Prompt untuk Debug dan Refaktor
Manfaatkan LLM untuk mengidentifikasi bug dalam kode yang ada serta menyarankan perbaikan untuk refaktor dan optimalisasi.
Prompt untuk Debug dan Refaktor adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 2 dari 3. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Prompt Engineering, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Prompt Engineering mencakup 3 pelajaran total.
LLM untuk Kualitas Kode
Large Language Models (LLM) bukan hanya untuk menghasilkan kode baru; LLM juga merupakan asisten ampuh untuk menyempurnakan kode yang sudah ada. Anggaplah LLM sebagai peninjau kode cerdas Anda!
Dalam pelajaran ini, kita akan membahas cara LLM membantu Anda:
- Mengidentifikasi dan memperbaiki kesalahan dalam kode.
- Menyarankan perbaikan untuk pemfaktoran ulang.
- Mengoptimalkan kode agar memiliki kinerja dan keterbacaan yang lebih baik.
Menelusuri Kesalahan dengan AI: Menemukan Bug
Penelusuran kesalahan adalah proses menemukan dan memperbaiki kesalahan (bug) dalam perangkat lunak. Tugas ini dapat memakan banyak waktu.
LLM dapat mempercepat penelusuran kesalahan secara signifikan dengan:
- Menganalisis kode untuk menemukan kesalahan umum.
- Menunjukkan lokasi kesalahan secara tepat.
- Menyarankan solusi konkret dan kode yang telah diperbaiki.
Mari lihat contohnya.
Perintah Penelusuran Kesalahan Pertama Anda
Bayangkan Anda memiliki fungsi Python yang seharusnya menjumlahkan bilangan dalam sebuah daftar, tetapi tidak bekerja dengan benar. Anda dapat meminta LLM menemukan bug tersebut.
Berikut fungsi Python yang memiliki bug. Dapatkah Anda menemukan kesalahannya?
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)}")Wawasan LLM tentang Penelusuran Kesalahan
Jika Anda memberikan kode sebelumnya kepada LLM dengan perintah seperti "Temukan bug dalam fungsi Python ini dan jelaskan cara memperbaikinya,", LLM akan mengidentifikasi masalah tersebut dengan benar.
Bug-nya adalah total + num menghitung suatu nilai, tetapi tidak menetapkan nilai tersebut kembali ke total. Berikut kode yang telah diperbaiki:
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)}")Pemfaktoran Ulang dengan LLM: Kode Bersih
Pemfaktoran ulang adalah proses menyusun ulang kode komputer yang sudah ada tanpa mengubah perilaku eksternalnya. Ini seperti merapikan kamar tanpa memindahkan perabot apa pun!
Tujuan utama pemfaktoran ulang adalah meningkatkan:
- Keterbacaan: Membuat kode lebih mudah dipahami.
- Kemudahan Pemeliharaan: Menyederhanakan pembaruan dan perubahan di masa mendatang.
- Efisiensi: Terkadang membuat kode berjalan lebih cepat, meskipun itu bukan tujuan utamanya.
Perintah Pemfaktoran Ulang Dasar
LLM dapat menyarankan cara membuat kode Anda lebih ringkas dan lebih sesuai dengan gaya Python (mengikuti praktik terbaik Python).
Perhatikan fungsi yang memproses sebuah daftar berikut. Fungsi ini bekerja, tetapi mungkinkah dibuat lebih rapi?
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)}")Versi yang Lebih Rapi
Dengan perintah seperti "Faktorkan ulang fungsi Python ini agar lebih mudah dibaca dan ringkas, menggunakan pemahaman daftar," LLM mungkin menyarankan kode berikut:
Pemahaman daftar adalah cara ringkas untuk membuat daftar baru dari urutan yang sudah ada.
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)}")Mengoptimalkan Kode dengan LLM
Selain meningkatkan keterbacaan, LLM juga dapat menyarankan cara mengoptimalkan kode agar memiliki kinerja yang lebih baik. Hal ini sering dilakukan dengan mengganti perulangan khusus menggunakan fungsi bawaan atau algoritme yang lebih efisien.
Berikut fungsi untuk menemukan kemunculan pertama suatu karakter. Fungsi ini bekerja, tetapi ada cara yang lebih optimal di Python.
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')}")Memanfaatkan Fungsi Bawaan
Perintah yang baik untuk situasi ini adalah: "Bagaimana cara mengoptimalkan fungsi Python ini untuk menemukan kemunculan pertama suatu karakter?"
LLM kemungkinan akan menunjuk ke metode string bawaan Python yang sangat dioptimalkan, seperti .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')}")Pemeriksaan Singkat
Memahami perbedaan antara penelusuran kesalahan dan pemfaktoran ulang merupakan kunci untuk meningkatkan kode secara efektif.
Rangkuman: Asisten Kode AI Anda
Dalam pelajaran ini, kita menemukan cara LLM menjadi alat yang sangat berharga untuk meningkatkan kualitas kode Anda.
- Penelusuran Kesalahan: LLM dapat dengan cepat mengidentifikasi kesalahan, menjelaskannya, dan menyarankan perbaikan sehingga menghemat waktu Anda.
- Pemfaktoran Ulang: LLM membantu meningkatkan struktur, keterbacaan, dan kemudahan pemeliharaan kode, sering kali dengan menyarankan cara penulisan kode yang lebih ringkas atau lebih sesuai dengan gaya Python.
- Optimalisasi: LLM juga dapat menunjukkan hambatan kinerja dan menyarankan pendekatan yang lebih efisien.
Ingatlah untuk merancang perintah yang jelas dan spesifik agar mendapatkan hasil terbaik dari asisten kode AI Anda!
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Prompt untuk Debug dan Refaktor” gratis?
Ya — teks lengkap “Prompt untuk Debug dan Refaktor” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Prompt Engineering, upgrade ke CoddyKit PRO. Kursus AI Prompt Engineering mencakup 3 pelajaran total.
Apa yang akan aku pelajari di “Prompt untuk Debug dan Refaktor”?
Manfaatkan LLM untuk mengidentifikasi bug dalam kode yang ada serta menyarankan perbaikan untuk refaktor dan optimalisasi. Kamu berlatih AI Prompt Engineering dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Prompt Engineering?
Tidak diperlukan pengalaman sebelumnya. AI Prompt Engineering di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 3.
Berapa lama pelajaran “Prompt untuk Debug dan Refaktor” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Prompt Engineering ini?
Ya. Setiap pelajaran AI Prompt Engineering menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Membuat Kode dengan LLM
- Prompt untuk Debug dan Refaktor
- Mengintegrasikan LLM ke IDE