如何使用 ChatGPT 编写更好的代码

生成代码是 ChatGPT 和其他遵循指令运行的大型语言模型(LLM)一个功能强大的应用。如果得到正确的提示，大型语言模型(LLM)可以生成程序员可能需要数小时才能编写的代码。

然而，大型语言模型(LLM)并不能完成程序员的所有工作。他们无法分解复杂的问题，思考逻辑和结构，也无法创建多层次的解决方案。它们一次处理一个指令，预测可能遵循用户提示和输出的下一段代码。

以下是可以帮助用户充分利用 ChatGPT 强大的编码能力以及避免进入陷阱的四个技巧。

如果无法验证，就不要信任 ChatGPT

像 ChatGPT 这样的大型语言模型(LLM)的一个突出特征是它们的权威声音。它们总是充满信心地回答，即使他们的答案毫无意义。不可避免，有时 ChatGPT 采用令人信服但错误的答案回答了一些问题。

本文作者表示，他使用 ChatGPT 的经验法则是，只在他完全理解并可以验证的主题中使用它。例如不会用它来写量子物理的解释，因为他对这个主题了解不够。但是 ChatGPT 可以帮助他撰写一篇关于机器学习基础知识的有趣文章，因为可以完全检查和纠正它的输出。

同样，当使用 ChatGPT 生成代码时，只让它完成可以完全验证的任务。ChatGPT 可能编写无效或更糟的代码，这些代码虽然有效但不安全。因为 ChatGPT 是一个自动化工具，可以完成那些需要花费很长时间编写或需要多次访问文档页面或在线论坛(如 StackOverflow)的繁重工作。例如，可以要求它编写排序算法，采用 Python 启动 Web 服务器的代码，从数据库模式中执行 SQL 查询，或者在 Matplotlib 中执行数据可视化命令。

一次迭代一个代码块

大型语言模型(LLM) 往往难以处理需要推理和逐步规划的任务。因此，不要指望 ChatGPT 能够成功地编写完整的程序或复杂的代码块。但是，这并不意味着 ChatGPT 不能帮助人们完成复杂的编程任务。如果给它提供一个简单的任务(例如上面提到的任务)，就有可能完成。

用户可以将任务分解成更小的步骤，并一次一步地提示 ChatGPT。一个成功的方法是从给 ChatGPT 一个你想要编写的程序的逻辑的逐步大纲开始。

这有助于大型语言模型(LLM)为更复杂的任务做好准备，然后逐步提示大型语言模型(LLM)。简而言之，用户进行推理，ChatGPT 完成工作。顺便说一句，这种从大纲开始并逐步完成的方法在完成其他任务时也很成功，例如撰写某些类型的文章。

如果对循序渐进的过程没有清晰的愿景，用户可以从 ChatGPT 本身获得帮助。通过提示大型语言模型(LLM)生成完成任务的步骤列表来启动编码会话。然后根据需要修改大纲，并开始提示它生成第一步的代码。

向 ChatGPT 提供反馈

不能指望 ChatGPT 每一步都提供干净、安全、有效的代码。当查看其代码并将其输入集成开发环境（IDE）时，可以进行更正和调整。当这样做时，最好的做法是将更正后的代码作为反馈提供给 ChatGPT，并在适用的情况下提供解释。

需要注意的一点是，ChatGPT 对场景非常敏感，它的行为可以根据聊天历史改变。用户可以利用这一点，这就是为什么提供反馈和纠正代码片段非常有帮助的原因。

例如，用户可以说：“这就是我更改你提供的代码的方式：[在这里插入修改后的代码]。试着(插入行为更正)继续这样做。”这可以帮助引导 ChatGPT 朝着正确的方向前进，避免在回答以后的提示时重复犯错。(同样，本文作者在 ChatGPT 的其他任务中也成功地使用了这种反馈方法，包括撰写文章)。

有时可以使用 ChatGPT 来获得关于其自身代码的反馈。尝试打开一个单独的聊天会话，在其中向 ChatGPT 提供它生成的代码，并要求它对其进行改进或更正。有时，它会产生有趣的结果和新的探索方向。

清理 ChatGPT 的场景

如果用户正在处理一个特别大的任务，聊天记录可能会变得很长，特别是如果使用 ChatGPT 进行了大量的重复操作。根据用户使用的模型，大型语言模型(LLM)可能会耗尽 ChatGPT 场景的内存。ChatGPT 的免费版本有 4000 个令牌的内存。(对于语言任务，100 个令牌覆盖大约 75 个单词。对于编程来说，它通常要少得多。)

一个成功的技巧是偶尔清理一下 ChatGPT 的场景。为此，可以采用一个提示启动一个新的聊天会话，在这个提示中，可以向 ChatGPT 提供任务的大纲、到目前为止完成的步骤、到目前为止生成的代码，以及希望它遵循的一些通用指导原则。然后告诉它继续下一步。通过消除以前与大型语言模型(LLM)交互中的混乱，可以提供更清晰的场景，并提高了 ChatGPT 生成代码的准确性。

大型语言模型(LLM)正在改变编程方式

大型语言模型(LLM)辅助编程领域正在迅速发展。例如，ChatGPT Plus 现在有几个插件可以帮助程序员预测代码。其他基于大型语言模型(LLM)的编码工具（例如 GitHub Copilot 和 Amazon CodeWhisperer）正在帮助程序员显著提高他们的速度和生产力。检索增强技术可以使程序员将大型语言模型(LLM)的行为定制为他们自己的专有代码库或库，这些代码库没有包含在训练数据集中。人们仍在探索大型语言模型(LLM)能为程序员做些什么。

同样改变开发模式的低代码平台

看到 ChatGPT 带来的生产力，我想到了低代码平台，同样是程序员的帮手。

低代码是什么？一组数字技术工具平台，能基于图形化拖拽、参数化配置等更为高效的方式，实现快速构建、数据编排、连接生态、中台服务等。通过少量代码或不用代码实现数字化转型中的场景应用创新。它能缓解甚至解决庞大的市场需求与传统的开发生产力引发的供需关系矛盾问题，是数字化转型过程中降本增效趋势下的产物。

这边介绍一款好用的低代码平台——JNPF快速开发平台。近年在市场表现和产品竞争力方面表现较为突出，采用的是最新主流前后分离框架（SpringBoot+Mybatis-plus+Ant-Design+Vue3）。代码生成器依赖性低，灵活的扩展能力，可灵活实现二次开发。

以 JNPF 为代表的企业级低代码平台为了支撑更高技术要求的应用开发，从数据库建模、Web API 构建到页面设计，与传统软件开发几乎没有差异，只是通过低代码可视化模式，减少了构建“增删改查”功能的重复劳动，还没有了解过低代码的伙伴可以尝试了解一下。

有了它，开发人员在开发过程中就可以轻松上手，充分利用传统开发模式下积累的经验。所以低代码平台对于程序员来说，有着很大帮助。