但是随着使用的人数越来越多，大家才知道，ChatGPT 与语言无关，你用任何语言去提问，它都可以很好的理解你的意思。因为它使用的是语言模型，而不是具体的某个语言库。如果还用搜索引擎的“关键词匹配”、“关键词命中”思路去思考人工智能，就已经显得有些落后了。本篇在介绍 AI对话工具能如何帮助程序员工作（干货满满）之后，将为你分享AI的正确打开方式——better prompt。

02 AI 可以帮助程序员做什么？

2.1 技术知识总结

刚开始接触学习一门技术的时候，难免需要去查看文档。现在的手册非常丰富。往往对于一个初学者来说，需要接触的信息太多、排版五花八门，学起来云里雾里。

这时候就可以借助 ChatGPT 的总结能力，例如我想学习一下 K8S 的相关知识，我发给它一个文档的地址，让它帮我总结。

prompt:

https://kubernetes.io/zh-cn/docs/concepts/overview/ 总结这篇文档。

可以看到，它很好地总结了这篇中文的文档，并且对每一个关键点进行了概括。用最少的语言让你能够搞懂你想要的知识点。

因为 ChatGPT 是有上下文的，它知道你需要的内容是中文的总结，所以在这里你继续发一篇英文的文档给它，它也会用中文帮你总结。

prompt:

总结这篇文档https://kubernetes.io/docs/concepts/overview/components/ 。

目前 chatgpt 的免费版本数据库的截止时间是 2021 年，也就是说如果问它比较新的内容，它是无法总结的，甚至是会随意编撰。例如这里询问一个关于电影《流浪地球 2》的问题，让它总结一下 wikipedia 里的介绍。

prompt: 总结：

https://zh.wikipedia.org/zh/%E6%B5%81%E6%B5%AA%E5%9C%B0%E7%90%832

因为这时候电影还没有上映，所以之前的内容还都是错误的，它的总结是不准确的。

当我们将整个网站的内容复制进来，让 chatgpt 进行总结。但是这时候会发现，文章太长了，会收到报错。

这时候，就要运用自己的想象力，使用 prompt 来进行突破了。我们需要把文章进行段落拆分，每一段都符合它的标准。

将内容拆分成 7 段，发送完成之后，它就会自动总结了。

这样，才能得到了一篇文档的正确总结。

2.2 拆解任务

上文所描述的内容，可以算是借助 AI 让程序猿日常生活效率提升。那么在工作当中，AI 如何帮助我们提效？

我们从需求端获取一个需求以后，很多情况下我们的任务并不能够非常准确的估计时，原因就是我们并没有将任务拆分清楚，所以并不能够对每一项任务进行估计，导致风险的发生。

这时候可以简要描述一下我们这次的需求点，让 ChatGPT 帮我们进行任务拆解。

可以看到任务整体被拆成了一个个细小的任务。它可以很快的让我们将任务转换为 task，或者是需求跟踪单。这既方便和产品经理进行沟通，也便于我们自身排期。转换成 KANBAN 模式也便于了解当前进度。

如果对方仍有疑问，可以继续询问拆解。比如我们想要询问第三步应该如何进一步实现。可以看到它甚至给了我们具体的 UI 交互。我们可以利用这样的提示对我们的交互以及实现提供一定的参考。

2.3 阅读代码/优化代码

开发者经常接手别人的代码。质量参差不齐，还会夹在很多奇怪的命名。当我们阅读整体逻辑或者修改逻辑，可能会因为自身阅读的问题造成理解偏差，进一步引发 bug。

如果将这个方法交给 AI 去阅读呢？可以看看效果。

prompt:

逐行解释下面的代码 + 代码内容, (在这里使用了一段在 github上面的开源代码进行展示, 这段代码是一段定时器相关的内容)。

可以看到 ChatGPT 正确的理解了我们的代码，对代码进行了解释和说明。

但是这时候只是生成了一个整体的说明，并没有对每一行分别进行解释。这时候继续和它对话：

prompt:

