代码生成原理

以下是关于根据代码生成需求文档的 prompt 相关内容： 背景： 手动写 prompt 很麻烦，只想在出现缺陷时修修改改，所以让 GPT 来起草提示词。 结论： 1. 起草效果不错，按照结构化 prompt 结构输出，具有朴实有用的 Skills，符合先后以及事务本身处理顺序的 Workflows，至少有 3 个支持 Workflows 思维链陈述的 Examples。 2. 节省时间以及脑力，Skills、Workflows、Examples 初稿不用再思考。 3. API 接口中“gpt40613”效果可用且优秀，chatGPT 网页版不理解这个提示词，生成稳定，下方是连续测试 4 次的提示词及其效果。 优化方向：暂无 生成需求文档的步骤： 1. 生成设计方案：将需求抽象简化，分别用不同的 Prompt 生成多份设计方案进行对比。通过调整 Prompt 找到最优方案，避免限制 AI 的发挥空间。 2. 生成代码：确定方案后，完善细节，将完整设计交给 AI 生成代码。如果生成结果有问题，通过调整 Prompt 或更换模型反复优化。 关于 prompt 的基础知识： 1. prompt 是一段指令，用于指挥 AI 生成您所需要的内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则： 用英文半角符号逗号,来分隔 tag。注意逗号前后有空格或者换行都不影响效果。 改变 tag 权重： ：数值从 0.1~100，默认状态是 1，低于 1 就是减弱，大于 1 就是加强。 括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍。 进行 tag 的步数控制（高级玩法）：就是 SD 先按您输入的这个 tag1 开始生成，然后在达到您设定的步数之后，tag1 停止产生作用，此时 tag2 再参与到对内容生成的影响。，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

以下是关于代码生成的相关内容： 大语言模型在代码生成方面是一个有效的应用场景，例如 Copilot 就是很好的示例。您可以通过有效的提示词执行代码生成任务。比如，可以用它写简单的用户欢迎程序，甚至不需要指定编程语言。还可以进行升级，如提供有关数据库架构并要求生成有效的 MySQL 查询。 在 Cursor 中，Cmd K（在 Windows/Linux 上也称为“Ctrl K”）允许在编辑器窗口中生成新代码或编辑现有代码。按 Ctrl/Cmd K 时出现的栏称为“Prompt Bar”，其工作原理类似于用于聊天的 AI 输入框，您可以正常键入，或使用引用其他上下文。如果未选择任何代码时按 Ctrl/Cmd K，Cursor 将根据您在提示栏中键入的提示生成新代码。对于就地编辑，只需选择要编辑的代码，然后在提示栏中键入即可。 另外，代码生成领域的许多前沿问题已从研究转向工业，关于代码生成和代码代理（如 Devin）的实用工程建议只出现在工业博文和会谈中，而不是研究论文中。

以下是关于代码生成的相关内容： 大语言模型在代码生成方面是一个有效的应用场景，例如 Copilot 就是很好的示例。您可以通过有效的提示词执行代码生成任务。比如，我们可以用它写一个简单的用户欢迎程序，甚至不需要指定使用的编程语言。还可以进行升级，如提供有关数据库架构并要求生成有效的 MySQL 查询。 在 Cursor 中，Cmd K（在 Windows/Linux 上也称为“Ctrl K”）允许在编辑器窗口中生成新代码或编辑现有代码。按 Ctrl/Cmd K 时出现的栏称为“Prompt Bar”，其工作原理类似于用于聊天的 AI 输入框，您可以正常键入，或使用引用其他上下文。如果按 Ctrl/Cmd K 时未选择任何代码，Cursor 将根据您在提示栏中键入的提示生成新代码。对于就地编辑，只需选择要编辑的代码，然后在提示栏中键入即可。 另外，代码生成领域的许多前沿问题已从研究转向工业，关于代码生成和代码代理（如 Devin）的实用工程建议只出现在工业博文和会谈中，而不是研究论文中。

