डिबगिंग और पुनर्संरचना प्रॉम्प्ट
मौजूदा कोड में बग पहचानने और पुनर्संरचना तथा अनुकूलन के लिए सुधार सुझाने हेतु LLM का उपयोग कीजिए।
डिबगिंग और पुनर्संरचना प्रॉम्प्ट, CoddyKit पर AI प्रॉम्प्ट इंजीनियरिंग का एक निःशुल्क पाठ है। यह 3 में से 2वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह AI प्रॉम्प्ट इंजीनियरिंग सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। AI प्रॉम्प्ट इंजीनियरिंग पाठ्यक्रम में कुल 3 पाठ शामिल हैं।
कोड गुणवत्ता के लिए LLM
Large Language Models (LLM) केवल नया कोड उत्पन्न करने के लिए ही नहीं हैं; वे मौजूदा कोड को बेहतर बनाने में भी शक्तिशाली सहायक हैं। उन्हें अपना बुद्धिमान कोड समीक्षक समझिए!
इस पाठ में हम जानेंगे कि LLM आपकी किस प्रकार सहायता कर सकते हैं:
- आपके कोड में त्रुटियों की पहचान करके उन्हें ठीक करना।
- कोड पुनर्गठन के लिए सुधार सुझाना।
- बेहतर कार्यक्षमता और पठनीयता के लिए आपके कोड को अनुकूलित करना।
कृत्रिम बुद्धिमत्ता से त्रुटि-निवारण: त्रुटियां पकड़ना
त्रुटि-निवारण सॉफ़्टवेयर में त्रुटियों को खोजने और ठीक करने की प्रक्रिया है। इसमें काफी समय लग सकता है।
LLM निम्नलिखित तरीकों से त्रुटि-निवारण की गति काफी बढ़ा सकते हैं:
- सामान्य गलतियों के लिए कोड का विश्लेषण करना।
- त्रुटियों के सटीक स्थानों की पहचान करना।
- ठोस समाधान और सुधारा हुआ कोड सुझाना।
आइए, एक उदाहरण देखते हैं।
आपका पहला त्रुटि-निवारण प्रॉम्प्ट
कल्पना कीजिए कि आपके पास एक पाइथन फ़ंक्शन है, जिसे किसी सूची में मौजूद संख्याओं का योग करना चाहिए, लेकिन वह सही ढंग से काम नहीं कर रहा है। आप किसी LLM को त्रुटि खोजने के लिए प्रॉम्प्ट दे सकते हैं।
यहाँ एक त्रुटिपूर्ण पाइथन फ़ंक्शन है। क्या आप त्रुटि पहचान सकते हैं?
def calculate_sum(numbers):
total = 0
for num in numbers:
total + num # This line is the bug!
return total
my_list = [1, 2, 3]
print(f"The sum is: {calculate_sum(my_list)}")LMM की त्रुटि-निवारण संबंधी अंतर्दृष्टि
यदि आपने पिछले कोड को LLM को इस तरह के प्रॉम्प्ट के साथ दिया होता: "इस पाइथन फ़ंक्शन में त्रुटि ढूंढिए और समझाइए कि उसे कैसे ठीक करें," तो वह समस्या की सही पहचान कर लेता।
त्रुटि यह है कि total + num किसी मान की गणना करता है, लेकिन उस मान को वापस total में निर्दिष्ट नहीं करता। यहाँ सुधारा हुआ कोड है:
def calculate_sum(numbers):
total = 0
for num in numbers:
total = total + num # Corrected assignment
return total
my_list = [1, 2, 3]
print(f"The sum is: {calculate_sum(my_list)}")LLM से कोड पुनर्गठन: साफ़-सुथरा कोड
कोड पुनर्गठन बाहरी व्यवहार बदले बिना मौजूदा कंप्यूटर कोड की संरचना बदलने की प्रक्रिया है। यह अपने कमरे को व्यवस्थित करने जैसा है, जिसमें कोई भी फ़र्नीचर इधर-उधर नहीं किया जाता!
कोड पुनर्गठन के मुख्य लक्ष्य निम्नलिखित में सुधार करना हैं:
- पठनीयता: कोड को समझना आसान बनाना।
- रखरखाव-योग्यता: भविष्य के अपडेट और बदलावों को सरल बनाना।
- दक्षता: कभी-कभी कोड को तेज़ी से चलाना, हालाँकि यह इसका प्राथमिक लक्ष्य नहीं है।
बुनियादी कोड-पुनर्गठन प्रॉम्प्ट
LLM आपके कोड को अधिक संक्षिप्त और पाइथन-शैली का बनाने के तरीके सुझा सकते हैं, यानी पाइथन की सर्वोत्तम प्रथाओं का पालन करने वाले तरीके।
इस फ़ंक्शन पर विचार कीजिए, जो एक सूची को संसाधित करता है। यह काम करता है, लेकिन क्या इसे और साफ़-सुथरा बनाया जा सकता है?
