chatgpt檢測腳本語法 程序員的未來屬于「偽代碼」

非常擅長生成模板代碼，在特定指令下提供一份包含少量函數的短腳本代碼。

比如下面的例子中，研究人員要求 將四個常用函數的輸入和輸出串一起。并提供一個將此函數用于模擬數據的示例代碼。

可以看到 生成的結果幾乎是完美的，調試代碼只花了幾分鐘，不過需要在提示中非常具體地說明 ，包括提供命名和用到的函數。

研究人員發現，成功的關鍵在于：

1、將復雜任務分解成多個子任務，每個子任務最好只需要少數幾個步驟即可完成，畢竟 生成的代碼是基于概率文本預測模型的結果。

2、 在使用已經存在的函數時表現最佳，因為這時只涉及內插而非外推。

例如，使用正則表達式（）從文本中提取信息的代碼對于許多開發人員來說是非常困難的，不過因為已經有正則網站提供了大量在線示例，并可能出現在 示例中，所以 寫正則的性能還是不錯的。

3、學術界對 最大的批評之一是其信息來源缺乏透明度。

對于代碼生成任務，通過指定「命名空間」（），即在使用函數時顯式調用包名可以實現一定程度的透明性。

不過 可能會直接復制個人的公開代碼而沒有引用出來，并且研究人員仍然有責任驗證正確的代碼歸屬人。

同時，如果要求生成更長的腳本會暴露出一些 的缺陷，例如偽造函數名或參數等，這也是 禁用 生成代碼的原因。

但如果用戶提供了一組明確的執行步驟， 仍然可以生成一個有用的工作流模板，定義步驟之間的輸入和輸出之間的連接，這可能是用 GPT-3 外推生成新代碼的最有用的途徑。

目前 還不能將偽代碼（用簡單語言描述的算法步驟） 轉換為完美的計算機可執行代碼，但這可能離現實并不遙遠。

對于初學者、不熟悉的編程語言來說特別有幫助，因為初學者只會寫一些較短的腳本，調試更方便。

更擅長非創造性任務

最擅長解決的是耗時的公式化任務，可用于調試、檢測和解釋代碼中的錯誤。

在編寫函數文檔時也非常有效，例如使用 2 的內聯文檔語法，在標識出所有參數及類上非常高效，不過卻很少解釋如何使用函數。

一個關鍵的限制是 的生成被限制在大約 500 個單詞，只能專注于較小代碼塊的生成，同時還可以生成單元測試以自動化確認代碼功能。

給出的大多數建議在定義測試的結構和檢查預期的對象類方面是很有幫助的。

最后， 在對代碼進行重新格式化以遵循標準化（例如 ）代碼樣式方面非常有效。

未來屬于偽代碼

和其他人工智能驅動的自然語言處理工具已經準備好將開發人員的簡單任務進行自動化，例如編寫短函數，語法調試，注釋和格式化，而擴展復雜性取決于用戶的調試意愿（以及他們的熟練程度）。

研究人員總結了 在代碼生成上的功能，可以簡化科學領域的代碼編寫過程，不過人工檢查仍然是必要的，可運行的代碼并不一定意味著代碼能夠執行預期的任務，因此單元測試或非正式的交互式測試仍然至關重要。

在解決方案可能由人類開發，并由 簡單復制生成的情況下，確保正確的代碼歸屬人至關重要。

目前已經有聊天機器人開始自動提供指向其來源的鏈接（例如chatgpt檢測腳本語法，微軟的必應），盡管這一步還處于起步階段。

與傳統方法相比， 提供了一種學習編碼技能的替代方法，通過將偽代碼直接轉換為代碼，可以緩解編寫初始任務的障礙。

研究人員懷疑未來的進展將使用 這樣的工具來自動調試編寫的代碼，根據遇到的錯誤迭代地生成、運行和提出新代碼chatgpt檢測腳本語法，在實驗過程中，研究人員發現糾正代碼的能力有限，只有在非常具體的指令針對小代碼塊時才會偶爾成功，調試過程的效率遠低于人工調試。

研究人員猜想，隨著技術的進步（比如最近發布的 GPT-4 模型chatgpt檢測腳本語法，據稱比 GPT-3 模型大 10 倍），自動化調試將會得到改進。

未來即將到來，現在是開發人員學習提示工程技能以利用新興 AI 工具的時候了，研究人員預計，使用人工智能生成的代碼將成為軟件開發各個方面越來越有價值的技能，這些技能是科學發現和理解的基礎。

參考資料：

免責聲明：本文系轉載，版權歸原作者所有；旨在傳遞信息，不代表本站的觀點和立場和對其真實性負責。如需轉載，請聯系原作者。如果來源標注有誤或侵犯了您的合法權益或者其他問題不想在本站發布，來信即刪。