2025 оны тавдугаар сарын 16

Codex-ийг танилцуулж байна

codex-1-ээр ажилладаг, олон даалгавар дээр зэрэг ажиллах чадвартай үүлэн суурьтай програм хангамжийн инженерийн агент. Өнөөдөр ChatGPT Pro, Business, Enterprise хэрэглэгчдэд, удахгүй Plus хэрэглэгчдэд боломжтой.

Codex-ийг туршиж үзэх

Dashboard asking ‘What should we code next?’ with a prompt box, repo/branch selectors, and a task list on a pastel code-themed backdrop.

Ачаалж байна…

2025 оны 6-р сарын 3-ны шинэчлэлт: Codex одоо ChatGPT Plus хэрэглэгчдэд боломжтой боллоо. Мөн бид хэрэглэгчдэд даалгавар гүйцэтгэх үед Codex-д интернет хандалт өгөх боломжийг идэвхжүүлж байна. Дэлгэрэнгүй мэдээллийг өөрчлөлтийн бүртгэл⁠(шинэ цонхонд нээгдэнэ) болон баримт бичиг⁠(шинэ цонхонд нээгдэнэ)-ээс үзнэ үү.

Өнөөдөр бид Codex-ийн судалгааны урьдчилсан хувилбарыг танилцуулж байна: олон даалгавар дээр зэрэг ажиллах чадвартай үүлэн суурьтай програм хангамжийн инженерийн агент. Codex нь боломж бичих, кодын сангийнхаа талаар асуултад хариулах, алдаа засах, хянуулахаар татах хүсэлт санал болгох зэрэг даалгаврыг таны өмнөөс хийж чадна; даалгавар бүр таны репозитор урьдчилан ачаалагдсан, өөрийн гэсэн үүлэн sandbox орчинд ажиллана.

Codex нь програм хангамжийн инженерчлэлд оновчлогдсон OpenAI o3‑ийн хувилбар болох codex-1-ээр ажилладаг. Энэ нь хүний хэв маяг болон PR сонголтыг ойр тусгасан код үүсгэх, зааврыг нарийн дагах, амжилттай үр дүн авах хүртэл тестийг давтан ажиллуулах чадвартай болгохын тулд янз бүрийн орчин дахь бодит кодчиллын даалгавруудаар бататгах сургалт ашиглан сургагдсан. Бид өнөөдрөөс Codex-ийг ChatGPT Pro, Enterprise, Business хэрэглэгчдэд нэвтрүүлж эхэлж байгаа бөгөөд Plus болон Edu дэмжлэг удахгүй нэмэгдэнэ.

Codex хэрхэн ажилладаг

Өнөөдөр та ChatGPT‑ийн хажуу самбараар Codex-д хандаж, өгөгдөл бичээд “Код” дээр дарснаар шинэ кодчиллын даалгавар өгч болно. Хэрэв та кодын сангийнхаа талаар Codex-ээс асуулт асуухыг хүсвэл “Асуух” дээр дарна уу. Даалгавар бүр таны кодын сан урьдчилан ачаалагдсан, тусдаа тусгаарлагдсан орчинд бие даан боловсруулагдана. Codex нь файл уншиж, засварлахын зэрэгцээ тестийн harness, linter, type checker зэрэг командуудыг ажиллуулж чадна. Даалгаврын гүйцэтгэл нь төвөгшлөөс хамааран ихэвчлэн 1-30 минут үргэлжилдэг бөгөөд та Codex-ийн явцыг бодит цагт хянах боломжтой.

Codex даалгаврыг дуусгасны дараа өөрийн орчин дотор өөрчлөлтүүдээ commit хийнэ. Codex нь терминалын лог болон тестийн гаралтын ишлэлээр үйлдлүүдийнхээ баталгаажих нотолгоог өгдөг тул даалгавар гүйцэтгэх явцад хийсэн алхам бүрийг мөрдөх боломжтой. Дараа нь та үр дүнг хянаж, нэмэлт засвар хүсэх, GitHub татах хүсэлт нээх эсвэл өөрчлөлтүүдийг өөрийн локал орчинд шууд нэгтгэж болно. Бүтээгдэхүүн дотор та Codex орчныг өөрийн бодит хөгжүүлэлтийн орчинтой аль болох ойр тааруулахаар тохируулж болно.

