使用 GitHub Copilot 进行提示工程简介_github copilot 能知道删除的代码吗

在本单元中，我们将介绍：

• 什么是即时工程？
• 即时工程基础
• 即时工程的最佳实践
• Copilot 如何从您的提示中学习

什么是即时工程？

即时工程是制定清晰指令以指导 AI 系统（例如 GitHub Copilot）生成适合项目特定需求的上下文相关代码的过程。这确保了代码在语法、功能和上下文上都是正确的。可以将其想象为向驾驶员提供精确的指示。没有他们，旅程可能会效率低下。但有了明确的引导，路线就会变得直接、高效，节省时间和精力。在这种情况下，您是提供方向的人，而 GitHub Copilot 是您熟练的司机，准备好在正确的指导下引导您顺利完成编码之旅。

既然您知道什么是即时工程，那么让我们了解一下它的一些原理。

即时工程原理

在探讨具体策略之前，我们首先了解一下即时工程的基本原理，总结为以下4S。这些核心规则是创建有效提示的基础。

• Single：始终将提示集中在单个、定义明确的任务或问题上。这种清晰度对于从副驾驶处获得准确且有用的响应至关重要。
• 具体：确保您的指示明确且详细。特异性带来更适用和更精确的代码建议。
• 简短：在具体的同时，保持提示简洁明了。这种平衡确保了清晰度，而不会使 Copilot 超载或使交互复杂化。
• Surround：使用描述性文件名并保持相关文件打开。这为 Copilot 提供了丰富的上下文，从而产生更量身定制的代码建议。

这些核心原则为制定高效且有效的提示奠定了基础。牢记 4S，让我们更深入地研究高级最佳实践，以确保与 GitHub Copilot 的每次交互都得到优化。

即时工程的最佳实践

以下基于 4S 的高级实践可完善并增强您与 Copilot 的互动，确保生成的代码不仅准确，而且完全符合项目的特定需求和环境。

提供足够的清晰度

基于“单一”和“具体”原则，始终以提示的明确性为目标。例如，像“编写一个 Python 函数来过滤并返回给定列表中的偶数”这样的提示既是单一焦点又是特定的。

提供足够的上下文和细节

遵循“环绕”原则，丰富 Copilot 对上下文的理解。提供的上下文信息越多，生成的代码建议就越合适。例如，通过在代码顶部添加一些注释来提供您想要的更多详细信息，您可以为 Copilot 提供更多上下文以理解您的提示，并提供更好的代码建议。

 

在上面的示例中，我们使用步骤来提供更多细节，同时保持简短。这种做法遵循“简短”原则，平衡细节与简洁，以确保沟通的清晰度和准确性。

断言和迭代

释放 GitHub Copilot 全部潜力的关键之一是迭代实践。您的第一个提示可能并不总是产生完美的代码，但这完全没问题。如果第一个输出不完全符合您的要求，请将其视为对话中的一个步骤。删除建议的代码，通过添加的详细信息和示例丰富您的初始评论，然后再次提示 Copilot。

现在您已经了解了提高提示技能的最佳实践，让我们仔细看看如何提供 Copilot 可以学习的示例

Copilot 如何从您的提示中学习

GitHub Copilot 基于经过大量数据训练的 AI 模型进行运行。为了增强其对特定代码上下文的理解，工程师经常为其提供示例。这种做法在机器学习中很常见，导致了不同的培训方法，例如：

零样本学习

在这里，GitHub Copilot 生成代码时没有任何具体示例，仅依靠其基础训练。例如，假设您要创建一个函数来在摄氏度和华氏度之间转换温度。您可以首先只编写描述您想要的内容的注释，Copilot 可能能够根据其之前的训练为您生成代码，而无需任何其他示例。

一次性学习

通过这种方法，给出了一个示例，帮助模型生成更具上下文感知的响应。在前面的零样本示例的基础上，您可以提供温度转换函数的示例，然后要求 Copilot 创建另一个类似的函数。它看起来是这样的：

 

少样本学习

在该方法中，Copilot给出了几个例子，在零样本不可预测性和微调精度之间取得了平衡。假设您想要生成根据一天中的时间向您发送问候语的代码。这是该提示的几个版本：

 

现在您已经了解了 Copilot 如何使用提示来学习，让我们深入了解一下它实际上如何使用提示来为您建议代码。