24｜构造基于语义的自动化脚本
徐昊
你好，我是徐昊，今天我们来继续学习 AI 时代的软件工程。
上节课我们讲解了使用大语言模型（Large Language Model，LLM）辅助软件开发的两个核心知识过程，即技术方案的应用以及软件质量的保证，以及如何通过 LLM 消除团队中的认知分歧，从而提高团队的整体效率。
对比第 16 节课我们讲述的测试驱动 AI 开发，就会发现，测试驱动 AI 开发关注于个人与 LLM 交互，以及知识是如何从人传递到 LLM 的。而消除认知分歧，最需要关注这两个方面——知识如何在人与人之间传递，以及 LLM 是如何辅助这一过程的。
然而无论是辅助个人还是辅助团队，我们都需要用到基于语言的自动化脚本来加速工作。那么，这节课，我们来学习一些常用技巧，帮助我们更有效地构造自动化脚本。
补充上下文
正如我们在最开始在开篇词里介绍的一样，想要获得更高质量的结果，关键在于补充上下文。我们在前面的课程里，已经介绍了很多提示词技巧可以有效补充上下文。让我们简单复习一下，比如，结构化自然语言。
看一个简单的例子，现在有一个雇员的数据表，有两种不同的雇员，全职或者兼职。雇员按照不同的类型，有不同的计算工资的办法。全职按工资（SALARY）计算，兼职按时薪（HOURLY_RATE）计算。结构如下：
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. 大语言模型（LLM）辅助软件开发的核心知识过程包括技术方案的应用、软件质量的保证以及消除团队中的认知分歧，从而提高整体效率。 2. 使用语言的自动化脚本可以加速工作，需要补充上下文以获得更高质量的结果，包括结构化自然语言和增加业务场景和应用背景说明。 3. 零样本或少样例学习是让LLM结果更加稳定的办法，可以固定LLM的返回结果在期望的模式中，提高结果的稳定性和准确性。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《徐昊 · AI 时代的软件工程》，新⼈⾸单¥98
《徐昊 · AI 时代的软件工程》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(1)
- 最新
- 精选
术子米德🤔☕️🤔☕️🤔 【R】自动化脚本：一方面突破传统脚本、怎么写就那么点效果，另一方面放到更多场景、给出预期答案。 技巧：补充上下文、零样本/少样本学习、数据驱动。 【.I.】问题在我面前，我懵懂Complex状态，一股脑儿扔给大模型，生成的内容中，只要对我有启发，我就很开心。任务列表在我面前，我清晰Clear状态，就是自己懒得动手干，稍作整理扔给大模型，生成的内容中，哪怕一点点偏差，我心里就会泛嘀咕，这么笨。 【Q】系统里的某个模块（如：类似MQ的消息通讯模块），它以C/C++的API接口供其它模块调用，跟CRUD类的测试是否有不同的关注点，提示词技巧是否有差别？ 这样的模块的单元测试，若想LLM协助设计，哪些方面有别于CRUD类的测试？ — by 术子米德@2024年5月1日2024-05-01归属地：浙江
收起评论