannya sedikit demi sedikit selama berjam-jam atau berhari-hari, yang berarti ia menyelesaikan refaktor massal beberapa kali lebih cepat daripada manusia secara manual.
Memulai dengan Devin
Pertama-tama, mari menyiapkan akun.
Mendaftar dan memilih paket
Ayo menuju ke devin.ai dan klik “Get Started.”
Beberapa langkah pertama di wizard cukup mudah diikuti. Saya diminta menjawab beberapa pertanyaan tentang diri saya, perusahaan, dan nama tim. Jika Anda pengembang solo seperti saya, tidak masalah, wizard mendukung itu.
Lalu saatnya memilih paket. Ada dua opsi:
- Core (bayar sesuai pemakaian): Untuk sebagian besar pengembang solo, paket Core adalah yang termurah—Anda membayar $20 di muka, yang membeli 9 Agent Compute Units (ACU).
- Teams: Paket Teams memberi Anda 250 ACU/bulan. Halaman dokumentasi resmi ini menyediakan informasi terperinci tentang ACU dan model penagihan Devin.
Paket Core adalah cara yang cukup murah untuk mencoba Devin, jadi saya memutuskan membayar $20 dan melihat sejauh mana itu membawa saya.
Saya memasukkan detail pembayaran dan mendapat opsi untuk menetapkan ambang isi ulang otomatis agar Devin dapat menambah ACU secara otomatis alih-alih berhenti di tengah tugas. Saya tidak mengaktifkan fitur ini dan mungkin tidak akan merekomendasikannya pada tahap itu. Opsi ini tersedia nanti di pengaturan, jadi Anda dapat mencoba satu tugas terlebih dulu dan melihat seperti apa penggunaan Anda. Anda juga dapat menetapkan batas ACU per sesi, yang berguna untuk menghindari melebihi anggaran.
Hitung cepat: $20 / 9 ACU ≈ $2,25 per ACU. Langganan Teams ($500/bln) menurunkannya menjadi $2,00 dan memuat awal 250 ACU, tetapi Anda hanya akan menghemat uang jika memperkirakan Devin berjalan selama 30+ jam setiap bulan.
Menyambungkan ke Github (dan opsional ke Jira dan Slack)
Berikutnya, kita diminta menghubungkan akun GitHub dan memberi Devin akses ke repositori.
Saya memilih hanya memberi Devin akses ke repositori fp-ts-exercises kita karena itu satu-satunya yang perlu ia ketahui, dan Anda sebaiknya melakukan hal yang sama untuk menghindari modifikasi kode yang tidak diinginkan.
Setelah selesai, saya punya opsi untuk menghubungkan sistem manajemen proyek. Devin tampaknya mendukung integrasi dengan Jira, GitHub Issues, dan Linear.
Mengklik opsi Jira membuka modal ini, dan baris berwarna kuning menyebutkan bahwa sebaiknya Devin menggunakan akun layanan khusus dan hanya memiliki akses ke satu workspace, meskipun itu berarti Anda harus membuat akun Jira khusus untuk ini.
Perhatikan bahwa memungkinkan untuk menambahkan integrasi Jira nanti dari pengaturan, jadi Anda tidak harus melakukannya pada tahap ini.
Anda juga mendapat opsi integrasi dengan Slack, tetapi saya lewati dulu.
Tugas Pertama: Memperbarui Repositori yang Kedaluwarsa
Baik, sekarang kita sudah siap, mari masuk ke bagian seru. Saatnya melihat seberapa bagus Devin!
Menyusun prompt
Setelah penyiapan awal selesai, inilah halaman tempat kita mendarat:
Tak mengejutkan, semuanya dimulai dengan prompt. Saya mengarahkan kursor ke semua ikon kecil untuk memahami fitur yang tersedia, lalu menulis prompt saya.
Prompt: Beberapa tahun lalu, saya memulai repo bernama fp-ts-exercises, yang ditujukan untuk membantu pengembang mempelajari pemrograman fungsional di TypeScript menggunakan library fp-ts. Repo tersebut berisi serangkaian latihan lokal yang mencakup konsep seperti Option, Either, dll. Pembelajar akan menyalin repo, menyelesaikan latihan, dan menjalankan pengujian untuk memeriksa solusi mereka.
