Azure DevOps in Action - 透過 Fork 實現 InnerSource

作者： -

Fork在Github中是常見的功能，使用的情境大多是我們想修改或學習他人的程式碼時。只要我們有權限，就可以Fork他人的Repos到自己的帳號底下。Fork和Clone不同，Fork可以追朔到來源的Repo，讓新建立的Repo與來源之間有所連結。

對於開源的open source專案來說，Fork是很有意義的功能，但對於企業來說也有需要嗎? 有的。

這幾年企業內部盛行InnerSource[1]的觀念，過去企業常常把source code視為不可觸碰的機密，甚至要求source code不可離開Lab(或特定部門)。在那個年代，你可能在某大型軟體公司工作了好幾年，卻還是看不到與自己部門(所開發的產品)無關的其他系統的任何一行程式碼。

但，現在時代不同了。

近年來，開發人員(和他們的主管)明顯地發現了open source所帶來的價值。同時，對於程式碼的安全性與開發規範也日漸成熟(如今，上道的程式設計師幾乎都懂得機密資料不該寫死在程式碼中)，這使得企業也開始對於程式碼的開放不再感到懼怕。因此也在對企業內部員工開放程式碼後，獲取了很多前所未有的好處。

最顯著的好處是，員工可以透過檢視同事的程式碼進而學習和成長，回顧你自己過去的學習經驗，你會發現，其實大部分的程式設計師，都是透過看別人的程式碼來學習的(而非單單只是看書、上課、或是自學)。一旦停止觀摩，開發人員的成長就遇到瓶頸了，也就是說，觀摩其他人寫的程式碼，可以說是最好的學習方式(沒有之一)。

如果你覺得這沒什麼，認為讓員工成長這種事情對企業也沒啥好處，那你可以再反過來想。當企業內的所有開發人員，都知道自己的程式碼有可能會被其他人檢視(review)時，對於一個稍有廉恥心的開發人員來說，這是一個很大的提醒。當企業內培養出這個文化之後，大部分有自尊心的開發人員，都會在簽入程式碼之前，再看一下有沒有不該出現的code，以及是否有因為偷懶或取巧而品質不佳的程式碼。這使得軟體開發人員無形中更加的謹慎，對程式碼的自我要求將提高，而不只是讓程式能動就好。久而久之一旦養成習慣，在無形之間也提升了程式碼品質。

還有另一個典型的情境，也非常有價值。

近代的軟體開發往往是基於組件或套件的重用，在企業內也是，我們常常會用到他人所撰寫的套件或工具，這可以讓開發速度和時程加快，同時也提高重用性(提高重用性就是意謂著降低成本，切記)。

但，如果你同事所開發的套件有bug呢?怎麼辦?反映給他，等對方處理? 又或者，你需要在某一個套件上增加一些新功能，那又該怎麼辦呢? 等對方修改恐怕會曠日廢時，且對方也不見得有空花時間跟你討論需求…

更好的方式是，直接fork對方所撰寫的這個套件的Repo，直接幫對方修改，改完後只需要發個PR給對方即可。這讓企業內的合作自然且順暢的發生。身為Developer的你可能並不知道，『合作』這件事要想在企業的其他部門或領域推動有多困難，而軟體開發部門的宅宅們，卻只需要透過Fork + PR就可以自然的實現跨團隊的合作了。

資訊工具的進步，讓團隊合作可以在遠端順暢且自然的發生，這恐怕是過去沒有資訊工具的時代所無法想像的。如今，多人同時在wiki或HackMd等工具上一起撰寫會議紀錄，開發人員透過線上code review和協同開發，都已經慢慢變成像喝水一樣自然。

有了InnerSource的觀念之後，我們來看看怎麼在企業內透過Azure DevOps進行Fork與合作。

在Azure DevOps中使用Fork

好，在前面知道了Fork在企業內的價值之後，我們來看具體怎麼實現。

一般來說，只要你有權限檢視某個repo，就會看到右上角的選單中有一個Fork選項：

當你點選該選項，就會出現底下畫面，可以讓你把特定repo複製到你自己已經建立好的Azure DevOps Project[2]當中(下圖B)：

複製過去的時候，會帶出原本此Repo的名字(上圖A)，當你確定無誤按下Fork鈕，就會看到該repo被複製到你的專案中了：

從上圖中你會看見，該Repo被複製到newProject2(上圖A)這個Project底下，Repo名稱變成了myFirst.twdeveloper(上圖B)，myFirst是原先的Repo名稱，twdeveloper則是你的帳號名稱。