Codex-ийг таны репозитор дотор байрлуулсан AGENTS.md файлуудаар чиглүүлж болно. Эдгээр нь README.md-тэй төстэй текст файлууд бөгөөд тэнд та Codex-д кодын сангаа хэрхэн чиглүүлэх, тест хийхэд ямар команд ажиллуулах, мөн төслийнхөө стандарт дадлыг хэрхэн хамгийн сайн мөрдөхийг зааж өгч болно. Хүний хөгжүүлэгчдийн адил Codex агентууд нь тохируулсан хөгжүүлэлтийн орчин, найдвартай тестийн тохиргоо, тодорхой баримт бичиг өгсөн үед хамгийн сайн ажилладаг.

Кодчиллын үнэлгээ болон дотоод benchmark-үүд дээр codex-1 нь AGENTS.md файл эсвэл захиалгат scaffolding-гүй байсан ч өндөр гүйцэтгэл үзүүлдэг.

Манай дотоод дэд бүтэц дээр ажиллуулах боломжгүй байсан 23 SWE-Bench Verified sample-ийг хассан. codex-1-ийг 192k токенийн хамгийн их контекст урт болон дунд зэргийн ‘reasoning effort’ тохиргоотойгоор туршсан бөгөөд энэ нь өнөөдөр бүтээгдэхүүнд боломжтой байх тохиргоо юм. o3 үнэлгээний дэлгэрэнгүйг эндээс⁠ үзнэ үү.

Манай дотоод SWE даалгаврын benchmark нь OpenAI дахь бодит дотоод SWE даалгавруудын сонгомол цуглуулга юм.

Аюулгүй бөгөөд итгэлтэй агентуудыг бүтээх

Бид давтамжтай нэвтрүүлэлтийн стратегитайгаа нийцүүлэн Codex-ийг судалгааны урьдчилсан хувилбараар гаргаж байна. Codex-ийг зохион бүтээхдээ бид аюулгүй байдал, ил тод байдлыг нэн тэргүүнд тавьсан бөгөөд ингэснээр хэрэглэгчид түүний гаралтыг шалгаж баталгаажуулах боломжтой—AI загварууд улам төвөгтэй кодчиллын даалгаврыг бие даан гүйцэтгэж, аюулгүй байдлын асуудлууд хувьсахын хэрээр энэ хамгаалалт улам чухал болж байна. Хэрэглэгчид Codex-ийн ажлыг ишлэл, терминалын лог, тестийн үр дүнгээр шалгаж болно. Эргэлзээтэй үед эсвэл тест амжилтгүй болох үед Codex агент эдгээр асуудлыг ил тод мэдээлдэг бөгөөд ингэснээр хэрэглэгчид хэрхэн үргэлжлүүлэх талаар мэдээлэлтэй шийдвэр гаргах боломжтой болдог. Гэсэн ч нэгтгэх, ажиллуулахын өмнө агентын үүсгэсэн бүх кодыг хэрэглэгчид гараар хянаж, баталгаажуулах нь зайлшгүй чухал хэвээр байна.

Code-review screenshot with a test-file overlay verifying quoted filenames, plus summary and passing tests on a blue backdrop.

Code-review screenshot with a black terminal overlay showing one passing test for quoted filenames; summary and diff of the ‘Fix /diff error with special characters’ change visible on a blue-pastel background.

Хүний сонголтод нийцүүлэх

codex-1-ийг сургах үеийн үндсэн зорилгуудын нэг нь гаралтыг хүний кодчиллын сонголт, стандарттай ойр тааруулах явдал байсан. OpenAI o3‑тай харьцуулахад codex-1 нь хүний шууд хяналт болон стандарт ажлын урсгалд нэгтгэхэд бэлэн, илүү цэвэр patch-уудыг тогтмол гаргадаг.

Please fix the following issue in the astropy/astropy repository. Please resolve the issue in the problem below by editing and testing code files in your current code execution session. The repository is cloned in the /testbed folder. You must fully solve the problem for your answer to be considered correct. Problem statement:Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels Consider the following model: ```python from astropy.modeling import models as m from astropy.modeling.separable import separability_matrix cm = m.Linear1D(10) & m.Linear1D(5) ``` It's separability matrix as you might expect is a diagonal: ```python >>> separability_matrix(cm) array([[ True, False], [False, True]]) ``` If I make the model more complex: ```python >>> separability_matrix(m.Pix2Sky_TAN() & m.Linear1D(10) & m.Linear1D(5)) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, False], [False, False, False, True]]) ``` The output matrix is again, as expected, the outputs and inputs to the linear models are separable and independent of each other. If however, I nest these compound models: ```python >>> separability_matrix(m.Pix2Sky_TAN() & cm) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, True], [False, False, True, True]]) ``` Suddenly the inputs and outputs are no longer separable? This feels like a bug to me, but I might be missing something?