可以在每一行代码上面加上注释，便于我理解吗？

这时候它会逐行的进行代码标注，便于你对每一行进行理解。如果你接着对它提出一个粗浅的优化需求，它也会照做。

prompt:

这段代码可以进行重构和优化吗？逻辑有些繁琐。

你可以对某一个部分提出更细节的要求，为它提出更好的优化方向。在这里我们提出了关于参数顺序耦合的问题，可以看到 GPT 也理解到了我们的需求，并且做出了对应的优化，如下：

prompt:

children: (isCounting: boolean, durationTime: number, startCount: () => void) => React.ReactNode // 子组件，接收三个参数，返回一个React节点

这里面的参数太多了，而且对顺序有强依赖，该怎么优化这里？

2.4 代码生成

开发者在工作中还有一种场景的工作量比较大，需要复杂的逻辑思考。但是实际上最终的代码可能只需要几行就可以搞定。你在思考过程中觉得很痛苦，想和身边的同事去沟通。也许你给他解释完这个逻辑以后，他非但不能帮你思考，反而将一人份痛苦变成两人份。

例如，我们要进行数据转换，是否也可以交给AI来做？我们发送给 GPT 这样的 prompt，将数据结构进行转换。数据源为:


 
 
[
    {
        "candidates": null,
        "candidatesX": null,
        "description": "role---用户角色",
        "label": "角色",
        "name": "role",
        "optional": true,
        "schema": null,
        "type": "String"
    },
{
        "candidates": null,
        "candidatesX": null,
        "description": "Topics of the pulsar server to create---需要创建的主题",
        "items": {
            "schema": [
                {
                    "candidates": null,
                    "candidatesX": null,
                    "description": "topic name---主题名称",
                    "label": "主题名称",
                    "name": "name",
                    "schema": null,
                    "type": "String"
                },
                {
                    "candidates": null,
                    "candidatesX": null,
                    "default": 1,
                    "description": "partition number---分区数",
                    "label": "分区数",
                    "name": "partitions",
                    "schema": null,
                    "type": "Integer",
                    "validator": ">0"
                }
            ],
            "type": "Object"
        },
        "label": "主题列表",
        "name": "topics",
        "optional": true,
        "schema": null,
        "type": "List"
    }
]

我想要得到的数据是 type 为 List 的数据，并且数据结构为:


[
{type:List, name:"topics", needValidates:[{
    name:"name", type:"String"
},{name:"partitions", type:"Integer"}] }
]

GPT 会为我们得到正确的结果:

我们只需要输入目标数据结构，转换后的数据结构，无需指定语言。因为它会从你的上下文里理解到你是想要问什么实现方式。

还有执行脚本，我们只需要描述清楚我们的需求，它也会帮助我们进行完善。

此外，它还可以进行进行解释说明：

上面可以看到，我们在这里使用了一次“自然语言编程”的操作流程。不论你是否会使用 python、bash 你都可以正常的描述你的需求。进行生成。

我们还可以进行代码转换，例如你写了一段 js 代码，你希望将这段代码转化为python，以前我们会通过 Google 搜索看看有没有对应的转换器，现在就只需要交给 gpt 来执行。提出你的诉求，它会在 10s 内为你生成一段没有 bug，包含异常处理的代码。这里我们不展开举例。

2.5 生成单测

我们刚刚那段数据转化的代码，如果我们想要进行测试。以前我们可能会苦思冥想很多场景进行补充。现在只需要告诉 AI 帮我生成单测即可。

prompt:

(代码内容) 为这段代码生成 unit test。

如果你觉得测试条件不够，那就再问它，让它再生成。

prompt: 数据源不够丰富，多测试集中边界条件，比如数据不存在，数据类型无法转换，数据类型不对等。

它还会给你解释这里都做了什么操作，这些测试用例覆盖了不同的场景，包括：

当数据源中没有类型为 List 的字段时，应该返回空数组；当数据源中有类型为 List 的字段时，应该返回正确的字段数组，包括需要的验证。

2.6 更多 AI 应用/插件

AI 就像是一个基础应用, 在它上面还有着很多的可能。随着你用的越多，解锁的技能也就越丰富。例如现在 GPT 系列甚至推出了自己的应用市场。下面我们来为各位简单介绍几款热门插件：

