在我们开始之前，你必须先了解编程语言，然后才能相信 ChatGPT 抛给你的任何东西。 我必须明确这一点，因为许多误入歧途的绵羊被告知 ChatGPT 是新的圣杯，开发人员将被淘汰。

推荐：用 NSDT场景设计器 快速搭建3D场景。

使用 ChatGPT 或任何 LLM 不会自动让你成为大师，也不会自动让你更有效率。

一味的复制粘贴代码对任何人都没有好处； 这只是懒惰。 它可能会导致意想不到的后果，当你添加不理解的代码时，这可能会直接或间接地损害你的项目。

你需要承认 ChatGPT 已经使用 2021 年之前的公开数据进行了训练。结果可能有偏见、容易出错并且缺乏引用。 因此，最好始终牢记这一点，因为它提供准确和最新答案的能力并不比其训练数据集的准确性和相关性更好。 随着 OpenAI 弄清楚如何持续确保模型是最新的，这可能会随着时间的推移而改变。

如上所述，“提示”可能会生成答案或代码片段，这些答案或代码片段可能会引用较旧的框架版本或具有安全缺陷或错误的已弃用功能。

现在我们已经解决了这个问题，让我们进入并查看一些有价值的提示，这些提示将帮助你增强使用 ChatGPT 的方式。

ChatGPT 是上下文感知的。

ChatGPT 有文本输出限制，但可以通过键入“continue”或“继续”轻松绕过这一限制。

如果“继续”返回的解决方案略有不同，你可能需要返回并修复变量名称或更改函数参数的顺序。

如果你在聊天中问太多问题，它最终会失去上下文，因为每次你问一个新问题时它只会延续之前对话的有限部分。

要解决这个问题并保留上下文，可以编辑之前的问题并提出一个完全不同的问题。 ChatGPT 仍将保留更早之前的上下文，这对于询问有关同一应用程序中不同文件的编码问题很有用。

另一个提示是提示“Rewrite for ”让 ChatGPT 修改其答案。 具体说明你想要的输出样式。 “Teach me about code…”、“Write code on…”都会给出不同风格的答案，这可能与点击重新生成的响应不同。

有时，冗长、复杂的提示可能会产生相反的效果，因此保持简短和精确总是好的。 如果你给它太多的任务或者答案需要大量的文字，它可能只是拒绝回答/帮助。

最好描述程序，然后分别询问每个功能，同时指定与先前代码兼容的提示。 一旦你这样做了，你就可以得到想要的效果。

此外，我们可以继续这个上下文感知之旅，并通过根据之前的提示编写更复杂的逻辑来进一步操纵输出：

ChatGPT 可以帮助你为代码编写清晰简洁的文档，包括项目的 README.md 文件。 通过为模型提供有关你的代码的信息，它可以生成详细的文档来解释它的工作原理和使用方法。

采取的步骤包括：

• 提供带有你希望记录的代码功能片段的提示。 确保添加足够的上下文
• 如果需要，请提供更多详细信息
• 重复打磨

通过粘贴代码片段并提示建议，ChatGPT 可以帮助完成代码。 这为不同的问题解决技术提供了机会。 通过不断的提示，可以建立一个反馈循环来澄清特定的代码行，这有助于理解和深入了解你可以进行的潜在增强。

鉴于 ChatGPT 使用的是 Large Language Model (LLM)，即 Generative Pretrained Transformer，其中“生成”是指模型生成新内容的能力，该模型的底层基础是将大型训练数据集转换为数学 结构。 然后，它会学习该模式并使用它一次迭代地预测一个词，从而为给定的提示创建最佳响应。 这意味着你添加到其中的任何内容都可能用于未来的迭代训练。

在某些真实情况下，为了调查目的而插入代码片段是有意义的。 例如，交叉检查已经在公共领域的开源代码中的错误或不直接或间接披露专有公司机密的代码片段。

“这一切都是有趣的游戏，直到有人做了一些愚蠢的事情。”

