开发者日常的整个作业流中，AI 大模型能做什么？ChatGPT 等 AI 大模型能不能经过开发者的指引，一步步完结从技能计划输出、编码、测验、发布到运营维护的整套流程？运用中有什么避坑点？本文从实践研发流程的各个环节动身，总结共享了 AI 大模型对研发效能的进步实践。欢迎围观～
目录
1 需求剖析
2 技能计划
3 编码
4测验
5 发布
6 运营
7 开发者运用AI大模型的注意事项
7.1 精确性
7.2错觉
7.3时效性
7.4知识产权
7.5 安全隐私和合规
8 总结
01、需求剖析
提取需求要害点
ChatGPT 经过对需求文档的剖析，主动提取要害需求和功用点，便利开发团队更好地了解项目需求。
经过总结和概括需求单的内容，能够将需求单转化成流程图，便利了解。
@startuml
actor 用户
actor 主张者
actor 参团者
box “拼多多渠道” #LightBlue
participant “产品详情页” as G
participant “拼团主张/参加” as P
participant “付出页面” as Pay
participant “订单承认” as O
participant “拼团成功/失利” as S
end box
用户 -> G : 检查产品详情
G -> P : 选择主张拼团或参加他人拼团
P -> Pay : 跳转至付出页面
Pay -> O : 付出成功，生成订单
O -> S : 拼团成功或失利
note over P : 主张拼团：创立新拼团\n参加拼团
note over S : 拼团成功：人数到达要求\n拼团失利：超时未到达人数要求
@enduml
02、技能计划
大表更新计划
以我亲历的某个场景为例：在某付出业务中，有一个大表4000万行数据，运用的 mysqlA5.6 的版本，需求更新某一行记载的数据，让 ChatGPT 规划 mysql 的大表更新计划，而且剖析死锁发生的风险。
GPT 给出了分批更新的计划，而且给出了详细的 sql ，还在开始之前提示用户进行数据备份。
业内计划的调研
假如要完结一个详细的体系，能够经过ChatGPT问询行业内的解决计划。
问询计划规划细节
在详细的完结细节上，也能够让ChatGPT给出主张。
读英文文档或论文
遇到不太懂的文档，能够让AI协助翻译和总结。
03、编码
生成代码（GitHub Copilot）
输入注释，等候主张即可。
能够获取本地的代码，进行代码提示。
生成单元测验（GitHub Copilot）
输入注释，等候生成单元测验。
// unittestof XXXfunction
生成文档（GitHub Copilot） 在需求生成注释的代码前添加//
github copilot能够依据用户输入的自然语言指令或问题，主动生成相应的指令行指令或答复。
例如，用户能够输入“install react”或“how do I run this file”等，github copilot会依据用户的输入和上下文，生成合适的指令行指令或答复。
转化语言（ChatGPT）
将python代码转化成C++代码。
解说代码（ChatGPT）
解说代码，而且制作流程图。
还原被混杂的代码（ChatGPT）
04、测验
主动生成测验用例和测验脚本
依据需求和代码逻辑，主动生成相应的测验用例和测验脚本，进步测验功率。
功能测验和优化主张
对代码进行功能测验，并给出优化主张、进步体系功能。
安全漏洞剖析
图片来历 www.secpulse.com/archives/19…
05、发布
布置脚本生成
ChatGPT能够依据项目的技能栈和布置环境，主动生成布置脚本，协助团队更快速地完结布置作业。
布置问题确诊与解决计划
在布置过程中遇到问题时，ChatGPT能够协助确诊问题原因，并供给相应的解决计划。
06、运营
毛病确诊与解决计划
在呈现毛病时，ChatGPT能够协助团队确诊问题原因，并供给相应的解决计划，以快速康复服务。
用户反应剖析
ChatGPT能够剖析用户反应数据，协助团队了解用户需求和痛点，然后优化产品和服务。
