【課堂筆記】提問的藝術：用AI程式輔助工具加速開發效率｜蔡易霖 (8/22)

講師：蔡易霖

●Cupoy AI 學習社群 資料科學專家
●全民瘋AI系列發起人

擁有帶領超過二十個業界AI專案經驗，其領域包含智慧製造、醫療、交通、服務等。樂於技術研究，也有經營自媒體分享技術實作與教學。

一、前言

問題問得好，離答案就不遠了！我們都知道，說話有說話的藝術，而在AI當道的時代，如何問對問題，讓AI成為我們工作或生活最好的幫手，就必須掌握提問的藝術。本次課程我們將與大家分享，如何利用AI人工智慧幫助我們加速程式開發效率。

目前有市面上有許多生成式AI工具，包含ChatGPT、AutoGPT、AgentGPT、ChatPDF和ChartPDF等。然而，生成式AI雖然發展快速，且也給我們帶來生活和工作上的許多便利，我們在使用這些AI工具時注意一些事情。例如，我們在使用ChatGPT時就必須注意它生成結果的真實性。在無法辨別生成結果的真實性時，我們可以請ChatGPT提供網頁連結，或者自己至Google搜尋，透過這樣的雙重驗證來避免我們被ChatGPT缺乏真實性的回應所欺騙。雖然ChatGPT已經比以往的AI還厲害，但仍不能達到我們理想中的強AI的境界，也就是它的思考能力（Chain of Thought, CoT）還不夠強。而為了要幫助大家解決思考能力不夠強的問題，我們今天將與大家分享，如何透過好的提問，引導ChatGPT產出好的答案。

二、什麼是Prompt Engineering

要了解什麼是Prompt Engineering （PE），則必須先了解「prompt」是什麼。Prompt簡單來說就是給AI模型的指令，它可以是一個問題，也可以是一段文字描述。而好的指令通常是簡單明瞭的，並且清楚地將我們的需求和問題告訴AI。PE其實就是「提示工程」，可以打造高效、可控的AI系統，並且精確且可靠地執行特定任務。所以有好的提示工程，就可以加速並提升我們生成式AI的使用體驗，同時提高我們的工作效率。

那麼，提示工程在整個專案流程扮演什麼角色呢？假設我們是一位軟體工程師，想請ChatGPT幫助我們重構程式碼，並將該程式碼貼上。然而這樣子的提問可能不夠明確，ChatGPT可能不知道我們程式碼是何種語言，以及我們想要讓它做什麼。此時，我們就可以用不同的程式工程，協助我們挑選樣板套用進我們的流程中，更明確地告訴ChatGPT我們的程式碼使用的是何種語言，以及要請ChatGPT做什麼。最後，ChatGPT就會依照我們透過提示工程優化的指令，生成一個重構後的程式碼（圖 1）。可見使用了提示工程後，不僅可以幫助我們開發程式，也可以加速我們的工作效率。

三、提問的藝術：利用Prompt Engineering創造有效指令 

從上節的簡介可以發現，如果我們想要繞過一些限制，或者更好地發揮AI的能力，那麼我們就會需要用到程式工程技術。接下來，我們將介紹大家三個好用的程式工程技術，提升我們使用生成式AI的效率。

1. ChatGPT Prompt Framework

假設我們想要針對ChatGPT產生好的提示工程，我們便可以在給ChatGPT的指令中包含四個資訊。第一個為指令，也就是我們所說的prompt，告訴AI我們希望它執行的具體任務。第二為提供ChatGPT背景資訊或上下文訊息，以引導它生成更好的回覆。第三為輸入資料，將我們想要ChatGPT協助處理的資料餵給它。最後則是輸出格式，我們可以依照個人的需求，要求ChatGPT以特定形式呈現結果（圖 2）。以上四個元素除了第一點以外，其他三項都可以根據自己的需求選填。

2. CRISPE Prompt Framework

CRISPE為另一個有效提問的框架，CRISPE即能力與角色 （Capacity and Role）、洞察力 （Insight）、指令（Statement）、個性（Personality）與嘗試（Experiment）五個英文單字開頭的組合。我們可以在問ChatGPT問題時，告訴它要扮演什麼角色、提供背景資訊，並告訴它我們希望它做什麼、要用什麼風格或方式回答問題，甚至也可以要求ChatGPT提供多個答案給我們（圖 3）。

3. Chain-of-Thought Prompting （CoT）

接下來，我們要與大家分享，如何透過CoT的技術，來讓ChatGPT可以不掉入我們問題的盲點或陷阱，解決它思考能力有限的問題。舉例來說，我們問ChatGPT「一顆蘋果30元，一顆橘子15元，我拿了三顆蘋果和一顆橘子，結帳時又多拿了一顆橘子，請問總共花了多少錢？」若我們直接傳送此問題給ChatGPT，它就會粗心地只看到「我拿了三顆蘋果和一顆橘子」，卻沒有注意最後「結帳時又多拿了一顆橘子」，導致最後計算錯誤。這個時候，我們可以透過加上「讓我們一步一步地思考」這句話，就能夠成功引導AI一步步地注意我們問題中的細節，得到正確的答案（圖 4）。