以下是一些具备文案写作、代码生成、API 接口功能的 AI 工具： 1. OpenAI API：可以应用于几乎所有涉及生成自然语言、代码或图像的任务，提供了一系列不同能力级别的模型，适用于不同任务，并且能够微调您自己的自定义模型。 2. Ideogram 2.0：是目前 AI 设计能力较强的工具，文字生成效果好且准确（仅限英文），图像生成效果优于 Flux&Dalle·3，提供 API 接口，方便企业集成高级图像生成功能。 3. Grammarly：提供语法检查、拼写纠正、风格建议和语气调整等功能，易于使用，支持多种平台，适用于多种语言。 4. Hemingway Editor：简化句子结构，提高可读性，标记复杂句和冗长句，界面简洁，重点突出，适用于改善写作风格和简洁性。 5. ProWritingAid：全面的语法和风格检查，提供详细的写作报告和建议，功能强大，支持多种平台和集成，特别适合专业写作者。 6. Writesonic：基于 AI 生成各种类型的文本，包括电子邮件、博客文章、广告文案等，生成速度快，适合需要快速创作和灵感的用户。 7. Lavender：专注于邮件写作优化，提供个性化建议和模板，帮助用户提高邮件打开率和回复率。

以下是关于前端代码生成的相关信息： GPTPilot： 是 AI 开发者伴侣，能从零开始构建整个应用程序，包括编写代码、配置开发环境、管理开发任务、调试代码等，开发者只需监督开发过程。 主要功能包括自动化编码，能生成各种类型的代码，如前端、后端和数据库代码；交互式开发，开发者指定应用类型后，它会提问澄清需求并创建产品和技术要求。 在代码生成质量不断完善的基础上，加上前端项目相关信息的配置页面和生成预览页面、后端代码生成，能面向更多使用者；增加适配更多框架，能面向更多应用平台。 Vercel 发布的前端代码生成平台 v0.dev： 通过语言描述生成界面代码，可直接预览和调整生成的代码，完成后能复制或在 Vercel 上面部署。 目前只能生成 React 和 HTML，由的能力组成，未用其他库，目前需要加入等待列表。 Cursor： 包含强大的自动完成功能，可预测下一次编辑，启用后始终打开，会跨多行建议对代码进行编辑，并能考虑到最近的更改。 可以看到最近的更改，预测下一步要做的事。 能一次建议多个编辑，节省时间。 不小心输入会修复错误。 会预测下一个光标位置，以便无缝导航代码。

以下是关于 AI 代码生成的相关内容： 使用工作流配置 Code 节点： 可以在 Code 节点内使用 IDE 工具，通过 AI 自动生成代码或编写自定义代码逻辑，处理输入参数并返回响应结果。 配置示例可参考。 该节点支持 JavaScript、Python 运行时。 JavaScript 支持 TypeScript，提供静态语言编码体验。内置了 dayjs（版本 1.8.36）和 lodash（版本 4.17.20）两个三方依赖库，运行时遵循列举的大多数 API，具体可用的 API 可在 IDE 内编码时参考代码提示。 Python 内置了 requests_async 和 numpy 两个三方依赖库，requests_async 依赖库与 requests 类似，但需要 await。Python 运行时暂不支持 Http.client 方式的请求。 在节点内的 Code 区域单击 Edit in IDE 可通过 IDE 编辑和调试代码。 使用 AI 生成代码：可以在 IDE 底部单击尝试 AI，并输入自然语言设定代码逻辑，AI 将自动生成代码。也可以选中代码片段，通过快捷键（macOS 为 CommandI、Windows 为 Ctrl+I）唤起 AI，并输入自然语言让 AI 帮助修改代码。 宝玉日报中的代码生成步骤： 步骤 1：生成设计方案，将需求抽象简化，分别用不同的 Prompt 生成多份设计方案进行对比，通过调整 Prompt 找到最优方案，避免限制 AI 的发挥空间。 步骤 2：生成代码，确定方案后，完善细节，将完整设计交给 AI 生成代码。如果生成结果有问题，通过调整 Prompt 或更换模型反复优化。总结来说，要像经理一样管理 AI“员工”，通过明确需求、方案对比、反复优化，提升代码质量与开发效率。相关链接： python 安装 FittenAI 编程助手： 这两年 AI 发展迅猛，编程助手能提供实时建议和解决方案，提升编程效率。 安装前需先安装 python 的运行环境： 安装：点击左上角的 FileSettingsPluginsMarketplace 注册（免费）：安装完成后左侧会出现 Fitten Code 插件图标，注册登录后即可开始使用 智能补全：按下 Tab 键接受所有补全建议，按下 Ctrl+→键接收单个词补全建议 AI 问答：通过点击左上角工具栏中的 Fitten Code–开始新对话打开对话窗口进行对话 自动生成代码：Fitten Code 工具栏中选择"Fitten Code生成代码"，然后在输入框中输入指令即可生成代码 代码转换：Fitten Code 可以实现代码的语义级翻译，并支持多种编程语言之间的互译。选中需要进行翻译的代码段，右键选择"Fitten Code–编辑代码"，然后在输入框中输入需求即可完成转换 自动生成注释：Fitten Code 能够根据代码自动生成相关注释，通过分析代码逻辑和结构，为代码提供清晰易懂的解释和文档。

