【AI 大模型】使用 AI 大模型编程 ① ( AI 编程简介 | 使用 GitHub Copilot 插件进行 AI 编程 | 使用对话方式进行 AI 编程 )

文章目录

一、AI 编程简介
二、使用 GitHub Copilot 插件进行 AI 编程
三、使用对话方式进行 AI 编程
- 1、对话式 AI 编程提示词
- 2、对话式 AI 编程示例

一、AI 编程简介

1、GPT 大模型可替代的工作特点 - " 输入文本 -> 输出文本 "

GPT 大模型可替代的工作都有如下特点 : " 输入类型是文本 , 输出类型也是文本 " ;

翻译工作 : 输入中文 , 输出英文 ;
法律工作 : 输入案件 , 输出文件 ;
公文工作 : 输入需求 , 输出文本 ;
程序员工作 : 输入需求 , 输出代码 ;

凡是输入文本输出文本的工作 , 都可以使用 GPT 大模型提升工作效率 , 逐渐被替代部分工作 , 甚至全部工作 ;

后期所有的 " 输入文本 -> 输出文本 " 的相关工作可能只需要一个精通 GPT 大模型 + 精通业务的专业人员替代现有的 10 个岗位 ;

如 : 使用大模型的程序员替代 10 个初级程序员岗位 ;

这个替代工作 , 可能会在几年到十几年之间 , 逐渐生效 ;

简单的劳动 , 也有被替代的趋势 , 如 : 开车 , 送外卖等 , 都有相关的自动驾驶替代方案 ;

2、大模型的编程能力

在训练大模型的编程相关能力时有如下特点 :

数据质量高 : 近几十年中 , 程序员们产出了大量高质量代码和相关的技术资料 ;
输出结果可衡量 : 大模型写出一段代码 , 是否能运行并且得到正确的结果 , 是可验证的 ;
代码没有歧义 : 代码的只有一种逻辑 , 完全没有二义性 , 没有歧义 ;

训练编程能力时 , 由于有上述特性 , 因此大模型的编程能力很强 , 远超过其它领域 ;

AI 大模型可以应用于各种领域 , 但是其 " 编程能力 " 几乎是最强的 , 几乎可以到达替代程序员的程度 ,

编程能力是大模型各项能力中最强的 , 在其它领域只能起到辅助作用 , 还离不开人的主导作用 ;

3、GPT 大模型进行编程工作的优缺点

GPT 大模型进行编程工作的优势 :

技术面广 : GPT 大模型懂所有的语言 , 所有的技术栈 ;
速度快 : GPT 大模型可以根据输入的描述或者部分代码 , 快速生成合理的代码片段 ;
代码质量高 : 生成代码时通常会遵循常见的编程语法和结构 , 这有助于减少语法错误和基本结构问题 ;
减少重复任务 : 对于常见的编程任务和模式 , 如 : 常见的排序算法 , 数学计算算法 , 大模型可以生成标准化的代码 , 减少开发人员的重复性工作量 ;

GPT 大模型编写代码的缺点 :

复杂逻辑需要拆解组装 : 如果给 GPT 一个很复杂的需求 , 里面是黑箱操作 , 基本出错概率很高 , 需要使用者自己将复杂需求拆解成小任务 , 然后自己组装起来 ;
验证正确性 : AI 写出来的代码 , 需要专业人员进行验证 , 否则不知道是否正确 ;
安全性漏洞 : GPT 主要基于训练数据中的模式和结构生成文本 , 生成的代码可能存在安全漏洞或者不完整的部分 , 出错的代码直接舍弃即可 , 就怕运行结果部分出错的情况 , 很难排查 ;
细节优化不足 : 针对特定的软件或硬件进行优化 , 如 : 内存优化 , 电量优化 , 加载优化 , 大模型可能无法写出领域分的很细 , 用途很偏的代码 ;

4、AI 编程技巧

AI 编程技巧 :

大模型搜索效率高 : 有问题 , 先问大模型 , 大模型搞不定再去查资料 ; 大模型的搜索效率要远高于搜索引擎 ;
提示词可以是一个文档 : 可以把几千行代码 , 报错信息 , 几千上万字的文本直接作为提示词输入到 ChatGPT 中 , 大概率可以给出具体的解决方案 ;
多轮对话不能提升代码质量 : 多轮对话一般不会提升输出代码的质量 , 反而是引入更多的问题 , 对话不要超过 5 次 , 如果超过再开启一个新的对话 ;