07、开发者运用AI大模型的注意事项
7.1 精确性咱们直接上个直观的例子：
练习数据的局限性：ChatGPT根据大量的文本数据进行练习。但是，这些数据或许包含过错信息、过时信息或许不精确的观念。因而，模型在练习过程中或许学到了这些过错的知识。
模型的了解才能：虽然ChatGPT在自然语言处理方面具有很强的才能，但它并不具备真实的了解力。有时，模型或许会误解用户的问题或上下文，然后给出过错或无关的答案。
模型的生成才能：ChatGPT在生成答复时，或许会根据其练习数据中的概率散布进行揣度。因而，它有时或许会生成流行度较高但不正确的答案，而疏忽了更精确但呈现频率较低的答案。
模型的置信度：ChatGPT在生成答案时，或许无法精确评价答案的可靠性。在面临复杂或模棱两可的问题时，模型或许无法给出明确的答案，而是依据其练习数据生成一个相对较为合理的答案。
问题表述的模糊性：假如用户的问题表述不明晰或具有歧义，ChatGPT或许难以精确把握问题的目的，然后给出过错或不相关的答案。
7.2 错觉
运用chatGPT需求特别注意其一本正经的胡言乱语：
在做日志和监控规划时，应该考虑以下要素：
第一，ChatGPT或许在其练习数据中具有固有的偏见或约束，这些数据或许不涵盖所有或许的情况或范畴。因而，当输入文本复杂或模糊时，它或许会生成根据不完整或不精确信息的输出。
第二，ChatGPT所在公司对其设置了“内容过滤器”，以避免其发生不当或有害的输出。但是，这些过滤器或许不完美，它们有时或许会过滤掉一些正常或有用的输出，或许或许会被一些技巧绕过。其间一种技巧称为“催眠”，它涉及在输入文本中添加一些暗示性或引导性句子，以改动ChatGPT的输出范围和奖赏机制。
第三，ChatGPT或许没有可靠的方法来验证其输出与实际或外部来历的一致性。因而，它或许会生成与事实或常识不一致的输出，或与其从前的答复相对立的输出。
7.3 时效性
ChatGPT的数据只能到2021年9月，需求注意数据提问的时间。
7.4 知识产权
AI生成的内容的知识产权归属在很多国家和地区仍然是一个模糊和不断发展的范畴。关于AI生成内容的知识产权确定，现在尚无统一的国际标准。在不同国家和地区，法令对此问题的处理方式或许有所不同。
一般来说，知识产权归属或许受以下几个要素影响：
AI的创造性程度：在某些国家和地区，假如AI体系仅仅是辅助人类创作者完结著作，那么知识产权或许归属于人类创作者。但假如AI体系的创造性程度较高，其生成的内容或许涉及到知识产权归属的复杂问题。
人类参加程度：在某些情况下，人类参加程度或许影响知识产权归属。例如，假如人类创作者对AI生成的内容进行了大量修改和改编，那么知识产权或许归属于人类创作者。
适用的法令和判例：不同国家和地区的法令和判例或许对AI生成内容的知识产权归属有所不同。例如，欧盟和美国的知识产权法令一般要求著作具有人类创作者，而英国和澳大利亚等国家的法令则对此问题的处理更为宽松。
用户协议和合同：在运用AI体系时，用户或许需求签署协议或合同，其间或许包含关于知识产权归属的规定。这些协议或合同或许规定，生成内容的知识产权归属于AI体系的开发者、运用者或其他相关方。
请注意，以上信息仅供参考，详细知识产权归属问题或许因详细情况而异。在处理与AI生成内容相关的知识产权问题时，请咨询专业律师或合规顾问。
7.5 安全隐私和合规
需求符合数据隐私维护、内容检查等准则规范。
08、总结
运用 ChatGPT 能够很快速协助开发者完结整套产品的作业流程，进步作业功率，但是在精确性和安全性的方面其才能还有待商榷。所以各位开发者在运用 ChatGPT 完结作业的同时，要特别注意数据隐私和知识产权这方面的问题。以上便是本篇文章全部内容，假如觉得有用的话点个赞吧~
在谈论区（点这里进入开发者社区，右边扫码即可进入公众号）聊一聊你在作业中运用ChatGPT进步功率的案例和经历。一起评论。咱们将选取1则最有创意的共享，送出腾讯云开发者-手机支架1个（见下图）。5月29日正午12点开奖。