学习 AI 在工作中使用以提高工作效率，不一定需要从技术原理开始学习。以下是一些相关的案例和建议： 案例一：GPT4VAct 是一个多模态 AI 助手，能够模拟人类通过鼠标和键盘进行网页浏览。其应用场景在于以后互联网项目产品的原型设计自动化生成，能使生成效果更符合用户使用习惯，同时优化广告位的出现位置、时机和频率。它基于 AI 学习模型，通过视觉理解技术识别网页元素，能执行点击和输入字符操作等，但目前存在一些功能尚未支持，如处理视觉信息程度有限、不支持输入特殊键码等。 案例二：对于教师来说，有专门的 AI 减负指南。例如“AI 基础工作坊用 AI 刷新你的工作流”，从理解以 GPT 为代表的 AI 工作原理开始，了解其优势短板，学习写好提示词以获得高质量内容，并基于一线教师工作场景分享优秀提示词与 AI 工具，帮助解决日常工作中的常见问题，提高工作效率。 建议：您可以根据自身工作的具体需求和特点，有针对性地选择学习方向。如果您只是想快速应用 AI 提高工作效率，可以先从了解常见的 AI 工具和应用场景入手，掌握基本的操作和提示词编写技巧。但如果您希望更深入地理解和优化 AI 在工作中的应用，了解技术原理会有一定帮助。

以下是为您从最基本的原理开始讲解的相关内容： 强化学习： 从最开始的 K 臂抽奖机器入手讲解了强化学习的基本原理，然后切入到 Qlearning 中学习如何使用 Q 表来进行强化学习，最后再借助神经网络将 Q 表替换成用函数来拟合计算 Q 值。 参考文章： https://lilianweng.github.io/posts/20180123multiarmedbandit/ https://yaoyaowd.medium.com/%E4%BB%8Ethompsonsampling%E5%88%B0%E5%A2%9E%E5%BC%BA%E5%AD%A6%E4%B9%A0%E5%86%8D%E8%B0%88%E5%A4%9A%E8%87%82%E8%80%81%E8%99%8E%E6%9C%BA%E9%97%AE%E9%A2%9823a48953bd30 https://zh.wikipedia.org/wiki/%E8%92%99%E5%9C%B0%E5%8D%A1%E7%BE%85%E6%96%B9%E6%B3%95 https://rl.qiwihui.com/zh_CN/latest/partI/index.html https://github.com/ty4z2008/Qix/blob/master/dl.md https://hrl.boyuai.com/ http://zh.d2l.ai/ 苏格拉底辩证法及其第一性原理： 这里所说的“辩证法”，是一种通过提问和回答，深入挖掘、质疑和明确观念的艺术，是始于苏格拉底的、源头上的“辩证法”。这门艺术可通过一系列问题，不断挑战人们对世界的既定认知，揭示其中的矛盾和不足，从而引领人们学会自我反思并走向真理。把 AI 作为方法，就是要用辩证法以对话方式引导出 AI 被预训练的世界级的知识和推理能力，然后使其变成我们可以重复调用的“专家级团队”。既然先进的大语言模型是预训练的、以自然语言对话为交互的，又因为人们创造“概念”是为了对事物达成共识，并能更好地交流，所以我们就选择从对话开始，追本溯源，探索如何对话、如何训练对话能力及如何操纵概念——直达认知事物的第一性原理，然后再回到应用上来。 Stable Diffusion： 从艺术和美学的角度来看，扩散模型可以被理解为一种创作和表达过程，其中的元素通过互动和影响，形成一种动态的、有机的整体结构。 前向扩散过程是一个不断加噪声的过程。例如，在猫的图片中多次增加高斯噪声直至图片变成随机噪音矩阵。对于初始数据，设置 K 步的扩散步数，每一步增加一定的噪声，如果设置的 K 足够大，就能够将初始数据转化成随机噪音矩阵。扩散过程是固定的，由 Schedule 算法进行统筹控制。同时扩散过程也有一个重要的性质：可以基于初始数据 X0 和任意的扩散步数 Ki，采样得到对应的数据 Xi 。 反向扩散过程和前向扩散过程正好相反，是一个不断去噪的过程。将随机高斯噪声矩阵通过扩散模型的 Inference 过程，预测噪声并逐步去噪，最后生成一个小别墅的有效图片。其中每一步预测并去除的噪声分布，都需要扩散模型在训练中学习。

