一、大模型辅助开发生态

在当今的软件开发领域，大模型正逐渐成为不可或缺的一部分，其应用生态日益丰富。当前市面上不乏各类工具，如GitHub Copilot、ChatGPT等，它们通过不同方式协助程序员提高工作效率。这些工具不仅能帮助程序员自动补全代码，还能在一定程度上优化代码结构。然而，大模型并非万能，它们的表现很大程度上依赖于输入数据的质量和上下文的准确性。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

因此，在使用这些工具时，程序员必须具备足够的经验和判断力，以便充分发挥其潜力。

二、利用大模型开发的模式

大模型虽能提供一定程度的支持，但无法完全替代人类的创造力和判断力。在实际项目中，程序员需要根据具体需求进行细致的规划和设计，同时还需考虑代码与现有系统的兼容性。此外，如何有效利用大模型生成的建议也是一门学问，这需要程序员具备一定的经验积累和敏锐的洞察力。因此，在面对复杂项目时，仅依赖大模型是不够的，还需结合自身经验进行综合判断。

利用大模型开发的模式可以总结为以下几个关键点：

• 获取信息和启发：

大模型可以作为一个信息获取和启发提供的工具，帮助开发者在编码任务中快速获取所需的信息和解决方案的灵感。

• 结伴完成任务（Copilot）：

类似于GitHub Copilot的功能，大模型可以作为开发人员的“伙伴”，辅助完成编码任务，提供代码建议和自动补全。

• 独立完成任务：

大模型可以独立执行一些编码任务，尤其是在那些可以明确定义且结构化良好的任务中。

• 代码评审/优化：

大模型可以辅助进行代码评审，提供优化建议，帮助提高代码质量和性能。缺- 陷修复：

在代码维护阶段，大模型可以帮助定位和修复代码中的缺陷，减少人工审查的工作量。

• 依赖经验知识的编码任务：

大模型在辅助开发时，可以依赖于项目代码、经验知识以及通过框架完成任务的方法描述，提供更加精准的辅助。

三、实战案例

大模型辅助编程领域涵盖了编码任务、设计任务、开发规划和需求任务，这些任务分别关注于实现功能、系统架构、项目计划和需求分析。

在知识依赖方面，任务的完成可以依赖于个人或团队的经验知识，或者仅依赖于项目代码本身。

方法类型则包括偏抽象的方法，如通过框架实现任务的高层次策略和原则，以及偏具体的实例，如具体的代码示例和项目实践。

这些要素共同构成了大模型辅助编程的复杂性和多样性，要求开发者在遵循设计原则的同时，灵活运用经验和知识来解决实际问题。

（1）分析任务难度

在实际开发过程中，任务的难度不仅取决于大模型的能力，如规划推理、指令遵从、窗口长度、注意力和输出倾向等，还涉及到单次生成内容的复杂度和编码任务的特点。

任务难度体现在原子任务的理解和推理难度上，尤其是当任务封闭性高时，推理难度极大。此外，所依赖的可复用私有知识的复杂度也是一个挑战，因为私有知识量大、隐蔽，且复用程度不一。

同时，为任务准备一次性信息的难度也很大，这包括需求的定义、实现方法和细节的提示，以及任务特定数据的展示，这些工作可能非常繁琐。

总的来说，这部分内容揭示了在开发真实需求时，如何准确评估和应对任务的复杂性，以及如何有效地利用大模型辅助来提高开发效率和质量。

（2）⼀个例⼦

例子，展示了如何通过人工任务规划和基于现有代码增加端对端流式会话功能，来实现一个具体的开发需求。

右边：是根据GPT4所编写的一个提示词。

这个过程涉及到参考已有的短连接方法逻辑，定义实现步骤，包括修改pom.xml添加依赖、在服务类中定义新方法、增加会话服务类中的方法以及新建控制器来实现websocket流式会话，最后通过配置类支持websocket端的流式通信，从而完成整个开发流程。

这个例子强调了在实际项目中，如何结合人工经验和大模型辅助来应对开发中的复杂性和挑战。

四、辅助开发的提示词框架

提示词框架是一个用于指导和优化大模型辅助开发过程中知识应用的结构化方法。它涉及以下几个核心组成部分：

• Persona & Goal：

这部分涉及理解用户（Persona）的需求和目标（Goal），尽管在当前大模型的能力下，这一部分可能被视为可有可无。

• Project Context：

提供了项目的上下文信息，通常包括项目文件目录和代码文件。这些信息可以作为默认的上下文，并且可以通过RAG（Retrieval-Augmented Generation）的方式进行组装。

• Task Experience：

来源于复用的经验知识，它包括了过去任务的执行经验，这些经验可以被用来指导当前或未来的任务。

• Response Constraints：

这部分说明了对输出内容和格式的约束，确保生成的结果符合特定的要求或标准。

• Task Description & Tips：

提供了具体任务的描述和实现提示，帮助明确任务的目标和执行过程中需要注意的细节。

这个框架强调了在特定的上下文（基于什么）下，应用相应的经验（怎么干），以完成特定的任务（干什么）。开发者从知识生产和消费的角度思考问题，强调了在遵循设计和利用历史记录中加工经验知识的重要性。通过这种方式，框架旨在释放人的精力，提高效率。

具体的表达形式：

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