Codex

OpenAI o3

Зүй бус хэрэглээнээс сэргийлэх

Хортой програм хөгжүүлэх зэрэг AI-ээр жолоодогдсон програм хангамжийн инженерчлэлийн хорлонтой хэрэглээнээс хамгаалах нь улам бүр чухал болж байна. Үүний зэрэгцээ, хамгаалалтын арга хэмжээ нь kernel-ийн доод түвшний инженерчлэл зэрэг хортой програм хөгжүүлэхэд заримдаа хэрэглэгддэг техникүүдийг хамарч болох ч хууль ёсны, ашиг тустай хэрэглээг хэт саатуулахгүй байх нь чухал.

Аюулгүй байдал ба хэрэглээний тэнцвэрийг хадгалахын тулд Codex-ийг хортой програм боловсруулахад чиглэсэн хүсэлтийг таньж, тодорхой татгалздаг байхаар сургаж, үүний зэрэгцээ хууль ёсны даалгаврыг ялган таньж дэмждэг болгосон. Мөн бид эдгээр хил хязгаарыг үр дүнтэй бэхжүүлэхийн тулд бодлогын хүрээгээ сайжруулж, хатуу аюулгүй байдлын үнэлгээг нэвтрүүлсэн. Эдгээр үнэлгээг тусгахын тулд бид o3 Системийн картын нэмэлт⁠-ийг нийтэлсэн.

Аюулгүй гүйцэтгэл

Codex агент нь үүлэн дэх аюулгүй, тусгаарлагдсан контейнер дотор бүрэн ажилладаг. Даалгавар гүйцэтгэх үед интернет хандалтыг идэвхгүй болгодог бөгөөд энэ нь агентын харилцааг зөвхөн GitHub репозиторуудаар ил тод өгсөн код болон хэрэглэгчийн setup script-ээр тохируулсан урьдчилан суулгасан хамаарлуудаар хязгаарладаг. Агент нь гаднын вэбсайт, API эсвэл бусад үйлчилгээнд хандах боломжгүй.

Эрт үеийн хэрэглээний тохиолдлууд

OpenAI-ийн техникийн багууд Codex-ийг өдөр тутмын хэрэгслийнхээ нэг хэсэг болгон ашиглаж эхэлсэн. Үүнийг OpenAI инженерүүд ихэвчлэн анхаарал сарниулах байсан рефактор хийх, нэр өөрчлөх, тест бичих зэрэг давтагддаг, сайн хүрээлэгдсэн ажлыг шилжүүлэн гүйцэтгүүлэхэд ашигладаг. Мөн шинэ боломжийн суурь бүтэц гаргах, бүрэлдэхүүнүүдийг холбох, алдаа засах, баримт бичгийн ноорог бэлтгэхэд адилхан хэрэгтэй. Багууд үүнийг тойрсон шинэ дадлуудыг бий болгож байна: дуудлагын үеийн асуудлыг ангилах, өдрийн эхэнд даалгавраа төлөвлөх, хөдөлгөөнөө хадгалахын тулд арын ажлыг шилжүүлэх зэрэг. Контекст солихыг багасгаж, мартагдсан хийх ажлуудыг ил гаргаснаар Codex нь инженерүүдэд илүү хурдан хүргэлт хийж, хамгийн чухал зүйлдээ төвлөрөхөд тусалдаг.

Гаргалтаас өмнө бид мөн Codex нь янз бүрийн кодын сан, хөгжүүлэлтийн үйл явц, багууд дээр хэрхэн ажиллаж байгааг илүү сайн ойлгохын тулд гаднын цөөн тооны туршигчидтай хамтран ажилласан.