人工智能的工作原理可以通过以下动画来描述： 在一个动画场景中，首先有一个传统工作流的部分，就像精心搭建的积木城堡，每一块积木的位置和形状都被精确设计和控制，这代表着传统工作流的可控性和高成本、慢速度。 然后是 AI 工作流的部分。想象一下，有一团混乱的色彩在飞舞，这团色彩代表着随机和不可控。但在这混乱中，有一种力量在尝试引导和塑造，就像在狂风中努力抓住风筝线一样，这就是在随机性中寻找可控性。 比如在一个生成音频与视频同步的例子中，动画展示了一个系统。首先，系统将视频输入编码成压缩的表示形式，就像把一大包东西压缩成一个小包裹。然后，扩散模型从随机噪声中不断改进音频，就像在混沌中逐渐塑造出清晰的声音。这个过程受到视觉输入和自然语言提示的引导，最终生成与提示紧密配合的同步逼真音频。最后，音频输出被解码，变成音频波形，并与视频数据完美结合。 总的来说，传统工作流在可控中寻找创新的随机，而 AI 工作流更多是在随机中寻找可控，两者各有优劣，结合起来能创造出更出色的成果。

以下是 AI 模型和机器学习的分类： 1. AI（人工智能）：是一个广泛的概念，旨在使计算机系统能够模拟人类智能。 2. 机器学习：是人工智能的一个子领域，让计算机通过数据学习来提高性能。包括以下几种类型： 监督学习：使用有标签的训练数据，算法学习输入和输出之间的映射关系，包括分类和回归任务。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训练小狗。 3. 深度学习：是机器学习的一个子领域，模拟人脑创建人工神经网络处理数据，包含多个处理层，在图像识别、语音识别和自然语言处理等任务中表现出色。 4. 大语言模型：是深度学习在自然语言处理领域的应用，目标是理解和生成人类语言，如 ChatGPT、文心一言等。同时具有生成式 AI 的特点，能够生成文本、图像、音频和视频等内容。 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，不依赖循环神经网络或卷积神经网络。生成式 AI 生成的内容称为 AIGC。

生成式人工智能的原理主要包括以下几个方面： 1. 基于深度学习技术和机器学习算法：通过大规模的数据集训练深度神经网络模型，学习各种数据的规律和特征，从而实现对输入数据的分析、理解和生成。 2. 监督学习：例如在生成文本时使用大语言模型，通过监督学习不断预测下一个词语，经过大量的数据训练，从而生成新的文本内容。这通常需要千亿甚至万亿级别的单词数据库。 3. 从大量现有内容中学习：包括文本、音频和视频等多模式的内容，这个学习过程称为训练，其结果是创造“基础模型”，如为聊天机器人提供支持的大型语言模型（LLM）。基础模型可用于生成内容并解决一般问题，也可以使用特定领域的新数据集进一步训练以解决特定问题。

LLM（大语言模型）的工作原理如下： 以“我今天吃了狮子头和蔬菜”这句话为例，在 Transformer 中，会由 Attention 层对其加入更多信息补充，如“狮子头是一道菜”“今天是星期六”等，这些补充信息作为输入给到下一个 Attention 层，层与层之间，哪些信息补充、保留、传递，由模型自主学习，最终模型把海量数据以关系网形式“消化”并保留重要相关性。 形象地说，就像人阅读文章时的连贯性注意力过程，在阅读理解时，脑子里会消化吸收记忆，记忆的不是点状知识，而是网状经验。 大模型以词向量和 Transformer 模型学习海量知识，把知识作为向量空间中的关系网存储，接受输入时通过向量空间中的匹配进行输出。 观察大模型回复，是一个字一个字流式输出的，因为大模型确实在一个字一个字地推理生成内容。比如输入法输入联想，根据输入的单个字推测下一个字，加入上下文能帮助模型理解下一个字。但存在两个问题：一是全量数据计算算力吃不消，二是仅算字的概率易被不相干信息干扰，此时词向量机制和 Transformer 模型中的 Attention 自注意力机制解决了难题。 另外，RAG 对大语言模型的作用就像开卷考试对学生，事实性知识与 LLM 的推理能力相分离，被存储在容易访问和及时更新的外部知识源中，分为参数化知识（模型训练中学习得到，隐式储存在神经网络权重中）和非参数化知识（存储在外部知识源，如向量数据库中）。