Dekodowanie funkcji za pomocą odpowiednich promptów

Pracujesz w zespole analizy danych sprzedażowych w firmie oferującej krótkoterminowy wynajem rowerów i motorowerów w mieście. Ceny są dynamiczne: w godzinach szczytu (7:00–10:00 i 17:00–20:00) nie obowiązują żadne zniżki, natomiast poza szczytem ceny mogą spaść nawet o 40% w zależności od popytu i użytkowania.

Poniższa funkcja oblicza ceny i jest zapisana w pliku pricing.py, który model językowy może odczytać i wykorzystać:

def calc_price(base_price, is_peak, discount_ratio):
  if is_peak:
    return base_price
  return base_price * (1 - 0.4 * discount_ratio)

To ćwiczenie jest częścią kursu

Kodowanie wspomagane przez AI dla programistów

Instrukcje do ćwiczenia

- Napisz prompt, który poleci modelowi poprawić funkcję pod kątem **czytelności i poprawności**, uwzględnij kontekst dotyczący cen w godzinach szczytu i poza szczytem oraz **przypadek użycia dynamicznego ustalania cen**, a następnie poproś o zwrócenie odpowiedzi jako **kodu Pythona sformatowanego zgodnie z PEP 8**.

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

Bieżące ćwiczenie

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 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!