Einführung

Eine effektive Codegenerierung h?ngt von der Beherrschung des Prompt Engineering ab. Gut gestaltete Eingabeaufforderungen unterstützen Large Language Models (LLMs) bei der Generierung, Verbesserung und Optimierung von Anwendungscode. In diesem Leitfaden werden 15 bew?hrte Aufforderungstechniken untersucht, die in die Kategorien Wurzeltechnik, Verfeinerungstechnik, Zerlegungstechnik, Begründungstechnik und Grundierung eingeteilt sind. Wir veranschaulichen jedes anhand einer einfachen Flask-Webanwendung, beginnend mit einer einfachen ?Hello World“-App und erweitern diese schrittweise.

Forschungsnotiz: Wir haben aixrv.org zu neuen Aufforderungstechniken konsultiert. Zum Zeitpunkt des Schreibens wurden keine neuen Ans?tze identifiziert, die über die hier vorgestellten hinausgehen. Da sich das Thema ?Prompt Engineering“ jedoch schnell weiterentwickelt, wird eine kontinuierliche überwachung empfohlen.

1. Root-Techniken

Diese grundlegenden Eingabeaufforderungsmethoden bieten unkomplizierte Pfade zu einfachen Codeausgaben.

1.1. Direkte Anweisungsaufforderung

• übersicht:Ein pr?gnanter Befehl ohne zus?tzliche Details.

• Eingabeaufforderungsbeispiel: ?Erstellen Sie eine minimale Python-Flask-App, die ?Hello World!“ anzeigt. unter der Stamm-URL."

• Generierter Code (konzeptionell): (Hier würde ein Codeausschnitt ?hnlich dem ursprünglichen Beispiel erscheinen)

• Warum es funktioniert: Ausreichend für kleinere Aufgaben. Bietet eine Grundlage für sp?tere Verbesserungen.

1.2. Abfragebasierte Eingabeaufforderung

• übersicht:Stellen einer Frage, um eine erkl?rende Antwort und/oder einen Code zu erhalten.

• Eingabeaufforderungsbeispiel: ?Wie erstelle ich eine einfache Flask-App, die ?Hallo Welt!“ zurückgibt? auf der Startseite?"

• Generierte Antwort (konzeptionell): Das Modell k?nnte Code undeine Erkl?rung jedes Schritts bereitstellen.

• Warum es funktioniert: F?rdert informativere Antworten seitens des LLM.

1.3. Beispielbasierte Eingabeaufforderung

• übersicht: Bereitstellung eines Musters des gewünschten Stils oder Formats.

• Eingabeaufforderungsbeispiel: ?Hier ist ein einfacher Node.js Express ?Hello World‘-Server: [Node.js-Code]. Erstellen Sie einen ?hnlichen Flask ?Hello World‘-Server.“

• Warum es funktioniert: Das Modell spiegelt die Struktur und den Stil wider und sorgt so für Konsistenz. Pr?ziser als direkte Anweisungen.

2. Verfeinerungsbasierte Techniken

Diese Techniken konzentrieren sich auf die iterative Verbesserung des vorhandenen Codes.

2.1. Iterative Verfeinerungsaufforderung

• überblick:Inkrementelle Verbesserung einer anf?nglichen L?sung.

• Promptsequenz:

  1. ?Generieren Sie eine minimale Flask-App, die ?Hello World!“ zurückgibt.“
  2. ??ndern Sie diese App so, dass sie einen /hello/<name> Endpunkt enth?lt, der den Benutzer mit seinem Namen begrü?t.“

• Verfeinerter Codeausschnitt (konzeptionell): (Hier würde ein Codeausschnitt erscheinen, der den hinzugefügten Endpunkt zeigt)

• Warum es funktioniert: Baut auf vorhandenem Code auf und erm?glicht schrittweise Verbesserungen.

2.2. Erweiterungsaufforderung

• übersicht:Hinzufügen neuer Funktionen zu vorhandenem Code.

• Eingabeaufforderungsbeispiel: ?Fügen Sie der Flask-App einen Endpunkt hinzu, der eine JSON-Antwort mit einer Liste von Beispielbenutzern zurückgibt.“

• Verfeinertes Code-Snippet (konzeptionell): (Code-Snippet für den neuen Endpunkt würde hier erscheinen)

• Warum es funktioniert: Zielt auf bestimmte Funktionen ab und erm?glicht so eine gezielte Aufmerksamkeit des Models.

2.3. Stil-/Formatierungstransformation

• übersicht:?ndern des Codestils (z. B. PEP 8-Konformit?t).

• Eingabeaufforderungsbeispiel: ?Refaktorisieren Sie die Flask-App, um die PEP 8-Namenskonventionen einzuhalten und die Zeilenl?nge auf 79 Zeichen zu begrenzen.“

• Warum es funktioniert: Wendet Stilpr?ferenzen systematisch an.

3. Zerlegungsbasierte Techniken

Diese Techniken zerlegen gro?e Aufgaben in kleinere, besser überschaubare Schritte.

3.1. Funktion-für-Funktion-Zerlegung

• übersicht:Aufteilung von Aufgaben in Unterfunktionen oder Module.

• Eingabeaufforderungsbeispiel:

  1. ?Erstellen Sie eine Funktion init_db(), um eine SQLite-Datenbank zu initialisieren.“
  2. ?Erstellen Sie insert_user(name), um Benutzer zur Datenbank hinzuzufügen.“
  3. ?Erstellen Sie get_all_users(), um alle Benutzer abzurufen.“

• Ergebnis (konzeptionell): (Hier würden Codeausschnitte für die drei Funktionen erscheinen)

• Warum es funktioniert:Gruppiert gro?e Aufgaben in modulare, wartbare Komponenten.