Saya ingin memodernisasi dan meluncurkan ulang proyek ini dengan tujuan berikut:
Memperbarui & Merapikan Basis Kode yang Ada
- Memperbarui semua dependensi dan memastikan kompatibilitas dengan versi terbaru fp-ts
- Meningkatkan struktur, keterbacaan, dan pengalaman pengembang
- Mengganti perkakas atau pola yang kedaluwarsa (mis. migrasi dari Mocha ke Vitest, atau serupa jika tepat)
Memang, itu bukan prompt yang bagus, tapi itulah tujuannya. Keluaran agen AI hanya bisa sebaik masukan yang diterimanya, dan target yang samar bisa ditafsirkan dengan berbagai cara. Dalam kasus Devin, biaya salah komunikasi cukup signifikan. Jika batas pelaksanaan dan keluaran yang diharapkan tidak didefinisikan dengan jelas, dan Anda memberinya tugas yang agak kompleks, Anda akan membuang banyak ACU.
Yang ingin saya uji di sini adalah ikon “pena ajaib” kecil di sebelah tombol “Send”. Ini adalah fitur “Analyze prompt” yang nyaman tersedia untuk membantu Anda menyempurnakan prompt sebelum mengirimkannya, dan karenanya memaksimalkan kemampuan Devin.
Saat saya mengkliknya, ia memformulasi ulang bagian-bagian prompt saya, tetapi juga memberi tahu bahwa ada peluang untuk perbaikan.
Itu masukan yang bagus, jadi saya sedikit memodifikasi prompt saya untuk memberikan persyaratan tambahan. Saat itu, saya belum menyiapkan linting atau unit test, jadi saya menentukan agar ia menjalankan pengujian pembelajar pada solusi masalah pertama untuk memastikan aplikasi berperilaku seperti yang diharapkan.
Prompt: Saya ingin memodernisasi dan meluncurkan ulang repositori fp-ts-exercises saya, yang membantu pengembang mempelajari pemrograman fungsional di TypeScript menggunakan library fp-ts. Repositori ini berisi latihan lokal yang mencakup konsep seperti Option dan Either. Pembelajar menyalin repo, menyelesaikan latihan, dan menjalankan pengujian untuk memeriksa solusi mereka. Tujuannya adalah memperbarui proyek dan meningkatkan pengalaman pengembang. Mohon lakukan hal berikut:
- Perbarui semua dependensi ke versi terbaru dan pastikan kompatibilitas dengan versi terbaru fp-ts.
- Refactor basis kode yang ada untuk meningkatkan struktur, keterbacaan, dan keseluruhan pengalaman pengembang.
- Ganti perkakas atau pola yang kedaluwarsa. Misalnya, migrasi dari Mocha ke Vitest, atau sarankan pembaruan perkakas lain yang tepat. Harap berikan alasan untuk setiap perubahan perkakas yang Anda usulkan.
- Pastikan semua latihan dan pengujian yang ada tetap berfungsi dengan benar setelah pembaruan dan refaktor.
Anda dapat menjalankan npm run solution -- option 01 untuk memastikan bahwa pengujian lulus dan semuanya berjalan seperti yang diharapkan.
Jelaskan langkah-langkah yang akan Anda ambil untuk melakukan pembaruan dan refaktor. Sebelum melakukan perubahan signifikan, harap usulkan pendekatan Anda dan minta masukan.
Anda dapat mengirimkan perubahan untuk ditinjau dalam Pull Request.
Benar saja, menganalisis prompt saya kali ini menghasilkan toast “Prompt looks good!”.
Antarmuka
Saya mengirim prompt saya, dan Devin langsung mulai “berpikir”.
UI sedikit terasa berlebihan pada pandangan pertama, tetapi cukup mudah dinavigasi setelah Anda tahu fungsi setiap bagian. Mari kita uraikan.
Panel sesi aktif di sebelah kiri dapat diciutkan, jika Anda lebih suka menyelami satu sesi pada satu waktu.
Ada antarmuka mirip chat, tempat Anda dapat mengikuti penalaran Devin dan berinteraksi dengannya.
Bagian kanan layar diisi oleh panel dengan beberapa tab: Progress, Shell, Browser, dan Editor. Tab-tab ini menunjukkan penalaran dan langkah-langkah yang tepat yang dieksekusi Devin di berbagai lingkungan.
Mengklik setiap tab dapat menunjukkan langkah yang diambil di shell (misalnya, mengkloning repo), di peramban (menavigasi ke halaman repo GitHub), dan di Editor, yang merupakan editor gaya VSCode dengan semua file repo (yang nantinya akan digunakan untuk memodifikasi kode kita). Tab progress menyoroti langkah-langkah yang diambil saat dieksekusi.
Di kanan atas layar, ada set tab lain: Timelapse, IDE, dan Browser. Ini adalah tampilan yang dapat Anda navigasikan dan gunakan. Tab Timelapse yang saat ini dipilih menunjukkan progres dan tindakan Devin, seperti dijelaskan di atas. Fitur timelapse interaktif (Anda dapat melihat “Live” dan bilah progres di bagian bawah) memungkinkan Anda memutar ulang sesi. Tab IDE membuka IDE daring bergaya VSCode tempat Anda dapat memodifikasi kode dan bahkan melakukan commit ke GitHub.
