เกริ่นนำ
- เมื่อผลลัพธ์การเขียนโค้ดจาก AI ไม่เป็นที่พอใจ แทนที่จะสิ้นเปลืองโทเคนไปแบบไม่เลือก การคัดเฉพาะข้อมูลที่จำเป็นต่อเจตนาแล้วส่งให้เป็นคอนเท็กซ์จะได้ผลกว่ามาก
- แม้คอนเท็กซ์วินโดว์ของโมเดลจะใหญ่ขึ้น แต่ข้อมูลที่มากเกินไปกลับรบกวนให้ AI หาและเข้าใจส่วนที่ต้องการได้ยากขึ้น
- ขอนำเสนอ 4 เทคนิคที่ฉันใช้เพื่อให้ได้ผลลัพธ์ที่น่าพอใจมากขึ้นจากโค้ดดิ้งเอเจนต์ในเลกาซีโค้ดเบส โดยไม่ได้พึ่งพาความสามารถของโมเดลมากนัก และเป็นวิธีที่ใช้งานได้จริงซึ่งช่วยประหยัดทั้งเวลาและค่าใช้จ่ายได้ทันที
1. สำรวจและทำความเข้าใจก่อนลงมือทำ
- ก่อนแก้ปัญหาหรือแก้ไขโค้ด การลงทุนเวลาเพื่อเพิ่มความเข้าใจในโดเมนและโค้ดเบสจะคุ้มค่ากว่า
- วิธีนี้ช่วยให้ใช้คำศัพท์ทางเทคนิคได้แม่นยำขึ้น และอ้างอิงไฟล์ที่ถูกต้องเพื่อให้ AI โจมตีเป้าหมายได้อย่างแม่นยำ
- ในขั้นตอนนี้ควรหลีกเลี่ยงการแก้โค้ด และโฟกัสที่การถามคำถามกับ AI เพื่อสะสมความรู้
2. แสดงโค้ดต้นแบบให้ทำตาม
- LLM มีแนวโน้มจะถดถอยเข้าสู่ค่าเฉลี่ย ดังนั้นจึงควรให้ตัวอย่างโค้ดที่ดีเพื่อยกระดับคุณภาพของผลลัพธ์
- แทนที่จะอธิบาย code convention ยาว ๆ เป็นข้อความ การแสดงตัวอย่างโค้ดที่เขียนดีพร้อมบอกว่า “ให้เขียนแบบฟังก์ชันนี้” มีประสิทธิภาพกว่ามาก
- โดยเฉพาะเวลาย้ายแพตเทิร์นบางอย่าง หากแปลงให้ถูกต้องก่อนเพียงไม่กี่จุดแล้วนำไปให้ AI ดูเป็นตัวอย่าง มันจะจัดการส่วนที่เหลือได้ดีมาก
3. ให้สคริปต์เป็นเครื่องมือในมือมัน
- หากให้เครื่องมือวิเคราะห์แบบสแตติกเป็นเครื่องมือกับ AI ก็จะช่วยชดเชยปัญหาที่ LLM มีเพดานล่างต่ำ และยกระดับคุณภาพของผลลัพธ์ได้
- อีกทั้งงานที่เกิดข้อผิดพลาดซ้ำ ๆ ได้ง่าย เช่น สคริปต์สำหรับค้นหา i18n key หากทำเป็นสคริปต์ให้ AI ใช้งาน ก็จะป้องกันปัญหาได้อย่างชัดเจน
- ในทำนองเดียวกัน งานดึงข้อมูล/แปลงข้อมูลที่มีแพตเทิร์นชัดเจน หากให้ AI เขียนสคริปต์สำหรับทำงานนั้นแล้วนำไปรัน จะแม่นยำกว่าการสั่งให้ AI ทำเองโดยตรงมาก
4. แก้ที่ต้นน้ำของลำธาร
- แทนที่จะดูผลลัพธ์ที่ผิดแล้วขอให้แก้ การปรับปรุง “พรอมป์ต์” ซึ่งเป็นต้นเหตุที่ทำให้ได้ผลลัพธ์แบบนั้นตั้งแต่แรกจะได้เปรียบกว่า
- ยิ่งไปกว่านั้น หากปรับปรุงกระบวนการสร้างพรอมป์ต์ได้ก็ยิ่งดี (เช่น เขียนตัวอย่างโค้ดหรือเทสต์โค้ดก่อน)
- และถ้าพัฒนาสมองที่สร้างกระบวนการนั้นได้ด้วยก็ยิ่งดี ควรทบทวนประสบการณ์ที่ปิงปองกับ AI โดยไม่จำเป็น และพัฒนาความสามารถในการตัดสินใจว่าเมื่อไรควรลงมือเองและเมื่อไรควรใช้ AI
ส่งท้าย
- หนึ่งในเบนช์มาร์กหลักของเอเจนต์คือ “ทำงานได้นานแค่ไหน” แต่ในความเป็นจริง ผู้ใช้ส่วนใหญ่ (รวมถึงฉัน) ยังไม่มีศักยภาพพอจะมอบงานให้มันได้มากเท่าขีดจำกัดของเอเจนต์
- ฉันคิดว่าคนที่ “หางานที่เหมาะจะมอบให้เอเจนต์ได้ จัดหาเครื่องมือที่เหมาะสมให้ และทำให้มันทำงานได้นานด้วยการพรอมป์ต์อย่างเหมาะสม” จะกลายเป็นบุคลากรระดับท็อปในยุค AI
- หวังว่าเทคนิคที่แนะนำในบทความนี้จะช่วยเป็นการฝึกเพื่อก้าวไปสู่การเป็นคนแบบนั้น
1 ความคิดเห็น
ตรงกับประสบการณ์ของผมเลย!