5、提示工程应用于 AI 编程

在之前的提示工程系列博客中

介绍过的提示词技巧 , 如 :

中英文语言切换 ;
思维链
自洽性
思维树
提示词迭代调优
提示词权重

等提示词技巧 , 在 AI 编程中都可以使用 ;

6、AI 编程的适用场景

AI 编程的适用场景 :

懂技术 , 不想写代码 : 将繁琐 / 重复性的工作 , 让 AI 来完成 , 程序员只进行代码审查和测试 ;
- 重复工作 : 代码是重复性的 , 比如创建一张数据表 , 进行增删查改 ;
- 繁琐工作 : 代码逻辑很复杂 , 需要思考推演很多东西才能将代码写出来 ;
初学者 , 辅助学习 : 代码初学者 , 或者初级程序员 , 在学习时 , 可以使用 AI 编程进行辅助 , 小心别被 AI 埋坑里 ;

完全不懂代码 , 不能碰 AI 编程 , 无法靠 AI 编程实现任何软件开发任务 ;

二、使用 GitHub Copilot 插件进行 AI 编程

1、GitHub Copilot 简介

GitHub Copilot 是一个补全式编程大模型 , 是 AI 编程领域使最好用的工具 ;

使用效果 : GitHub Copilot 可以提高工作效率 50% 以上 , 使用该工具后 , 有一半的代码都由该工具完成 ;
支持的平台 : GitHub Copilot 只能在 PyCharm 和 Visual Studio Code 开发环境中安装插件使用 ;
可实现的功能 : 补全代码 , 补全注释 , 根据注释生成代码 ;
- 补全代码 : 函数定义 , 类定义 , 条件 / 选择 / 循环语句之后 , 会自动将后面的代码生成出来 ;
- 补全注释 : 代码写完后 , 可以在预留的位置自动生成代码对应的注释 , 生成的注释文档会相当标准 ;
- 根据注释生成代码 : 可以只编写注释 , 让 GitHub Copilot 自动生成注释对应的代码 , 这个功能不太好用 ;
- 参考旧代码 : 如果想要生成本公司的专有 API 相关代码 , 可以在环境中打开该旧代码 , 将代码文件展示在代码的 tab 中 , GitHub Copilot 会自动参考已打开的代码 , 相当于把打开的代码放入了提示词中 ;
实现原理 :
- 基于的大模型 : GitHub Copilot 基于 GPT 3.5 和 GPT 4 ;
- GitHub Copilot 的原理是将当前文档的代码和注释以及程序员额外输出的提示词 , 放在一起 , 组合成一个由代码 + 注释 + 输入提示词组成的超长提示词 , 基于该超长的提示词进行代码生成 , 提示词内容包含如下部分 :
  - 当前的光标位置的前后代码片段 ;
  - tab 中 , 所有打开的代码片段 , 每隔 60 行切割成一段代码 ;
  - 选中的代码片段 , 使用注释将这个片段注释起来 , 放入提示词中 ;
- 要输入几万行代码作为提示词 , 消耗的 token 肯定不会少 , 费用也不低 ;
- 应该是在服务器端专门为指定的付费用户建立指定的代码库 , 作为参考 , 代码有泄漏风险 ;
使用前提 : 全局**必须挂上 , 否则无法使用 ;
官网地址 : https://github.com/features/copilot
软件费用 : 个人使用 , 每月 60 块钱 ;
GitHub Copilot 用法展示 :
- 在下面的 PyCharm 环境中 , 安装了 GitHub Copilot 插件 ;
- 写完一段代码后 , 会自动生成后续代码 ;
- 选中部分代码后 , 输入提示词 , 会自动将选中的代码 + 提示词作为新的提示词进行对话 ;

2、GitHub Copilot 软件购买

GitHub Copilot 软件购买 :

注册 GitHub 账号 : 注册 GitHub 账号 , 在 https://github.com/features/copilot 登录账号 ;
购买软件 : 在 https://github.com/features/copilot/plans 页面购买软件 , 买 10 美元的个人版就行 ;

目前可以免费试用 30 天 ;