原文：

大模型编码目前最有效的模式

目前大模型的主流编码模式是问答和copilot，考虑到两者的优缺点，真正使用时建议是两者结合，通过问答生成代码框架（低频），使用copilot进行细节开发（高频），获得良好的效果。

https://mp.weixin.qq.com/s/KhKLPts54y6tgFKU6pIGQg

总结：

文章标题：

作者：

发布日期：

主要观点：

1. 大模型编码的两种主流方式：
• 问答式
• GitHub Copilot方式（简称copilot方式）

2. 问答式编码：
• 包括zero-shot、few-shot和动态prompt。
• 存在问题：提示词过长导致维护成本高、模型兼容性不足、token数超限、推理速度慢、局部细节精准度下降、调试成本高。

3. 大模型的局限性：
• 大模型主要是语言统计模型，对通用知识的编码效果较好，但私域知识的生成效果不足。
• 私域知识在大模型训练语料中占比低，导致生成效果不佳。

4. 建议：
• 对于编码高频场景，建议使用短提示词（输入token 2k以内）+通用知识的方式与大模型交互，以获得确定性效果。
• 长提示词仅适合生成代码框架的低频场景。

5. copilot方式的优势：
• 更精准地组织短提示词进行代码补全，无需开发人员维护提示词模板。
• 通过编程IDE抽取工作空间中的上下文，组织成精细化短提示词，获得更明确的效果。
• 适用于代码解释、需求理解、代码生成、代码注释、代码补全、代码优化、代码重构、bugfix等编码阶段的主要场景。

6. 代码补全的细分场景：
• 行内随手补
• 单行补
• 块补（控制流程补、注释补、函数补）

7. 获取精准上下文信息的方法：
• 拆解当前文件的代码结构。
• 对光标所处结构进行语法分析，形成AST。
• 在AST中搜索相对完整的语义特征。
• 增加被调用函数的原型。
• 将工作区和选定知识库的代码进行RAG，获取近似参考代码。
• 将上述部分作为精准提示词送给大模型进行代码补全。

8. 结论：
• 当前大模型的能力还处于辅助人的阶段。
• 建议结合问答式和copilot方式进行编码：
• 使用经过私域知识剥离的短提示词生成具备通用知识的代码。
• 使用copilot精准识别用户意图，通过小模型生成高准确率代码。

结论：