Perencanaan dan penalaran Devin
Devin berpikir selama beberapa menit, menganalisis seluruh repo, dan menjelaskan tindakannya di setiap langkah. Perhatikan pesan disorot “Devin cloned the repo, consider setting up a Devin workspace”. Kita akan kembali ke sana nanti.
Kemudian ia mengusulkan rencana, memberi tahu saya bahwa tingkat kepercayaannya tinggi, dan meminta saya mengonfirmasi:
Saya cukup puas dengan rencana itu, jadi saya klik Confirm. Devin langsung mulai bekerja.
Apakah Anda melihat menu dropdown kecil “Agent” di bagian bawah antarmuka chat? Opsi lain di menu adalah “Ask.” Fungsionalitas ini tidak akan menghentikan pekerjaan Devin tetapi memungkinkan Anda berinteraksi dengannya. Saya memutuskan untuk mengujinya dengan memintanya menambahkan skrip linting dan pemeriksaan kompilasi TypeScript.
Pekerjaan sudah dimulai, tetapi ia memberi tahu saya bahwa ia akan memastikan menambahkan skrip-skrip tersebut (dan memang menambahkannya!).
Pull request
Saya tidak menghitung waktunya secara tepat, tetapi setelah beberapa menit, ia sudah menyiapkan pull request, dan deskripsinya lengkap serta akurat.
Menyenangkan bahwa ia menggunakan inisiatifnya untuk melakukan lebih dari sekadar memastikan pengujian solusi pertama lulus. Ia menguji solusi ketiga, juga latihan pertama, dan memeriksa bahwa pengujiannya gagal (sesuai harapan, karena belum ada pembelajar yang menyelesaikan latihan).
Saya meninjau PR dan menduga bahwa skrip linting dan kompilasi TypeScript saya akan gagal. Misalnya, ada "type":"module" yang hilang di package.json saya.
Saya tidak yakin mengapa Devin tidak menjalankan skrip-skrip tersebut setelah menuliskannya untuk memastikan skrip bekerja. Apakah karena saya tidak memintanya secara eksplisit? Atau karena saya menambahkan persyaratan ini setelah ia mulai bekerja?
Saya memutuskan menggunakan editor kode daring untuk memperbaiki kelengahan Devin, yang memakan waktu sekitar 5 menit. Saya menjalankan setiap perintah di terminal, dan semuanya tampak berperilaku seperti yang diharapkan setelah perbaikan saya.
Saya bisa saja mendelegasikan perbaikannya ke Devin, tetapi lebih cepat jika saya tangani sendiri. Dalam sekitar lima menit, saya menjalankan skrip, mengonfirmasi kegagalan lint dan kompilasi, dan menemukan penyebabnya. Dua menit kemudian, patch diterapkan dan semua pemeriksaan lulus. Menulis prompt terperinci, menunggu Devin berjalan, lalu meninjau keluarannya akan memakan waktu lebih lama.
Menemukan titik manis antara upaya manusia dan AI adalah seni yang halus: ketika sebuah penyesuaian jelas-jelas peluang mudah, saya lebih suka melakukannya daripada mengetik “tolong perbaiki ini” dan menunggu. Setiap orang punya preferensi, dan batasan Anda sendiri akan bervariasi sesuai keahlian, tugas, dan—jujur saja—suasana hati Anda hari itu.
Mengakhiri sesi
Pada titik itu, saya sudah selesai memodernisasi repo, dan semuanya bekerja seperti yang diharapkan. Lalu bagaimana? Bagaimana saya mengakhiri sesi, dan apakah saya masih ditagih untuk waktu menganggur ini?
Antarmukanya agak membingungkan pada titik ini. Di sisi paling kanan, di menu sesi, saya memiliki dua opsi: menidurkan Devin atau menghentikan sesi.
Saya merujuk ke dokumentasi, dan inilah yang saya temukan: Devin tidak menggunakan ACU saat tidur, dan akan tidur secara otomatis setelah ~0,1 ACU tanpa aktivitas.
Saya juga bertanya ke bot AI dokumentasi apa perbedaan antara sleep dan termination:
Jawabannya cukup jelas. Pekerjaan kita di sini sudah selesai, jadi saya menghentikan sesi.