四、程式開發小助手：AWS CodeWhisperer 與 Bito AI

生成式AI的出現對於軟體工程師的工作也有許多幫助，主要可以分為四個面向。首先，它可以擔任如同軟體顧問的角色，自動回答我們軟體開發的相關問題，並提供解決方案與策略。另外，它也可以協助我們生成程式碼，利用大模型自動生成程式碼，減少我們重複的工作以增進開發效率。除此之外，生成式AI也可以幫我身為軟體工程師的我們生成文件。程式開發完後就必須生成文件，我們可以利用生成式AI協助生成或更新軟體文件，不僅省時，也可以提高準確性和一致性。最後，它也可以幫助我們做最後的程式的單元測試，增強軟體品質和可靠性。本節主要將重點置於第二個生成程式碼的面向，分享如何透過AWS CodeWhisperer幫助我們寫程式。

「AWS CodeWhisperer」是一款由亞馬遜公司開發的AI編碼輔助工具，其用法與目的與GitHub Copilot相似，但AWS CodeWhisperer個人版因目前還在測試中，所以目前可免費使用。它基本上支援了大部分熱門的程式語言和編輯器。接著，我們就來看看如何使用ASW吧！

1. 在VS Code安裝AWS CodeWhisperer

要在VS Code中安裝AWS CodeWhisperer，我們必須先在VS Code中左側的「擴充套件」搜尋「AWS Toolkit」，就可以開始安裝。安裝完成後，我們便可以在左邊的工具列找到AWS的圖示，接著再點選「start」就可以開啟AWS CodeWhisperer。如果我們是首次使用，則必須先註冊「AWS Builder ID」才能使用喔！

2. 透過JupyterLab使用AWS CodeWhisperer

如果我們要啟用JupyterLab的CodeWhisperer功能，必須先打開終端機輸入兩行指令：「pip install amazon-codewhisperer-jupyterlab-ext」以及「jupyter server extension enable amazon_codewhisperer_jupyterlab_ext」。成功開啟後，我們可以在下方的工具列找到「start CodeWhisperer」。同樣地，如果是第一次執行，我們必須先依照只是進行註冊。

接著，我們以糖尿病預測資料集示範如何使用AWS CodeWhisperer。首先，資料科學家最常使用的就是引入套件。我們可以直接將註解複製貼上AWS，它就會自動預設我們可能會想撰寫何種程式碼，並提供給我們多個選項做選擇。接著，我們可以告訴AI我們想要載入資料集，它便會預測我們可能載入的資料集檔案。挑選好我們想要的資料集檔案後，就可以貼上想請AI幫忙載入的資料集（圖 5）。

成功載入資料後，我們就可以依照個人需求請AI提供協助。例如，若我們想要查看資料特徵，就可以直接輸入「統計特徵」。如果我們想將AI整理出來的特徵視覺化，也可以直接下指令，請它「將前六個特徵用長條分布圖視覺化，並使用histplot繪製」（圖 6）。

上述的演示我們可以發現，其實我們不需要輸入任何的程式碼，只要有好的提問，CodeWhisperer都可以幫我們生成程式碼。不過，雖然它相當方便，但我們也不能太貪心，必須一步一步地讓AI協助我們撰寫程式碼，最後如果想撰寫一個模型，可以再請AI根據前面步驟所推演出的結果生成一個模型。

3. Bito AI程式助手

對於沒有程式背景的使用者，ASW Code Whisperer可能較難上手，因此我們在課程最後要再與大家分享另一個寫程式的助手「Bito AI」。我們一樣可以再VS Code 中下載Bito AI。使用Bito AI時，我們只要清楚地告訴它指令，像是要以何種程式語言撰寫程式碼、需要包含什麼功能，以及希望它可以依照何種風格撰寫即可。接著Bito AI就可以很快地依照我們的指令撰寫並測試程式碼（圖 7）。

五、結語

本次課程所介紹的提示工程（Prompt Engineering）可以幫助大家優化使用生成式AI時的指令，而最後所介紹的兩個程式開發生成式AI，更讓我們了解，只要能夠掌握提問的藝術，知道如何問問題、下指令，就可以讓生成式AI變成我們在工作上的好幫手。然而，還是不免俗地要提醒大家，生成式AI雖然可以很快速地寫出程式碼，但仍有可能會出錯。因此，我們還是必須不斷精進我們的專業素養，才有辦法在AI出錯時立即發現，避免AI反而變成一個幫倒忙的助手。

【若想回顧完整版課程影音，請點選此連結；有任何問題或分享，也歡迎在本文底下留言。】

瀏覽 2,698 次