AIPRM

它是 ChatGPT3.5 时代的应用商店。用户通过不同的 prompt，对它进行训练，达到自己的目的。

例如我们在文章最开始介绍的“长文总结”能力：我们普通的和它进行交流，那么字数限制就会成为瓶颈。但是如果我们转化了沟通技巧，那么就可以突破这一限制。AIPRM 就是一个充满了奇思妙想的插件系统，你可以在里面查找/发布各种你想要的 prompt。

Voice Control for ChatGPT

依托于这样的系统，我们可以使用它锻炼英文(伪需求)。或者是直接用语音和它进行对话，让它替自己写代码，例如我们刚刚所有的脚本说明都可以让它直接语音转文字发出去。

它也很好的服务了一些视障人士，因为它还会读出每一次 GPT 生成的内容。让每个人都拥有平等接触 AI的机会。

ChatGPT Sidebar

随着使用的人越来越多，ChatGPT 的响应速度越来越慢。有时候只不过想问一个简单的问题，却要等上很久。这时候，就可以使用 ChatGPT Sidebar 插件。

它内置了 ChatGPT 的 API，可以直接集成在你的搜索引擎里，你的每一次搜索都会触发(也可以设置为手动)，免注册，使用方便。还可以让它提示你如何搜索相关的关键词。

在它的侧边栏里，我们还可以进行其它的操作。

著名应用工具使用体验：Bing Copilot、ChatGPT、Google Bard

那我们再回头看看几个影响力比较高的AI工具。笔者个人现常用的基础 AI 工具大概有 3 种，分别是 Bing Copilot、ChatGPT、Google Bard。最被广泛使用的 ChatGPT(GPT3-5)，我们先来看看它的自我介绍是什么。

ChatGPT：使用频率最高的 AI。它有强大的上下文，还可以拆分成为不同的 conversation，便于它处理不同的对话。

例如一个控制台的项目，可以单独做一个对话，这样它聊的上下文都是围绕这个主题进行，每次新的问答也无需补充上下文信息。

Bing ：Bing 在很早就使用了 GPT-4，可是因为对话数实在是太少了(从 5 次扩充到了 15 次)，每一次对话的内容长度也很有限(截止目前仍只有 2000 字) 而且不能保存对话上下文，导致使用起来实在很不方便。好处是它是实时联网的，所以作者主要用于搜索最新的资讯以及总结一些文章和文档的摘要，以及辅助 ChatGPT 使用，对比一下两遍生成的逻辑是否一致。优点就是，搜索结果会给出详细的出处以及引用地址。

Google Bard (LaMDA)：Google 近期发布的AI工具目前只支持英文。特点是能够给出多个回答，而且响应速度很快。集成了 Google it，点击之后会帮你生成一个最适合你的问题的 google 搜索关键词。这算是和 Bing Copilot 反其道而行之，一个是将 chat 集成到搜索里，一个是将搜索集成到了 chat 中。

03 Prompt 能力

3.1 Prompt 是什么？

整体来说，上述 AI 的强大之处有几点：

总结/理解能力。它能够很好的总结你发给它的内容，并且进行总结。其实这也就是一种理解能力。因为它明白了你说的话的意思。

具有强大的上下文关联能力。你不需要像使用搜索引擎一样，每一次的操作都是独立的。你可以将整个对话都变成一个巨大的搜索，通过多次对话来阐述自己想要的信息。甚至还能让它帮助你向它自己提问。

有丰富的拓展插件潜力。

这些能力，相信各位读者上面的case中都能感知。在上面案例中，为了更好使用AI、利用这些能力，我们频繁使用了一个词叫做 prompt——这在 AI 时代是一个非常重要的内容。