Menyiapkan Repo Kita di Workspace Devin
Ingat pesan yang disorot yang kita dapatkan di chat saat Devin merencanakan pekerjaannya? Ia meminta kita menyiapkan repo di mesin Devin, agar kita tidak perlu mengkloningnya setiap kali ingin bekerja. Tapi mengapa kita menginginkannya?Setiap sesi baru dimulai dengan mesin virtual baru, jadi tanpa penyiapan, Devin harus:
- Memahami basis kode kita dari nol
- Menginstal semua dependensi dan perkakas
- Mengenal struktur dan konvensi proyek kita
- Membuang waktu berharga untuk penyiapan lingkungan alih-alih pekerjaan nyata
Jadi, menyiapkan repo kita adalah pendekatan yang lebih hemat biaya dan waktu. Ini juga lebih konsisten karena setiap sesi dimulai dengan konfigurasi yang sama, dan Devin tahu persis cara menjalankan, menguji, dan melint kode kita.
Fitur ini dapat ditemukan di panel navigasi tim Anda, dan langkah-langkahnya, sekali lagi, cukup mudah diikuti.
Kita mulai dengan menentukan perintah untuk menarik versi terbaru repo:
Anda dapat memasukkan perintah kustom, dan mengklik tombol “Verify Command” akan menjalankannya secara otomatis di terminal di depan Anda. Anda dapat melihat apakah perintah tersebut berhasil atau gagal dalam hitungan detik.
Saya melewati langkah penyiapan secrets, karena kita belum memilikinya. Menginstal dan memelihara dependensi bekerja dengan cara yang sama, dan setelah perintah Anda berhasil, langkah tersebut ditandai selesai.
Langkah-langkah lainnya serupa, dan setelah semua langkah selesai (atau dilewati, jika tidak berlaku), konfigurasi Anda disimpan.
Penggunaan Sesi dan Tinjauan
Sejauh ini, kita telah menyelesaikan tugas sederhana dengan Devin, membuat pull request, menggabungkannya, dan menyiapkan repo untuk sesi mendatang. Mari melihat beberapa data untuk sesi kita. Mengklik ikon kecil di bagian atas sesi membuka modal dengan wawasan sesi:
Ukuran sesi kita adalah XS, yang, menurut panduan ukuran Devin, cukup baik.
Jika Anda mengklik tombol “Generate Insights” dan menunggu beberapa detik, Anda akan dapat melihat beberapa informasi umum tentang sesi Anda, langkah spesifik yang diambil Devin, dan di mana ia mengalami kesulitan.
Saya juga tertarik melihat berapa banyak ACU yang kita gunakan. Hal aneh yang saya perhatikan adalah halaman paket menunjukkan saya memiliki 8,73 ACU tersisa, meskipun sudah menggunakan 1,7 ACU dari total 9 (lihat sorotan biru di bagian Core).
Namun, halaman Usage & Limits dengan benar menunjukkan bahwa kita menggunakan 1,7 ACU dan memiliki 7,3 ACU tersisa.
Saya memeriksa kembali 18 jam kemudian, dan halaman Plans kemudian menunjukkan 7,3 ACU tersisa, jadi tampaknya ada sedikit jeda dalam memperbarui informasi ini. Pastikan Anda menggunakan halaman Usage & Limits sebagai sumber kebenaran untuk menghindari kejutan!
Apakah sepadan?
Mari kita hitung.
Jadi, 1,7 ACU pada $2,25/ACU = $3,83 untuk sesi ini.
Saya mungkin menghabiskan 20 menit untuk menyusun prompt dan meninjau. Melakukan semuanya secara manual akan jauh melampaui itu, dan saya akan menunda-nunda setiap langkah karena ini jenis tugas yang menurut saya sangat membosankan. Dengan harga secangkir cappuccino, Devin mengambil alih pekerjaan itu. Saya akan memilih pertukaran itu kapan saja.
Apa Berikutnya?
Baik, jadi kita sudah:
- Membuat akun
- Menghubungkan repositori GitHub kita
- Menyiapkan repo untuk sesi mendatang di mesin Devin
- Menjalankan tugas upgrade dependensi pertama kita
- Meninjau metrik sesi dan penggunaan kita
Awal yang cukup baik! Dalam tutorial berikutnya, kita akan menyelam lebih dalam dan mendorong kemampuan Devin dengan memintanya merencanakan dan mengimplementasikan fitur lengkap, dilengkapi dengan integrasi API dan basis data.
Jika Anda siap melanjutkan, klik item kedua pada daftar di bawah untuk menuju ke tutorial kedua:
- Penyiapan dan Pull Request Pertama
- Mengirimkan Vertical Slice dengan Devin (Bagian 2)
- Integrasi, Pengujian, dan CI/CD (Bagian 3)
- Keamanan, Deployment, Pemeliharaan (Bagian 4)
Author
Marie Fayard
