Aufforderungstechniken, die jeder Entwickler für die Codegenerierung kennen sollte

Einführung

Eine effektive Codegenerierung hängt von der Beherrschung des Prompt Engineering ab. Gut gestaltete Eingabeaufforderungen unterstützen Large Language Models (LLMs) bei der Generierung, Verbesserung und Optimierung von Anwendungscode. In diesem Leitfaden werden 15 bewährte Aufforderungstechniken untersucht, die in die Kategorien Wurzeltechnik, Verfeinerungstechnik, Zerlegungstechnik, Begründungstechnik und Grundierung eingeteilt sind. Wir veranschaulichen jedes anhand einer einfachen Flask-Webanwendung, beginnend mit einer einfachen „Hello World“-App und erweitern diese schrittweise.

Forschungsnotiz: Wir haben aixrv.org zu neuen Aufforderungstechniken konsultiert. Zum Zeitpunkt des Schreibens wurden keine neuen Ansätze identifiziert, die über die hier vorgestellten hinausgehen. Da sich das Thema „Prompt Engineering“ jedoch schnell weiterentwickelt, wird eine kontinuierliche Überwachung empfohlen.

1. Root-Techniken

Diese grundlegenden Eingabeaufforderungsmethoden bieten unkomplizierte Pfade zu einfachen Codeausgaben.

1.1. Direkte Anweisungsaufforderung

• Übersicht:Ein prägnanter Befehl ohne zusätzliche Details.

• Eingabeaufforderungsbeispiel: „Erstellen Sie eine minimale Python-Flask-App, die „Hello World!“ anzeigt. unter der Stamm-URL."

• Generierter Code (konzeptionell): (Hier würde ein Codeausschnitt ähnlich dem ursprünglichen Beispiel erscheinen)

• Warum es funktioniert: Ausreichend für kleinere Aufgaben. Bietet eine Grundlage für spätere Verbesserungen.

1.2. Abfragebasierte Eingabeaufforderung

• Übersicht:Stellen einer Frage, um eine erklärende Antwort und/oder einen Code zu erhalten.

• Eingabeaufforderungsbeispiel: „Wie erstelle ich eine einfache Flask-App, die „Hallo Welt!“ zurückgibt? auf der Startseite?"

• Generierte Antwort (konzeptionell): Das Modell könnte Code undeine Erklärung jedes Schritts bereitstellen.

• Warum es funktioniert: Fördert informativere Antworten seitens des LLM.

1.3. Beispielbasierte Eingabeaufforderung

• Übersicht: Bereitstellung eines Musters des gewünschten Stils oder Formats.

• Eingabeaufforderungsbeispiel: „Hier ist ein einfacher Node.js Express ‚Hello World‘-Server: [Node.js-Code]. Erstellen Sie einen ähnlichen Flask ‚Hello World‘-Server.“

• Warum es funktioniert: Das Modell spiegelt die Struktur und den Stil wider und sorgt so für Konsistenz. Präziser als direkte Anweisungen.

2. Verfeinerungsbasierte Techniken

Diese Techniken konzentrieren sich auf die iterative Verbesserung des vorhandenen Codes.

2.1. Iterative Verfeinerungsaufforderung

• Überblick:Inkrementelle Verbesserung einer anfänglichen Lösung.

• Promptsequenz:

  1. „Generieren Sie eine minimale Flask-App, die „Hello World!“ zurückgibt.“
  2. „Ändern Sie diese App so, dass sie einen /hello/<name></name> Endpunkt enthält, der den Benutzer mit seinem Namen begrüßt.“

• Verfeinerter Codeausschnitt (konzeptionell): (Hier würde ein Codeausschnitt erscheinen, der den hinzugefügten Endpunkt zeigt)

• Warum es funktioniert: Baut auf vorhandenem Code auf und ermöglicht schrittweise Verbesserungen.

2.2. Erweiterungsaufforderung

• Übersicht:Hinzufügen neuer Funktionen zu vorhandenem Code.

• Eingabeaufforderungsbeispiel: „Fügen Sie der Flask-App einen Endpunkt hinzu, der eine JSON-Antwort mit einer Liste von Beispielbenutzern zurückgibt.“

• Verfeinertes Code-Snippet (konzeptionell): (Code-Snippet für den neuen Endpunkt würde hier erscheinen)

• Warum es funktioniert: Zielt auf bestimmte Funktionen ab und ermöglicht so eine gezielte Aufmerksamkeit des Models.

2.3. Stil-/Formatierungstransformation

• Übersicht:Ändern des Codestils (z. B. PEP 8-Konformität).

• Eingabeaufforderungsbeispiel: „Refaktorisieren Sie die Flask-App, um die PEP 8-Namenskonventionen einzuhalten und die Zeilenlänge auf 79 Zeichen zu begrenzen.“

• Warum es funktioniert: Wendet Stilpräferenzen systematisch an.

3. Zerlegungsbasierte Techniken

Diese Techniken zerlegen große Aufgaben in kleinere, besser überschaubare Schritte.

3.1. Funktion-für-Funktion-Zerlegung

• Übersicht:Aufteilung von Aufgaben in Unterfunktionen oder Module.

• Eingabeaufforderungsbeispiel:

  1. „Erstellen Sie eine Funktion init_db(), um eine SQLite-Datenbank zu initialisieren.“
  2. „Erstellen Sie insert_user(name), um Benutzer zur Datenbank hinzuzufügen.“
  3. „Erstellen Sie get_all_users(), um alle Benutzer abzurufen.“

• Ergebnis (konzeptionell): (Hier würden Codeausschnitte für die drei Funktionen erscheinen)

• Warum es funktioniert:Gruppiert große Aufgaben in modulare, wartbare Komponenten.