def process_positive_squares(data_items):
result_list = []
for item in data_items:
if item > 0:
squared_val = item * item
result_list.append(squared_val)
return result_list
numbers = [1, -2, 3, -4, 5]
print(f"Processed list: {process_positive_squares(numbers)}")अधिक साफ़-सुथरा संस्करण
"बेहतर पठनीयता और संक्षिप्तता के लिए इस पाइथन फ़ंक्शन का पुनर्गठन कीजिए और सूची-संक्षेपण का उपयोग कीजिए" जैसे प्रॉम्प्ट पर LLM यह सुझाव दे सकता है:
सूची-संक्षेपण किसी मौजूदा अनुक्रम से नई सूची बनाने का एक संक्षिप्त तरीका है।
def process_positive_squares(data_items):
# Using a list comprehension for conciseness
return [item * item for item in data_items if item > 0]
numbers = [1, -2, 3, -4, 5]
print(f"Processed list: {process_positive_squares(numbers)}")LLM से कोड का अनुकूलन
पठनीयता के अलावा, LLM आपके कोड की बेहतर कार्यक्षमता के लिए उसे अनुकूलित करने के तरीके भी सुझा सकते हैं। इसमें अक्सर स्वयं बनाए गए लूप को अंतर्निहित फ़ंक्शन या अधिक कार्यकुशल कलनविधियों से बदलना शामिल होता है।
यहाँ किसी अक्षर की पहली उपस्थिति खोजने वाला एक फ़ंक्शन है। यह काम करता है, लेकिन पाइथन में इसका एक अधिक अनुकूलित तरीका है।
def find_char_manually(text, char):
for i in range(len(text)):
if text[i] == char:
return i
return -1
my_string = "hello world"
print(f"'o' found at index: {find_char_manually(my_string, 'o')}")अंतर्निहित फ़ंक्शनों का लाभ उठाना
यहाँ एक अच्छा प्रॉम्प्ट होगा: "किसी अक्षर की पहली उपस्थिति खोजने वाले इस पाइथन फ़ंक्शन को मैं कैसे अनुकूलित कर सकता हूँ?"
LLM संभवतः पाइथन की अत्यधिक अनुकूलित अंतर्निहित स्ट्रिंग विधियों की ओर संकेत करेगा, जैसे .find()।
def find_char_optimized(text, char):
# Using the built-in string find method, which is highly optimized
return text.find(char)
my_string = "hello world"
print(f"'o' found at index: {find_char_optimized(my_string, 'o')}")त्वरित जाँच
प्रभावी कोड सुधार के लिए त्रुटि-निवारण और कोड पुनर्गठन के बीच का अंतर समझना महत्वपूर्ण है।
पुनरावलोकन: आपका कृत्रिम बुद्धिमत्ता कोड सहायक
इस पाठ में हमने जाना कि LLM आपकी कोड गुणवत्ता बढ़ाने के लिए कितने उपयोगी उपकरण हो सकते हैं।
- त्रुटि-निवारण: LLM जल्दी से त्रुटियों की पहचान कर सकते हैं, उन्हें समझा सकते हैं और सुधार सुझा सकते हैं, जिससे आपका समय बचता है।
- कोड पुनर्गठन: LLM कोड की संरचना, पठनीयता और रखरखाव-योग्यता सुधारने में सहायता करते हैं, अक्सर कोड लिखने के अधिक संक्षिप्त या पाइथन-शैली वाले तरीके सुझाकर।
- अनुकूलन: वे कार्यक्षमता की अड़चनों की ओर भी संकेत कर सकते हैं और अधिक कार्यकुशल तरीके सुझा सकते हैं।
अपने कृत्रिम बुद्धिमत्ता कोड सहायक से सर्वोत्तम परिणाम पाने के लिए स्पष्ट और विशिष्ट प्रॉम्प्ट तैयार करना याद रखें!
एआई शिक्षक के साथ AI प्रॉम्प्ट इंजीनियरिंग सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 53
- पाठ
- 199
अक्सर पूछे जाने वाले प्रश्न
क्या “डिबगिंग और पुनर्संरचना प्रॉम्प्ट” पाठ निःशुल्क है?
हाँ — AI प्रॉम्प्ट इंजीनियरिंग अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “डिबगिंग और पुनर्संरचना प्रॉम्प्ट” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। AI प्रॉम्प्ट इंजीनियरिंग पाठ्यक्रम में कुल 3 पाठ शामिल हैं।
“डिबगिंग और पुनर्संरचना प्रॉम्प्ट” में मैं क्या सीखूँगा?
मौजूदा कोड में बग पहचानने और पुनर्संरचना तथा अनुकूलन के लिए सुधार सुझाने हेतु LLM का उपयोग कीजिए। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ AI प्रॉम्प्ट इंजीनियरिंग का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या AI प्रॉम्प्ट इंजीनियरिंग शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर AI प्रॉम्प्ट इंजीनियरिंग शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 3 में से 2वाँ पाठ है।
“डिबगिंग और पुनर्संरचना प्रॉम्प्ट” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस AI प्रॉम्प्ट इंजीनियरिंग पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर AI प्रॉम्प्ट इंजीनियरिंग पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- LLM से कोड बनाना
- डिबगिंग और पुनर्संरचना प्रॉम्प्ट
- IDE में LLM का एकीकरण