3.2. Chunk-basierte Eingabeaufforderung

• übersicht: Teilcode bereitstellen und das Modell auffordern, fehlende Abschnitte zu vervollst?ndigen.

• Eingabeaufforderungsbeispiel: ?Vervollst?ndigen Sie die Flask-App unten, indem Sie Routen zum Hinzufügen und Abrufen von Benutzern hinzufügen: [Teilcode-Snippet]“

• Warum es funktioniert: Konzentriert das Modell auf bestimmte Lücken und gew?hrleistet so den Codezusammenhalt.

3.3. Schritt-für-Schritt-Anleitung

• übersicht:Aufz?hlung von Teilaufgaben oder logischen Schritten.

• Eingabeaufforderungsbeispiel:

  1. ?Notwendige Bibliotheken importieren.“
  2. ?Datenbankinitialisierung einrichten.“
  3. ?Erstellen Sie eine Route zum Hinzufügen eines Benutzers mit insert_user().“
  4. ?Erstellen Sie eine Route zum Auflisten von Benutzern mit get_all_users().“

• Warum es funktioniert: Macht den Codegenerierungsprozess transparent und stellt die korrekte Betriebsabfolge sicher.

4. Argumentationsbasierte Techniken

Diese Aufforderungen ermutigen das Modell, seinen Argumentationsprozess zu artikulieren, bevor es Code bereitstellt.

4.1. Aufforderung zur Gedankenkette

• übersicht:Anfordern einer Schritt-für-Schritt-Erkl?rung des Argumentationsprozesses.

• Eingabeaufforderungsbeispiel: ?Erkl?ren Sie Schritt für Schritt, wie Sie einer Flask-App eine Authentifizierung hinzufügen, und geben Sie dann den Code ein.“

• Warum es funktioniert: F?rdert einen klaren Weg zur L?sung, was zu koh?renterem Code führt.

4.2. Zero-Shot-Gedankenkette

• übersicht: Das Modell bitten, ein Problem ohne Beispiele zu durchdenken.

• Eingabeaufforderungsbeispiel: ?Erkl?ren Sie Ihre Wahl der Passwort-Hashing-Bibliothek für Flask und zeigen Sie den Code, der sie für die Benutzerregistrierung integriert.“

• Warum es funktioniert: F?rdert einen gründlichen Ansatz bei der Auswahl und Nutzung von Bibliotheken.

4.3. Few-Shot-Gedankenkette

• übersicht: Bereitstellung von Argumentationsbeispielen, bevor ein neues Problem vorgestellt wird.

• Eingabeaufforderungsbeispiel: ?[Beispiel für eine schrittweise Argumentation für ein Anmeldesystem]. Fügen Sie mit diesem Ansatz eine /register Route hinzu, die neue Benutzeranmeldeinformationen sicher speichert.“

• Warum es funktioniert: Bietet einen Rahmen für eine konsistente logische Anwendung auf neue Probleme.

5. Grundierungstechniken

Diese Techniken nutzen zus?tzlichen Kontext, um den Codestil und das Dom?nenwissen zu beeinflussen.

5.1. Persona-basierte Eingabeaufforderung

• übersicht: Das Modell anweisen, eine bestimmte Rolle einzunehmen (z. B. Sicherheitsexperte).

• Eingabeaufforderungsbeispiel: ?Sie sind ein erfahrener Python-Backend-Entwickler mit Spezialisierung auf Sicherheit. Generieren Sie eine sichere Flask-Benutzerregistrierungsroute.“

• Warum es funktioniert: Passt die L?sung an das Fachwissen der Person an, h?ufig einschlie?lich bew?hrter Sicherheitspraktiken.

5.2. Grundierung des Skeletts (Vorlage)

• übersicht:Bereitstellen einer Vorlage mit Platzhaltern, die das Modell füllen soll.

• Eingabeaufforderungsbeispiel: ?Vervollst?ndigen Sie diese Flask-App-Vorlage, um ein Benutzeranmeldeformular zu implementieren: [Flask-Vorlage mit Platzhaltern]“

• Warum es funktioniert:Beschr?nkt das Modell auf einen bestimmten Rahmen.

5.3. Referenzlastige Grundierung

• übersicht: Bereitstellung von Dokumentation oder Datenschemata für die Verwendung durch das Modell.

• Eingabeaufforderungsbeispiel: ?Aktualisieren Sie mithilfe dieser SQLAlchemy-Dokumentation [Link] die Flask-App-Routen, um SQLAlchemy-Modelle anstelle von Roh-SQL zu verwenden.“

• Warum es funktioniert: Erm?glicht die Integration von Fachwissen und sorgt für pr?zisen und aktuellen Code.

Fazit

Diese 15 Techniken leiten die Codeentwicklung und -optimierung mithilfe von LLMs systematisch an. Root-Techniken schaffen eine Basis, Verfeinerungstechniken verbessern sie, Dekompositionstechniken verwalten die Komplexit?t, Argumentationstechniken verbessern die Klarheit und Priming-Techniken fügen Kontext hinzu. Experimentieren Sie mit Kombinationen, um optimale Ergebnisse zu erzielen. Denken Sie daran, dass Prompt Engineering ein sich entwickelndes Feld ist, daher sind kontinuierliches Lernen und Anpassung der Schlüssel.

Das obige ist der detaillierte Inhalt vonAufforderungstechniken, die jeder Entwickler für die Codegenerierung kennen sollte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!