AI Prompt Engineering · Lekcja

Generowanie kodu za pomocą LLM

Twórz prompty do generowania fragmentów kodu, funkcji lub całych skryptów w różnych językach programowania.

Generowanie kodu za pomocą LLM to bezpłatna lekcja AI Prompt Engineering na CoddyKit. To lekcja 1 z 3. 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 AI Prompt Engineering, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Prompt Engineering zawiera 3 lekcji w sumie.

Generowanie kodu za pomocą LLM

Witamy w świecie generowania kodu za pomocą dużych modeli językowych (LLM)! W tej lekcji omówiono, jak wykorzystać LLM do pisania kodu.

LLM mogą generować fragmenty kodu, funkcje, a nawet kompletne programy na podstawie opisów w języku naturalnym. Może to znacznie przyspieszyć programowanie, zautomatyzować tworzenie kodu szablonowego i ułatwić naukę nowej składni.

Proste fragmenty kodu

Zacznijmy od podstawowego żądania. Można poprosić LLM o wygenerowanie niewielkiego fragmentu kodu do konkretnego zadania. Zawsze należy jasno określić swoje oczekiwania!

Proszę uruchomić ten prosty przykład w języku Python:

# main.py
def greet_user(name):
    return f"Hello, {name}!"

if __name__ == "__main__":
    message = greet_user("CoddyKit Learner")
    print(message)

Określenie języka programowania

Kluczowe znaczenie ma jednoznaczne wskazanie wybranego języka programowania. LLM są wielojęzyczne, dlatego naprowadzenie ich na właściwą składnię ma zasadnicze znaczenie.

Oto sposób, aby poprosić o prostą metodę w języku Java:

// Main.java
public class Main {
  // This method calculates the square of a number
  public static int square(int num) {
    return num * num;
  }

  public static void main(String[] args) {
    int result = square(5);
    System.out.println("Square of 5 is: " + result);
  }
}

Generowanie funkcji

Oprócz fragmentów kodu można również poprosić LLM o wygenerowanie całych funkcji. Należy opisać przeznaczenie funkcji, jej dane wejściowe oraz to, co powinna zwracać.

Wygenerujmy funkcję w języku Python, która sprawdza, czy dana liczba jest pierwsza:

# main.py
def is_prime(number):
    if number < 2:
        return False
    for i in range(2, int(number**0.5) + 1):
        if number % i == 0:
            return False
    return True

if __name__ == "__main__":
    print(f"Is 7 prime? {is_prime(7)}")
    print(f"Is 10 prime? {is_prime(10)}")

Dodawanie konkretnych ograniczeń

Aby uzyskać bardziej precyzyjny kod, należy dodać ograniczenia. Mogą one dotyczyć typów danych wejściowych i wyjściowych, obsługi błędów, konkretnych algorytmów lub wymagań dotyczących wydajności.

Oto funkcja w języku Python, która zawiera podstawową obsługę błędów podczas dzielenia:

# main.py
def safe_divide(numerator, denominator):
    if denominator == 0:
        return "Error: Cannot divide by zero!"
    return numerator / denominator

if __name__ == "__main__":
    print(f"10 / 2 = {safe_divide(10, 2)}")
    print(f"5 / 0 = {safe_divide(5, 0)}")

Generowanie kompletnych programów

LLM mogą nawet generować kompletne, gotowe do uruchomienia programy. Należy podać wyczerpujący opis przeznaczenia programu, jego funkcji oraz oczekiwanych wyników.

Spróbujmy wygenerować prosty program w języku Java, który oblicza pole prostokąta:

// Main.java
public class Main {
  public static void main(String[] args) {
    // Define rectangle dimensions
    double length = 10.5;
    double width = 4.0;

    // Calculate area
    double area = length * width;

    // Print the result
    System.out.println("Rectangle Length: " + length);
    System.out.println("Rectangle Width: " + width);
    System.out.println("Area: " + area);
  }
}

Formułowanie skutecznych promptów

Aby uzyskać najlepszy kod, należy pamiętać o następujących wskazówkach:

Precyzja: Należy jasno określić język, zadanie i oczekiwany format wyniku.
Kontekst: Należy wyjaśnić problem, który ma rozwiązać kod.
Przykłady: Jeśli to możliwe, należy podać przykłady danych wejściowych i wyjściowych.
Ograniczenia: Należy określić obsługę błędów, wymagania dotyczące wydajności lub konkretne biblioteki.
Iteracyjne udoskonalanie: Jeśli pierwsza próba nie jest idealna, należy udoskonalić prompt.

Udoskonalanie wygenerowanego kodu

Pierwszy fragment kodu wygenerowany przez LLM często nie jest dokładnie tym, czego Państwo potrzebują. Nie należy się tym martwić!

Za pomocą kolejnych promptów można udoskonalać, modyfikować lub rozszerzać kod. Można na przykład poprosić LLM o:

"Dodaj komentarze do tego kodu."
"Zmień tę funkcję tak, aby zamiast pętli for używała pętli while."
"Zwiększ wydajność tego kodu."
"Uwzględnij przypadki brzegowe dla ujemnych danych wejściowych."

Przegląd wygenerowanego kodu

Choć LLM są potężnymi narzędziami, wygenerowany kod nie zawsze jest idealny. Zawsze należy traktować go jako punkt wyjścia, a nie ostateczne rozwiązanie.

Weryfikacja poprawności: Należy dokładnie przetestować kod.
Kontrola bezpieczeństwa: LLM mogą czasami generować niebezpieczny kod.
Zrozumienie kodu: Nie należy używać kodu, którego się nie rozumie.
Optymalizacja: Należy szukać możliwości poprawy wydajności lub czytelności.

Państwa wiedza i doświadczenie nadal są niezbędne!

Quiz z generowania kodu

Które z poniższych praktyk mają kluczowe znaczenie podczas generowania wysokiej jakości kodu za pomocą LLM?

Podsumowanie lekcji

W tej lekcji omówiono generowanie kodu za pomocą LLM:

Nauczyliśmy się formułować prompty dotyczące prostych fragmentów kodu, funkcji i całych programów.
Podkreśliliśmy znaczenie określenia języka oraz dodawania ograniczeń.
Omówiliśmy najlepsze praktyki formułowania skutecznych promptów.
Przedstawiliśmy proces iteracyjnego udoskonalania oraz konieczność przeglądania wygenerowanego kodu.

Należy dalej ćwiczyć, aby opanować sztukę generowania kodu!

Często zadawane pytania

Czy lekcja „Generowanie kodu za pomocą LLM” jest bezpłatna?

Tak — pełny tekst „Generowanie kodu za pomocą LLM” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Prompt Engineering, przejdź na CoddyKit PRO. Kurs AI Prompt Engineering zawiera 3 lekcji w sumie.

Co nauczysz się w „Generowanie kodu za pomocą LLM”?

Twórz prompty do generowania fragmentów kodu, funkcji lub całych skryptów w różnych językach programowania. Ćwiczysz AI Prompt Engineering 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 AI Prompt Engineering?

Nie wymagamy żadnego doświadczenia. AI Prompt Engineering 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 3.

Ile czasu zajmuje lekcja „Generowanie kodu za pomocą LLM”?

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 AI Prompt Engineering?

Tak. Każda lekcja AI Prompt Engineering 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

← Powrót do AI Prompt Engineering