以下是一些示例提示，可帮助你简化代码和重构工作：

ChatGPT 可以充当 SQL 终端并可以响应提示。 这对于测试很有用，但最好直接通过像 DBeaver 这样的 SQL IDE 来学习。

这是另一个用作正则表达式生成器的 ChatGPT 示例。 正则表达式会变得非常复杂； 测试和学习如何解释它们总是好的。

下面显示的第一个提示用于电子邮件验证。 你会注意到输出不符合 RFC2822 标准，该标准取代了 RFC822，并于 2001 年过时。因此，仅生成基本验证。 还可以提出进一步的请求以获得符合 RFC2822 规范的模式。

然后，我们可以在我们最喜欢的 IDE 中执行一些测试，并围绕生成的正则表达式编写测试用例，以确保它符合我们的要求。 请注意，协助并不意味着没有尽职调查、测试代码和验证是否处理了所有验收标准和边缘情况。

试试上面的 pytest。 你可能会注意到有些东西有点奇怪，这证明了我需要验证的观点。

ChatGPT 可以生成代码并不意味着它可以开箱即用。 诸如“给我写一个简单的 Django 待办事项列表应用程序”之类的提示会在一定程度上为简单的 Django Python 项目创建一个基本结构。 为了让生成的代码正常工作，你必须投入的工作量会更多，这有时可能会违反直觉，由于需要更多代码工作的上下文，可能会减慢你的速度。

如果你没有经验并且对框架和代码没有很好的理解，那么 ChatGPT 生成的任何内容都不会在现场生产环境中发挥作用。 ChatGPT 也不适合那些事先不了解他们请求 ChatGPT 信息的主题的人。

始终交叉检查外部引用并练习结对编程和代码审查，以验证推送到你的存储库中的任何代码。

有一种误解认为 ChatGPT 会神奇地为你简化一切。 像任何工具一样，它的结果完全取决于使用它的人。

我仍然相信编码是一个创造性的过程； ChatGPT 等工具可以协助但不能取代软件开发人员。 他们有能力帮助开发人员更聪明地工作，但也有能力让我们作为软件开发人员自满和脑残。

鉴于 ChatGPT 的准确性有时会受到质疑，在编写测试用例时，这是你可以安全地依赖 ChatGPT 作为灵感来源的领域。 鉴于测试用例不是代码执行的重要组成部分，与利用 ChatGPT 相关的风险可以忽略不计，获得的灵感可以帮助你编写更好的代码。

测试用例也很容易验证正确性，因为如果错误就会失败。 单元测试通常很容易理解，预期的结果是事先知道的。 LLMs 模型正确的可能性非常高。

测试计划是你可以生成的另一件事，这对于与 QA 相关的测试特别有用。 通过利用人工智能，QA 团队可以自动执行重复性任务，并深入了解可生成质量更高的系统的边缘案例。

示例：假设你有一个网站 app.ekyc.com，你在该网站上构建了一些功能并想要计划测试自动化。

这是简单易读的，可以作为 QA confluence 测试用例验收标准文档的良好起点。 你可以与质量检查团队分享此信息。

如果你是经验丰富的开发人员，一些使用该工具有意义的情况包括不需要脑力的繁琐工作。

• SQL表创建
• 增删改查代码
• 发送电子邮件
• 将数据导出到 CSV Excel
• 创建主要数据输入表单
• 用于列出表格数据的主数据网格

指示 ChatGPT 成为 X 的提示以得出该 X 的响应。

我希望你扮演一个<描述和精确避免歧义>的人。

作为数据科学家的 ChatGPT：

Chat GPT 作为仿真 Linux 终端：

ChatGPT 作为随机数据生成器，例如你需要测试数据样本时：

注意对于随机采样数据生成，如果你注意到结果输出不是唯一的，可能需要给出确切的提示以确保列随机化。

---