就這樣，你可以開始修改或檢視程式碼了。所有的操作都跟你原本操作Repo的方式完全一樣。

前面說過，Fork和Clone某一個Repo有一個很大的不同，就是Fork之後，新產生的Repo和來源的Repo之間是有關聯的。因此你會發現，當你修改了這個Repo中的程式碼，並且Commit/Push之後，Azure DevOps一樣會建議你開立PR單，但仔細看PR單的內容，你是可以把PR的Merge給送回到來源Repo的：

你會發現，(上圖A)的選項，不僅可以選到 Fork過來後新建立的Repo，也可以選到來源原始Repo，當你選到原始Repo的時候，就可以把你的貢獻，反饋給最初該套件(或系統)的開發人員，達成企業內資訊共享與跨部門協同合作的成效，讓InnerSource真的發生。

這很不錯吧? 過去要在企業內實現這樣的程式碼協同運作，或是跨團隊之間的合作，有著一定程度的困難，要培養這樣的文化更是難事，但透過Fork機制讓InnerSource很自然地在企業內發生了，這是一個很值得推廣的功能。

[1] InnerSource這個字眼是Tim O'Reilly在2000年發明的，意指在企業內，對內部開發人員進行組織內的開源文化。相對於過去很多企業把source code保護的死死的，如經已有不少企業開始風行這個概念。

[2] 請留意，即便你的帳號跨多個組織，也是不能把Repo給Fork到另一個組織底下的。Fork這個行為在Azure DevOps中，只能在單一一個組織底下運作。

---------------------------
相關課程：http://www.studyhost.tw/NewCourses/ALM
節錄自『Azure DevOps敏捷開發與專案管理實戰』

留言

張貼留言

這個網誌中的熱門文章

使用LM Studio輕鬆在本地端以API呼叫大語言模型(LLM)

作者： -
圖片
最近上課常被問到，如何在地端環境搭建出大語言模型(LLM)，並且呼叫其API。 一開始我不太理解為何會有這樣的需求(因為在地端自行搭建運行LLM的成本不一定比較低，即便可能比較安全)，但被問多了，也就開始遍尋相關的解決方案，看看有沒有什麼最簡單的方式，可以讓開發人員在地端測試大語言模型? 後來我選擇 LM Studio ，它就是一款設計來運行大型語言模型（LLM）的平台，有個算是挺優雅的整合環境，讓一般 end-user 或開發人員，都可以輕易地在 local 端進行模型的部署和測試。 LM Studio 本身支援多種模型架構和框架，當然，最重要的是，它是免費的。 下載安裝 都很容易，我就不多說。 安裝好之後，你可以看到首頁中已經呈現了許多 Hugging Face上的模型： 這顯然是因為Hugging Face是大部分免費開源模型的集散地。 你可以搜尋自己喜歡的模型，透過LM Studio下載到local之後，就可以直接載入(下圖一)： 隨手設定一下 system prompt(上圖二)，然後，就可以直接對談了。(上圖三) LM Studio會使用你的GPU進行運算(如果有的話)，你會發現，原來有好的設備(GPU)，運行的速度可以如此之快。 Local Server 對於開發人員來說，它還有個超級更友善的功能。 LM Studio本身還提供一個 local server，可以幫你把模型包裹起來讓你直接透過API呼叫該模型的功能，例如： 上圖是我們開啟 LM Studio中 Local Server功能後的結果，你可以透過 localhost 的 1234 port 來呼叫這個被 LM Studio 運行起來的大語言模型。(有沒有發現，我們用的也是 chat/completions API) 透過Postman簡單提供一下 JSON Body: { "model": "LM Studio Community/Meta-Llama-3-8B-Instruct-GGUF", "messages": [ { "role": "system", "content": "你是AI助理，請一律用繁體中
Read more »