3.2. Chunk-basierte Eingabeaufforderung

• Übersicht: Teilcode bereitstellen und das Modell auffordern, fehlende Abschnitte zu vervollständigen.

• Eingabeaufforderungsbeispiel: „Vervollständigen Sie die Flask-App unten, indem Sie Routen zum Hinzufügen und Abrufen von Benutzern hinzufügen: [Teilcode-Snippet]“

• Warum es funktioniert: Konzentriert das Modell auf bestimmte Lücken und gewährleistet so den Codezusammenhalt.

3.3. Schritt-für-Schritt-Anleitung

• Übersicht:Aufzählung von Teilaufgaben oder logischen Schritten.

• Eingabeaufforderungsbeispiel:

  1. „Notwendige Bibliotheken importieren.“
  2. „Datenbankinitialisierung einrichten.“
  3. „Erstellen Sie eine Route zum Hinzufügen eines Benutzers mit insert_user().“
  4. „Erstellen Sie eine Route zum Auflisten von Benutzern mit get_all_users().“

• Warum es funktioniert: Macht den Codegenerierungsprozess transparent und stellt die korrekte Betriebsabfolge sicher.

4. Argumentationsbasierte Techniken

Diese Aufforderungen ermutigen das Modell, seinen Argumentationsprozess zu artikulieren, bevor es Code bereitstellt.

4.1. Aufforderung zur Gedankenkette

• Übersicht:Anfordern einer Schritt-für-Schritt-Erklärung des Argumentationsprozesses.

• Eingabeaufforderungsbeispiel: „Erklären Sie Schritt für Schritt, wie Sie einer Flask-App eine Authentifizierung hinzufügen, und geben Sie dann den Code ein.“

• Warum es funktioniert: Fördert einen klaren Weg zur Lösung, was zu kohärenterem Code führt.

4.2. Zero-Shot-Gedankenkette

• Übersicht: Das Modell bitten, ein Problem ohne Beispiele zu durchdenken.

• Eingabeaufforderungsbeispiel: „Erklären Sie Ihre Wahl der Passwort-Hashing-Bibliothek für Flask und zeigen Sie den Code, der sie für die Benutzerregistrierung integriert.“

• Warum es funktioniert: Fördert einen gründlichen Ansatz bei der Auswahl und Nutzung von Bibliotheken.

4.3. Few-Shot-Gedankenkette

• Übersicht: Bereitstellung von Argumentationsbeispielen, bevor ein neues Problem vorgestellt wird.

• Eingabeaufforderungsbeispiel: „[Beispiel für eine schrittweise Argumentation für ein Anmeldesystem]. Fügen Sie mit diesem Ansatz eine /register Route hinzu, die neue Benutzeranmeldeinformationen sicher speichert.“

• Warum es funktioniert: Bietet einen Rahmen für eine konsistente logische Anwendung auf neue Probleme.

5. Grundierungstechniken

Diese Techniken nutzen zusätzlichen Kontext, um den Codestil und das Domänenwissen zu beeinflussen.

5.1. Persona-basierte Eingabeaufforderung

• Übersicht: Das Modell anweisen, eine bestimmte Rolle einzunehmen (z. B. Sicherheitsexperte).

• Eingabeaufforderungsbeispiel: „Sie sind ein erfahrener Python-Backend-Entwickler mit Spezialisierung auf Sicherheit. Generieren Sie eine sichere Flask-Benutzerregistrierungsroute.“

• Warum es funktioniert: Passt die Lösung an das Fachwissen der Person an, häufig einschließlich bewährter Sicherheitspraktiken.

5.2. Grundierung des Skeletts (Vorlage)

• Übersicht:Bereitstellen einer Vorlage mit Platzhaltern, die das Modell füllen soll.

• Eingabeaufforderungsbeispiel: „Vervollständigen Sie diese Flask-App-Vorlage, um ein Benutzeranmeldeformular zu implementieren: [Flask-Vorlage mit Platzhaltern]“

• Warum es funktioniert:Beschränkt das Modell auf einen bestimmten Rahmen.

5.3. Referenzlastige Grundierung

• Übersicht: Bereitstellung von Dokumentation oder Datenschemata für die Verwendung durch das Modell.

• Eingabeaufforderungsbeispiel: „Aktualisieren Sie mithilfe dieser SQLAlchemy-Dokumentation [Link] die Flask-App-Routen, um SQLAlchemy-Modelle anstelle von Roh-SQL zu verwenden.“

• Warum es funktioniert: Ermöglicht die Integration von Fachwissen und sorgt für präzisen und aktuellen Code.

Fazit

Diese 15 Techniken leiten die Codeentwicklung und -optimierung mithilfe von LLMs systematisch an. Root-Techniken schaffen eine Basis, Verfeinerungstechniken verbessern sie, Dekompositionstechniken verwalten die Komplexität, Argumentationstechniken verbessern die Klarheit und Priming-Techniken fügen Kontext hinzu. Experimentieren Sie mit Kombinationen, um optimale Ergebnisse zu erzielen. Denken Sie daran, dass Prompt Engineering ein sich entwickelndes Feld ist, daher sind kontinuierliches Lernen und Anpassung der Schlüssel.

Das obige ist der detaillierte Inhalt vonAufforderungstechniken, die jeder Entwickler für die Codegenerierung kennen sollte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!