Cisco⁠(шинэ цонхонд нээгдэнэ) нь инженерийн багууддаа зоримог санааг илүү хурдан бодит болгоход Codex хэрхэн тусалж болохыг судалж байна. Эрт үеийн дизайны түншийн хувьд Cisco нь бүтээгдэхүүний багцынхаа бодит хэрэглээний тохиолдлуудаар үнэлгээ хийж, OpenAI багт санал хүсэлт өгснөөр Codex-ийн ирээдүйг тодорхойлоход тусалж байна.
Temporal⁠(шинэ цонхонд нээгдэнэ) нь боломж хөгжүүлэлтийг хурдасгах, асуудал дебаг хийх, тест бичиж ажиллуулах, том кодын санг рефактор хийхэд Codex-ийг ашигладаг. Мөн төвөгтэй даалгаврыг ард ажиллуулснаар тэднийг анхаарлаа төвлөрүүлэхэд тусалж, инженерүүдийн урсгалыг хадгалах зуур давталтыг хурдасгадаг.
Superhuman⁠(шинэ цонхонд нээгдэнэ) нь тестийн хамрах хүрээг сайжруулах, интеграцийн алдааг засах зэрэг жижиг боловч давтагддаг ажлуудыг хурдасгахад Codex-ийг ашигладаг. Мөн кодын хяналтаас бусад үед инженер татан оролцуулахгүйгээр бүтээгдэхүүний менежерүүдэд хөнгөн кодын өөрчлөлт оруулах боломж олгосноор илүү хурдан хүргэлт хийхэд тусалдаг.
Kodiak⁠(шинэ цонхонд нээгдэнэ) нь дебагийн хэрэгсэл бичих, тестийн хамрах хүрээг сайжруулах, код рефактор хийхэд Codex-ийг ашиглаж, өөрсдийн автомат жолоодлогын технологи болох Kodiak Driver-ийн хөгжүүлэлтийг хурдасгаж байна. Codex нь мөн холбогдох контекст болон өмнөх өөрчлөлтүүдийг гаргаж ирснээр инженерүүдэд стекийг сайн мэдэхгүй хэсгүүдийг ойлгоход тусалдаг үнэ цэнтэй лавлах хэрэгсэл болсон.

Эрт үеийн туршигчдаас авсан сургамжид үндэслэн, сайн хүрээлэгдсэн даалгаврыг олон агентад зэрэг оноож, загварын боломжийг үр дүнтэй судлахын тулд янз бүрийн төрлийн даалгавар болон өгөгдлөөр туршиж үзэхийг бид зөвлөж байна.

Codex CLI-ийн шинэчлэлтүүд

Өнгөрсөн сард бид терминал дээр тань ажилладаг, хөнгөн нээлттэй эхтэй кодчиллын агент болох Codex CLI-г танилцуулсан. Энэ нь o3, o4-mini зэрэг загваруудын хүчийг таны локал ажлын урсгалд авчирч, даалгаврыг хурдан дуусгахын тулд тэдэнтэй хослон ажиллахыг хялбар болгодог.

Өнөөдөр бид мөн codex-1-ийн жижигрүүлсэн хувилбар болох, Codex CLI-д зориулан тусгайлан бүтээгдсэн o4-mini-ийн нэг хувилбарыг гаргаж байна. Энэ шинэ загвар нь CLI дэх илүү хурдан ажлын урсгалыг дэмжиж, бага сааталтай кодын А&Х болон засварт оновчлогдсон бөгөөд заавар дагах болон хэв маягийн ижил давуу талуудаа хадгалсан. Энэ нь одоо Codex CLI-ийн үндсэн загвар болон API дахь codex-mini-latest нэрээр боломжтой. Суурь snapshot нь Codex-mini загварыг үргэлжлүүлэн сайжруулахын хэрээр тогтмол шинэчлэгдэнэ.

Мөн бид хөгжүүлэгчийн бүртгэлээ Codex CLI-тэй холбохыг илүү хялбар болгож байна. API токен гараар үүсгэж, тохируулахын оронд та одоо ChatGPT бүртгэлээрээ нэвтрээд ашиглахыг хүссэн API байгууллагаа сонгож болно. Бид API түлхүүрийг автоматаар үүсгэж, тохируулна. Түүнчлэн ChatGPT‑ээр Codex CLI-д нэвтэрсэн Plus болон Pro хэрэглэгчид өнөөдөр оройноос эхлэн дараагийн 30 хоногт тус тус $5 болон $50-ийн үнэгүй API кредит ашиглаж эхлэх боломжтой.

