Optymalizacja promptów do dokumentowania kodu

Pracujesz w tej firmie bankowej od lat i przez cały ten czas samodzielnie utrzymujesz rozbudowaną bazę kodu w Pythonie. Teraz dołącza nowy stażysta i uświadamiasz sobie, że cała wiedza o projekcie istnieje tylko w twojej głowie. Postanawiasz użyć asystenta AI, żeby zacząć dokumentować kod.

Aby sprawdzić, czy to podejście ma sens, zaczynasz od pojedynczej funkcji zapisanej w pliku interest.py, który model może odczytać i wykorzystać:

def calculate_interest(balance, rate, years):
  return balance * (1 + rate) ** years

To ćwiczenie jest częścią kursu

Kodowanie wspomagane przez AI dla programistów

Instrukcje do ćwiczenia

- Poproś model o **dodanie docstringów** do funkcji, **wskaż standard** (np. docstringi w stylu Google) i **wymagaj sekcji** opisujących: cel funkcji, argumenty (nazwy i typy), typ zwracanej wartości oraz opcjonalnie przykłady.

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Kodowanie wspomagane przez AI dla programistów

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Dowiedz się, jak modele AI usprawniają kodowanie – od uzupełniania kodu, przez debugowanie, po dokumentację. Opanuj podstawy inżynierii promptów i sprawdź, jak kontekst poprawia jakość odpowiedzi AI. Ten rozdział buduje fundament pod praktyczne wykorzystanie AI jako asystenta programisty.

Exercise 1: Paradygmat kodowania wspomaganego przez AI Exercise 2: Dopasowywanie modeli AI do zadań Exercise 3: Klasyfikowanie zadań dla modeli AI Exercise 4: Podstawy prompt engineeringu Exercise 5: Dekodowanie funkcji za pomocą odpowiednich promptów Exercise 6: Dopracowywanie promptów do zmian w kodzie Exercise 7: Dodawanie kontekstu dla trafniejszych odpowiedzi AI Exercise 8: Wybór właściwego kontekstu w zadaniach programistycznych Exercise 9: Ulepszanie kodu przez iterację promptu

Naucz się tworzyć prompty, które prowadzą modele przez złożone rozumowanie, skutecznie dokumentują kod i generują implementacje oparte na testach. Po ukończeniu tego rozdziału będziesz projektować prompty poprawiające jakość generowanego kodu i usprawniające cały proces tworzenia oprogramowania.

Exercise 1: Zaawansowane techniki promptowania w asystowaniu przy kodowaniu Exercise 2: Prompty do skutecznego debugowania Exercise 3: Skuteczne definiowanie ról Exercise 4: Dokumentowanie kodu z pomocą AI Exercise 5: Optymalizacja promptów do dokumentowania kodu

Bieżące ćwiczenie

Exercise 6: Skuteczne wiadomości commit z pomocą AI Exercise 7: Pisanie testów i zabezpieczanie kodu z pomocą AI Exercise 8: Prompty dla bezpiecznego kodowania z pomocą AI Exercise 9: Wykrywanie luk w testach generowanych przez AI

W tym rozdziale wyjdziesz poza samo tworzenie promptów i zmierzysz się z praktycznymi wyzwaniami uruchamiania AI na produkcji. Dowiesz się, jak porównywać i wybierać modele pod kątem wydajności, kosztów i dopasowania do zadania, jak wdrażać mechanizmy zabezpieczające, które utrzymują wyniki w bezpiecznych i zgodnych ramach, oraz jak optymalizować przepływy pracy pod kątem efektywności bez utraty jakości.

Exercise 1: Wybór najlepszego narzędzia AI do zadania Exercise 2: Zrozumienie kosztów asystentów AI Exercise 3: Ocena kompromisów modeli rozumowania Exercise 4: Zabezpieczenia dla odpowiedzialnego kodowania z AI Exercise 5: Zabezpieczenia i ograniczenia etyczne w przepływie pracy z AI Exercise 6: Stosowanie zabezpieczeń w przepływie pracy z AI Exercise 7: Optymalizacja AI pod kątem szybkości, kosztów i jakości Exercise 8: Skuteczne strategie kontrolowania kosztów modelu Exercise 9: Równoważenie wydajności modelu i kosztów Exercise 10: Gratulacje!