快取、提示版本控管與監控,都是控制 LLM 使用成本的有效策略。不過,你也知道自己的情境差異很大:從基本的程式碼自動完成,到在企業版儲存庫中進行完整的除錯修復,而每種情境都需要不同等級的模型能力。
降低成本的另一個方法是為任務挑對模型:速度快但較不強大的模型,通常足以應付簡單任務;較複雜的任務則可能需要更大、也更昂貴、具備進階推理能力的模型。
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
了解 AI 模型如何透過補全、除錯與文件化來強化開發。掌握提示工程的基礎,並認識脈絡如何讓 AI 回應更聰明。本章將為你奠定把 AI 作為實用開發助理的基礎。
學習如何設計提示,帶領模型進行複雜推理、有效撰寫程式文件,並以測試導向方式生成實作。完成本章後,你將能設計提示,同時提升產生程式碼的品質與整體開發流程。
本章將超越撰寫提示,聚焦在 AI 上線與營運的實務。探索如何依效能、成本與任務適配性比較並選擇模型;如何加入防護規範以確保輸出安全且符合法規;以及如何在不犧牲品質的前提下最佳化流程效率。
當前練習