Codex-ийн хүртээмж, үнэ, хязгаарлалтууд

Өнөөдрөөс эхлэн бид Codex-ийг дэлхий даяар ChatGPT Pro, Enterprise, Business хэрэглэгчдэд нэвтрүүлж эхэлж байгаа бөгөөд Plus болон Edu-ийн дэмжлэг удахгүй нэмэгдэнэ. Ирэх хэдэн долоо хоногт хэрэглэгчид ямар нэгэн нэмэлт төлбөргүйгээр өгөөмөр хандалттай байх тул Codex юу хийж чадахыг судлах боломжтой, үүний дараа бид хурдны хязгаартай хандалт болон хэрэгцээ гарсан үед нэмэлт хэрэглээ худалдан авах боломжтой уян хатан үнийн сонголтуудыг нэвтрүүлнэ. Бид удахгүй Plus болон Edu хэрэглэгчдэд хандалтыг өргөжүүлэхээр төлөвлөж байна.

codex-mini-latest-ээр бүтээж буй хөгжүүлэгчдийн хувьд загвар нь Responses API дээр боломжтой бөгөөд 1M оролтын токен тутамд $1.50, 1M гаралтын токен тутамд $6-ийн үнэтэй, prompt caching-д 75%-ийн хөнгөлөлттэй.

Codex нь хөгжүүлэлтийнхээ эхний шатанд хэвээр байна. Судалгааны урьдчилсан хувилбарын хувьд одоогоор frontend ажилд зориулсан зураг оролт, мөн ажиллаж байх үед нь агентын чиглэлийг засах зэрэг боломжууд дутуу байна. Нэмж хэлэхэд, алсын агент руу даалгах нь интерактив засвараас илүү удаан бөгөөд үүнд дасахад бага зэрэг хугацаа орж магадгүй. Цаг хугацааны явцад Codex агентуудтай харилцах нь хамт олонтойгоо асинхроноор хамтран ажиллахтай улам төстэй болно. Загварын боломжууд ахихын хэрээр агентууд илүү төвөгтэй даалгаврыг урт хугацаанд гүйцэтгэнэ гэж бид үзэж байна.

Дараа нь юу вэ

Хөгжүүлэгчид өөрсдөө эзэмшихийг хүссэн ажлаа удирдаж, үлдсэнийг агентуудад даатгадаг—AI-ийн тусламжтай илүү хурдан, илүү бүтээмжтэй ажилладаг—ирээдүйг бид төсөөлж байна. Үүнд хүрэхийн тулд бид бодит цагийн хамтын ажиллагаа болон асинхрон даалгавар шилжүүлэлтийг хоёуланг нь дэмжих Codex хэрэгслийн цогцыг бүтээж байна.

Codex CLI зэрэг AI хэрэгслүүдтэй хослон ажиллах нь хөгжүүлэгчдэд код бичих явцдаа илүү хурдан урагшлахад тусалж, салбарын нийтлэг хэв жаяг болжээ. Гэхдээ ChatGPT дэх Codex-ийн нэвтрүүлсэн асинхрон, олон агенттай ажлын урсгал нь инженерүүд өндөр чанартай код бүтээх үндсэн арга болно гэж бид үзэж байна.

Эцэст нь бид эдгээр хоёр харилцааны хэлбэр—бодит цагийн хослол болон даалгавар шилжүүлэлт—нэгэн цэгт нийлэхийг харж байна. Хөгжүүлэгчид асуулт асуух, санал авах, урт хугацааны ажлыг шилжүүлэхийн тулд өөрсдийн IDE болон өдөр тутмын хэрэгслүүдээрээ AI агентуудтай нэгдсэн ажлын урсгал дотор хамтран ажиллах болно.

Цаашдаа бид илүү интерактив, уян хатан агентын ажлын урсгал нэвтрүүлэхээр төлөвлөж байна. Хөгжүүлэгчид удахгүй даалгаврын явц дунд чиглэл өгөх, хэрэгжүүлэх стратеги дээр хамтран ажиллах, мөн ахицын идэвхтэй шинэчлэлт хүлээн авах боломжтой болно. Мөн бид таны аль хэдийн ашигладаг хэрэгслүүдтэй илүү гүн интеграцчилал хийхийг төсөөлж байна: өнөөдөр Codex GitHub-тай холбогддог, удахгүй та Codex CLI, ChatGPT Desktop, эсвэл issue tracker, CI system зэрэг хэрэгслүүдээс ч даалгавар оноох боломжтой болно.

Програм хангамжийн инженерчлэл нь AI-ээр хөтлөгдсөн бүтээмжийн мэдэгдэхүйц өсөлтийг анхлан мэдэрч буй салбаруудын нэг бөгөөд хувь хүмүүс болон жижиг багуудад шинэ боломж нээж байна. Бид эдгээр ололтод өөдрөг ханддаг ч агентууд өргөн дэлгэр нэвтрэхийн хөгжүүлэгчдийн ажлын урсгал, хүмүүсийн ур чадварын хөгжил, ур чадварын түвшин, газарзүйн ялгаанд үзүүлэх нөлөөг илүү сайн ойлгохын тулд түншүүдтэй хамтран ажиллаж байна.

