Prompt Engineering & LLM Optimization for Developers · Lekcja

Generowanie i refaktoryzacja kodu

Wykorzystają Państwo LLM-y do generowania fragmentów kodu, refaktoryzacji istniejącego kodu i automatyzowania powtarzalnych zadań programistycznych w różnych językach.

Generowanie i refaktoryzacja kodu to bezpłatna lekcja Prompt Engineering & LLM Optimization for Developers na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Prompt Engineering & LLM Optimization for Developers, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Prompt Engineering & LLM Optimization for Developers zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Code Gen: Your AI Assistant

Welcome to Code Generation & Refactoring! In this lesson, we'll explore how Large Language Models (LLMs) can act as powerful coding assistants.

Code generation is using AI to automatically create code snippets, functions, or even full programs. This can drastically speed up development and help reduce common errors.

Generating Simple Functions

LLMs can quickly produce functional code based on a clear request. Let's see how we might generate a basic Python function to calculate the factorial of a number.

Try running this example:

def factorial(n):
    if n == 0:
        return 1
    else:
        return n * factorial(n-1)

# Example usage:
result = factorial(5)
print(f"Factorial of 5 is: {result}")

Boilerplate & Structure

LLMs excel at generating boilerplate code – the standard, often repetitive parts of a program. This could be a basic class structure, a configuration setup, or a simple data model.

Generating boilerplate helps kickstart new components and ensures consistency. Here's a simple Java class an LLM could generate:

public class User {
    private String name;
    private int age;

    public User(String name, int age) {
        this.name = name;
        this.age = age;
    }

    public String getName() {
        return name;
    }

    public int getAge() {
        return age;
    }

    public static void main(String[] args) {
        User user1 = new User("Alice", 30);
        System.out.println("User: " + user1.getName() + ", Age: " + user1.getAge());
    }
}

Refactoring with LLMs

Refactoring means improving code's internal structure without changing its external behavior. It makes code easier to understand, maintain, and extend.

LLMs can help identify "code smells" (signs of poor design) and suggest improvements. Common smells include:

Long Methods: Functions with too many lines.
Duplicate Code: Same code blocks appearing in multiple places.
Large Classes: Classes doing too many things.

Refactoring: Extract Method

One common refactoring is "Extract Method." If a part of your code performs a distinct job, you can move it into its own function. This makes the original method shorter and clearer.

An LLM can assist in isolating and extracting such blocks. Here's a simple example:

def calculate_final_price(item_price, quantity, discount_rate):
    total_price = item_price * quantity
    discount = total_price * discount_rate
    return total_price - discount

# Example usage:
item_p = 100
qty = 2
disc_rate = 0.10
final = calculate_final_price(item_p, qty, disc_rate)
print(f"Final price: ${final}")

Refactoring: Renaming for Clarity

Clear names for variables, functions, and classes are vital for readable code. LLMs can suggest more descriptive names to improve understanding and maintainability.

This refactoring often seems small but has a significant impact on how easily others (or your future self!) can understand the code.

def calc_area(r): # 'r' is not very clear
    PI = 3.14159
    return PI * r * r

# Refactored with LLM help:
def calculate_circle_area(radius): # 'radius' is much clearer!
    PI = 3.14159
    return PI * radius * radius

# Example usage:
circle_radius = 7
area = calculate_circle_area(circle_radius)
print(f"Area of circle with radius {circle_radius}: {area}")

Automating Utility Scripts

LLMs can generate small utility scripts for common development tasks. Imagine needing a script to count words, process logs, or convert data formats.

Instead of writing it from scratch, you can prompt an LLM. Here's a basic Python script an LLM could generate to count words in a string:

def count_words(text):
    words = text.split()
    return len(words)

# Example usage:
sample_text = "This is a sample sentence to count words."
word_count = count_words(sample_text)
print(f"The text has {word_count} words.")

Generating Data Structures

For applications handling structured data, you often need data classes or Data Transfer Objects (DTOs). These are simple classes primarily holding data.

LLMs can generate these classes for you, saving time when you have a schema (like a JSON structure) and need to convert it into code in your chosen language.

class Product:
    def __init__(self, name, price, quantity):
        self.name = name
        self.price = price
        self.quantity = quantity

    def display_info(self):
        print(f"Product: {self.name}")
        print(f"Price: ${self.price:.2f}")
        print(f"Quantity: {self.quantity}")

# Example usage:
laptop = Product("Laptop Pro", 1200.50, 1)
laptop.display_info()

Tips & LLM Limits

While powerful, LLMs aren't perfect code generators. Keep these tips and limitations in mind:

Be Specific: The clearer your prompt, the better the code.
Review Code: Always check generated code for correctness, security, and efficiency.
Context Matters: LLMs don't understand your entire codebase. Provide necessary context for refactoring.
Complex Logic: LLMs can struggle with highly complex algorithms or nuanced architectural decisions.
Hallucinations: They might generate plausible-looking but incorrect or non-existent code.

Check Your Understanding

Let's test your knowledge about using LLMs for code generation and refactoring tasks.

Lesson Summary

In this lesson, you learned how LLMs can assist with code generation and refactoring. We covered:

Generating basic functions and boilerplate code.
Using LLMs to help identify and perform simple code refactorings like "Extract Method" and "Rename."
Automating repetitive coding tasks like script and data class generation.
Important best practices and current limitations when relying on LLMs for code.

Keep practicing to integrate these powerful tools into your development workflow!

Często zadawane pytania

Czy lekcja „Generowanie i refaktoryzacja kodu” jest bezpłatna?

Tak — pełny tekst „Generowanie i refaktoryzacja kodu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Prompt Engineering & LLM Optimization for Developers, przejdź na CoddyKit PRO. Kurs Prompt Engineering & LLM Optimization for Developers zawiera 4 lekcji w sumie.

Co nauczysz się w „Generowanie i refaktoryzacja kodu”?

Wykorzystają Państwo LLM-y do generowania fragmentów kodu, refaktoryzacji istniejącego kodu i automatyzowania powtarzalnych zadań programistycznych w różnych językach. Ćwiczysz Prompt Engineering & LLM Optimization for Developers z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Prompt Engineering & LLM Optimization for Developers?

Nie wymagamy żadnego doświadczenia. Prompt Engineering & LLM Optimization for Developers w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Generowanie i refaktoryzacja kodu”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Prompt Engineering & LLM Optimization for Developers?

Tak. Każda lekcja Prompt Engineering & LLM Optimization for Developers zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Generowanie i refaktoryzacja kodu
Debugowanie i generowanie przypadków testowych
Ekstrakcja danych i podsumowywanie
Generowanie zapytań SQL z języka naturalnego

← Powrót do Prompt Engineering & LLM Optimization for Developers