大型语言模型（LLM）通过将将深度学习技术与强大的计算资源结合，正在彻底改变我们与软件交互的方式。
虽然这项技术令人兴奋，但很多人也担心LLM可能生成虚假、过时或有问题的信息，有时甚至会生成令人信服的虚假信息（不存在的信息）。值得庆幸的是，有一个谣言可以立即平息。GitHub Copilot机器学习（ML）高级研究员Alireza Goudarzi表示：“LLM没有接受过推理训练。它们不是在试图理解科学、文学、代码或其他任何东西。它们只是经过训练来预测文本中的下一个标记。”
这个案例研究基于TechValidate于2023年9月对Sonar客户进行的调查，TechValidate是一家第三方研究服务提供商。出现在这个案例研究中的公司要求对其名称进行公开隐藏，因为公开支持供应商与其政策相抵触。TechValidate对这些数据的真实性进行背书。
Sonar致力于帮助您的代码达到“清洁”状态。这意味着您的代码将变得更加安全、可靠、可访问和易维护，更适合用于开发和生产环境。Sonar的清洁代码解决方案可以在您写代码的同时检测各种问题，Sonar团队也不断创新，研究新技术，以提供最全面的代码分析。为了实现这一目标，您需要深入了解您的所有代码。
GitHub企业Server 3.10现已正式发布。升级至这个版本，企业能够通过加强的安全性和合规性控制，使开发人员和管理员提供更多对他们的存储库的控制，并确保安全开发是首要任务。
编写“清洁代码”不代表蛮力和执行，“清洁代码”的实现离不开编写它的开发人员的技能和实力。当您能够真正理解并自信地修复问题时，作为个人贡献者和团队成员的您将得到成长，从而提高交付能力。随着交付能力的提升，您的软件也变得更有价值。
生成式的AI编码工具正在改变着开发人员日常写代码的方式。从记录代码库到生成单元测试，这些工具有助于加快我们的工作流程。然而，就像任何新兴技术一样，总会有一个学习曲线。因此，当AI编码助手无法生成他们想要的输出时，开发人员——无论是初学者还是有经验的人——有时会感到沮丧 (有没有相似的经历？) 。
第一次分析遗留项目——这里指的是任何超过两个月的项目——结果会让人感到非常压抑。可能会有成千上万个代码异味、数百个bug、高度重复的代码，以及0%的代码覆盖率（取决于项目的年限和技术）。对于这样的结果，通常会引发恐惧、悲伤甚至绝望的情绪。然后问题就来了——我从哪里开始？选择哪些问题进行修复？是先修复错误、漏洞、测试覆盖率，还是应该从所有的障碍开始逐步解决？
SonarQube 9.9 LTS推出了强大的Python分析器，提供了近250条规则，确保Python开发人员编写出符合生产标准和开发要求的干净代码。
与SonarQube 8.9 LTS相比，9.9 LTS版本在Python分析方面有了显著的进步。您可以喝一口咖啡，换个舒适的姿势，接下来我们将为您介绍这些改进！