VS Code的字體大小

作者： -
圖片
身為.net developer，這年頭是什麼code都得要會寫的年代。 而雖然我的NB還沒從Windows淪陷為Mac OS，但寫Node.js和Python免不了要用VS Code，這是一種愛的表現。 但歲月不饒人，盡管微臣非常熱於配合，但VS Code預設字體的大小在我還沒錢買大尺寸螢幕的狀況下，實在讓老臣難以適應。當下的第一個反應是什麼? 當然是 Ctrl+滑鼠滾輪往上推…哇靠，沒用。看…這設計…恩，千錯萬錯一定是我的錯。 只好從選單 file –> Preferences –> Settings: 在出來的視窗中，你可以看到 editor.fontsize: 沒錯，改它就行了。改不動? 喔，不好意思，我沒仔細看說明，要copy到右邊是吧，沒問題，copy->paste->modify->Save…搞定。 好簡單啊…連ctrl+(mouse scroll up)都用不到了呢… 咦?這是一篇抱怨文嗎? 沒有，誰說的? 免費的tool我們還有什麼好抱怨的呢…要感恩啦。 啊….對了，如果你還是堅持要使用 Ctrl+滑鼠滾輪，請找關鍵字… "editor.mouseWheelZoom"
Read more »

使用 Dify 建立企業請假機器人

作者： -
圖片
八卦與未來 上個月，前Google執行長Eric Schmidt在史丹福有場演講，媒體關注的是八卦消息(如果你也曾關注，網路上有很多鐵定可以找到)，但我注意到的則是他提到了自己認為接下來 AI(特別是大語言模型) 可能的發展方向，包含: Large Context Window AI Agent Text-to-Action 底下這邊有這一個段落的影片： https://www.youtube.com/watch?v=zl3k1ksFZdY 為何我會關注這部分? 因為上述的三個方向，也是身為開發人員的我，過去這一年，來與LLM打交道後的感想。昨天，我在 twMVC 的研討會分享中，展示了一個其實我過去早做過了N百次的範例，就是企業的請假機器人。(唯一不同的是，這次我幾乎沒有寫任何程式碼) 場景是，員工在家裡生病了，想要透過語音或是app進行請假，你可以看底下這個運行的範例 (git圖檔會循環播放，開始是 『我好像感冒了』)： 用自然語言對談的方式，即可完成請假。 我說過，類似這樣的範例我做過很多次，用 LINE Bot 搭配 C# 做過，用MS Bot Framework 做過，前陣子也用 Semantic Kernel 框架做過，更早期，還沒有AI的時代，我也在EIP和HR系統裡做過。 但我想說的是，這 就是 Text-to-Action 的呈現，也是一個典型的 AI Agent 的例子，它讓我們透過自然語言(可以是語音或文字)，直接命令機器人(Chat Bot、AI 助理、Agent、Assistant …不管你叫它什麼…)幫你完成一件事情(請假、售票、查詢資料、做財務報表、統計圖表、寫程式…etc.)。 這是一直以來人類對電腦最底層的需求與期待。 隨著 LLM 能夠處理和記憶的 Context 愈來愈被放大，AI Agent 所能夠處理的任務就更加的不受限制。 自然語言才是最符合人類直覺的操作 順帶一提，我昨天在研討會中講了一個故事。 有天，你覺得自己需要聘請一位助理，因此上網張貼徵人啟事，沒多久，你找到了一位號稱上知天文、下知地理的高材生，來幫助你更有效率的完成工作。 他什麼都好，唯一的一個小缺點是，你不能直接對這個助理下達指令，你必須用一種只有這個助理看得懂的語法，才能要求這個助理幫你完成特定的工作。這些語法還挺
Read more »