想要用好各类 AI 效率工具，最好的方法就是不断的提升自己的 prompt 能力。prompt 就是提示词，表达语言的能力。

在以前的开发生涯中, 我们是“Google 工程师”、 “StackOverflow 工程师”, 被戏称为“面向搜索引擎开发”。每次遇到未解之谜，我们通常会去不断的更换搜索关键词。

这时候比拼的就是我们的语言表达能力了——我们需要转换自己的思维，从工程师到产品经理，或者是一个 Business Analysis 的角色。我们需要将接到手的任务，进行拆解，一步步的变为提示词。当你拆解到足够细的时候，任务就自然而然可以依靠 AI 自动完成了。这个会在项目应用的章节进行具体讲解。

3.2 Better Prompt

开发者可以利用它的上下文能力，帮助自己纠正语法以及提供更好的 prompt 的训练。

AI 是不挑语言的？不管你用任何一种语言，它都是利用数据模型进行分析，并不是用单一的语言进行思考。也就是说结果的生成质量不会差异很大。真的是这样吗？

实际上，我们通过官网的介绍发现，它对语言的理解是有差异的，目前理解力最强的当然是英文了。我们使用英文进行 prompt，既能锻炼自己的英文能力，也能更好的表述自己的问题。可是受限于自身英文水平，我们并不一定每一次都能清晰表达自己的观点，这时候我们可以利用它帮我们提高这一点。我们故意打错一段话，来测试一下。

prompt：

you need answer my question obey the format, format should be like this

correct grammar is :
"insert correct grammar here"
________________________________ (keep the diver line)
you can also ask it like this:
"insert better prompt here"

________________________________
then tell the answer about what i ask below the divier also keep the diver line.

Correct grammar is should correct my question's grammar

AI 的每一次训练得到的返回结果都是不一样的，我们有可能会得到自己想要的，但它也有可能没有完全理解我们的意思。当我们的诉求没被完全理解，可以对它进行进一步的训练。

在它做对了以后，我们对它进行表彰。然后再去尝试一下我们其它的问题。可以看到一切正常。

如果有时候它忘记了，你需要再提醒它一次 format。它就会重新输出。

04总结

笔者使用 ChatGPT 等 AI 工具已经 4 个多月了。一开始只是进行简单的尝试，并没有觉得有什么特别的。直到在浏览各类教程时，才发现那些以前分享金融知识的人已经开始利用 GPT 进行代码创作来丰富自己的武器库，比如进行图标分析、软件制作等等。实际上，AI 并不是简单的问答而已，它具有解决问题甚至是创造知识的能力。

当然我在使用的过程当中，周围也有很多声音在质疑 AI 的能力。认为它并不能如想象的优秀。例如你直接跟它讲，给我做个需求、给我写篇论文，它都是无法完成的。

因为其实我们在错误地使用 AI。合理的使用，应该是「我们做我们该做的事情，AI 做 AI 该做的事情」。以前搜索引擎的时代，我们也并不是直接在搜索框里输入 “给我答案” 吧？用户要尽量描述清楚自己的问题。

现在对程序员的要求已然不是简单的书写代码了。因为 AI 能做，甚至比你的代码质量还要高。我们需要将自己的思维进行转换，从程序员变成拥有产品思维的程序员、拥有 BA 思维的程序员。要对自己手里的任务、方法、逻辑，有更清晰的认知。让人类做人类该做的事情，让 AI 做它擅长的事情。

当你把你想要的内容清晰的描述出来以后，你会发现：AI 不是来替代你的，是来帮助你更好的工作的。以上是本次分享全部内容，欢迎大家在评论区分享交流。如果觉得内容有用，欢迎转发～

充电君会在第一时间给你带来最新、最全面的解读，别忘了三联一波哦

关注公众号：资源充电吧
回复:Chat GPT
充电君发你：免费畅享使用中文版哦
点击小卡片关注下，回复：IT

想要的资料全都有

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/IT小白/article/detail/85990