Энэ бол зөвхөн эхлэл—та Codex-оор юу бүтээхийг харахыг бид тэсэн ядан хүлээж байна.

Шууд дамжуулалтын давталт

Хавсралт

Системийн мессеж

Хөгжүүлэгчдэд загварын үндсэн үйлдлийг ойлгож, Codex-ийг захиалгат ажлын урсгалд үр дүнтэй ажиллуулахаар тааруулахад нь туслахын тулд бид codex-1 системийн мессежийг хуваалцаж байна. Жишээлбэл, codex-1 системийн мессеж нь Codex-д AGENTS.md файлд дурдсан бүх тестийг ажиллуулахыг зөвлөдөг, гэхдээ хэрэв танд цаг бага байвал эдгээр тестийг алгасахыг Codex-ээс хүсэж болно.

1# Instructions
2- The user will provide a task.
3- The task involves working with Git repositories in your current working directory.
4- Wait for all terminal commands to be completed (or terminate them) before finishing.
5
6# Git instructions
7If completing the user's task requires writing or modifying files:
8- Do not create new branches.
9- Use git to commit your changes.
10- If pre-commit fails, fix issues and retry.
11- Check git status to confirm your commit. You must leave your worktree in a clean state.
12- Only committed code will be evaluated.
13- Do not modify or amend existing commits.
14
15# AGENTS.md spec
16- Containers often contain AGENTS.md files. These files can appear anywhere in the container's filesystem. Typical locations include `/`, `~`, and in various places inside of Git repos.
17- These files are a way for humans to give you (the agent) instructions or tips for working within the container.
18- Some examples might be: coding conventions, info about how code is organized, or instructions for how to run or test code.
19- AGENTS.md files may provide instructions about PR messages (messages attached to a GitHub Pull Request produced by the agent, describing the PR). These instructions should be respected.
20- Instructions in AGENTS.md files:
21  - The scope of an AGENTS.md file is the entire directory tree rooted at the folder that contains it.
22  - For every file you touch in the final patch, you must obey instructions in any AGENTS.md file whose scope includes that file.
23  - Instructions about code style, structure, naming, etc. apply only to code within the AGENTS.md file's scope, unless the file states otherwise.
24  - More-deeply-nested AGENTS.md files take precedence in the case of conflicting instructions.
25  - Direct system/developer/user instructions (as part of a prompt) take precedence over AGENTS.md instructions.
26- AGENTS.md files need not live only in Git repos. For example, you may find one in your home directory.
27- If the AGENTS.md includes programmatic checks to verify your work, you MUST run all of them and make a best effort to validate that the checks pass AFTER all code changes have been made.
28  - This applies even for changes that appear simple, i.e. documentation. You still must run all of the programmatic checks.
29
30# Citations instructions
31- If you browsed files or used terminal commands, you must add citations to the final response (not the body of the PR message) where relevant. Citations reference file paths and terminal outputs with the following formats:
32  1) `【F:<file_path>†L<line_start>(-L<line_end>)?】`
33  - File path citations must start with `F:`. `file_path` is the exact file path of the file relative to the root of the repository that contains the relevant text.
34  - `line_start` is the 1-indexed start line number of the relevant output within that file.
35  2) `【<chunk_id>†L<line_start>(-L<line_end>)?】`
36  - Where `chunk_id` is the chunk_id of the terminal output, `line_start` and `line_end` are the 1-indexed start and end line numbers of the relevant output within that chunk.
37- Line ends are optional, and if not provided, line end is the same as line start, so only 1 line is cited.
38- Ensure that the line numbers are correct, and that the cited file paths or terminal outputs are directly relevant to the word or clause before the citation.
39- Do not cite completely empty lines inside the chunk, only cite lines that have content.
40- Only cite from file paths and terminal outputs, DO NOT cite from previous pr diffs and comments, nor cite git hashes as chunk ids.
41- Use file path citations that reference any code changes, documentation or files, and use terminal citations only for relevant terminal output.
42- Prefer file citations over terminal citations unless the terminal output is directly relevant to the clauses before the citation, i.e. clauses on test results.
43  - For PR creation tasks, use file citations when referring to code changes in the summary section of your final response, and terminal citations in the testing section.
44  - For question-answering tasks, you should only use terminal citations if you need to programmatically verify an answer (i.e. counting lines of code). Otherwise, use file citations.

Зохиогч

OpenAI