使用C#開發LineBot(3) - 使用LineBotSDK發送Line訊息

作者： -
圖片
新版的Line Messaging API，要主動發送訊息給用戶不是很困難，主要是透過Push API，可以參考底下的官方說明 : https://devdocs.line.me/en/#push-message 另外，如果你想申請一個Line Bot，可參考: 關於LineBot (1) - 用c#建立一個LineBot 前陣子說過，我們為了團隊開發方便，做了一個 Nuget Package 以便於讓撰寫C#的開發人員可以方便的進行Line Messaging API的操作。 所以，如果你想要透過該SDK來發送訊息給用戶，可以透過底下的指令: isRock.LineBot.Utility.PushMessage(               UserId, 要傳送的訊息, AccessToken); 別忘了使用前，要先引用linebotSDK這個套件: 當您在.net 4.x的專案中，安裝上述lintbotSDK，即可透過前面提到的指令發送訊息給用戶，但請注意，該用戶必須加你的bot為好友。 你可能在使用時會碰到一個問題，怎麼知道用戶的id呢? 請注意，PushAPI的Line用戶id並非你的line ID，而是一長串項是底下這樣的id: U6OX388eOX3634X2OX2e341OX06b8OX4123 這個ID會在你的用戶跟你的bot交朋友，或是對談的時候，由系統傳送給你所設定的WebHook網址(其本質上是一個asp.net WebAPI或類似的API服務)。你會在Line傳遞給該WebHook URL的封包中的JSON形式資料內獲得。 也就是說，當你的用戶傳訊息給你的Bot，或是與你的Bot做朋友(或封鎖)，你所在你的LineBot後台，所設定的這個WebHook，都會收到這些相關的訊息。其設定位置如下: 訊息內容是以JSON的格式出現。 但是，如果你還不知道怎麼寫一個WebHook，該怎麼辦呢? 寫個WebHook其實很簡單，以asp.net來說，就是寫一個asp.net WebAPI即可。(有空我再說明，但今天比較沒空) (2017更新，WebHook開發方式請參考 這裡 ) 如果你沒空寫，可以先用底下這個工具(注意這個工具 僅限測試使用 ，我們不保證其穩定性與可用性、與資料安全性): http://isbaas.azurewe
Read more »

使用Qdrant向量資料庫實作語意相似度比對

作者： -
圖片
什麼是向量資料庫? 在許多的AI實作當中，都有向量資料庫的使用需求。例如RAG(檢索增強生成)、或是資料的相關性比對、相似性搜尋…等，這些應用情境中，我們都會用到向量資料庫。 向量資料庫主要的任務，當然就是存儲和查詢向量數據。被儲存的向量數據通常是高維度的資料，以陣列(集合)的形式呈現。 例如，OpenAI就有提供一組Embedding API，讓我們可以把文字給向量化。你可以透過該 API，把一句話(一段文字)轉換成向量數據，類似底下這樣： OpenAI 的這組 Embedding API，在預設狀況下，會把資料轉成 1536 維度的向量數據，其背後的行為是把文字送給一個訓練好的模型，透過該模型跑出這組向量數據，再回傳給用戶。 然而，把一段文字給向量化的目的是什麼呢? 當我們把文字做了這種轉換後，在 1536 維度的座標空間(向量數據)中，愈相似的文字，透過Embedding API會得到距離愈接近的座標點，藉此，我們得以迅速的判斷兩段文字在語意上的相似性。 而向量資料庫中所謂的查詢功能，主要就是向量的檢索，像是『近鄰搜索（Nearest Neighbor Search）』，當用戶或應用程式提交一個向量查詢時，向量資料庫會幫我們找出資料庫中，與之最相似(接近)的向量座標點。 因此，開發人員只需要透過 Embedding API，把文字轉成向量，再把轉換好的向量座標值，儲存到向量資料庫之中，未來就可以透過向量資料庫來查詢相似(接近)的文字。 關於這個部分，如果讀者有興趣，前陣子有段網路上的影片把多維度向量資料庫的概念介紹的蠻清楚的: https://www.youtube.com/watch?v=W_ZUUDJsUtA https://www.youtube.com/watch?v=ct20Kv8yn0U 為何需要? 向量資料庫最實務上的應用，就是找到類似的特徵值。 例如，當我們把人臉的特徵值以向量資料的形式儲存到向量資料庫中之後，我們就可以透過資料庫本身提供的搜尋功能，快速地尋找出相似的人臉，這也是許多AI應用實現的基礎。 我們底下的程式碼範例，則是找出最接近的問題。(呃…什麼意思?🤔 請往下繼續看) 我們在建立對談機器人時候，常常需要讓機器人回答用戶的問題。這時，我們會讓用戶輸入問句，然後透過 Embedding API
Read more »