6 Best Practices für die LLM-Codegenerierung

1. Verwende YAML-strukturierte Ausgabe anstelle von JSON-Format - YAML hat eine höhere Fehlertoleranz, JSON neigt zu Formatfehlern, die nicht geparst werden können - YAML-Inhalt verbraucht weniger Tokens 2. Aufzählungspunkte-Analyse - Wenn man LLM bittet, Probleme zu analysieren, führt die Aufforderung zur Ausgabe in Aufzählungspunkten zu besseren Ergebnissen - Aufzählungspunkte fördern tiefes Verständnis und logische semantische Segmentierung - Beispiel: Selbstreflexionsfragen mit Aufzählungspunkten für allgemeine Beschreibung, Ziele und Regeln, Eingabestruktur, Ausgabestruktur 3. LLMs sind hervorragend darin, modularen Code zu generieren - Anweisung: 'Teile den generierten Code in mehrere kleine Unterfunktionsmodule auf und gib ihnen aussagekräftige Namen' - Führt zu weniger Fehlern und höherem Erfolg bei iterativen Korrekturen 4. Flexible Entscheidungsfindung und doppelte Validierung - Nach der ersten Ausgabe das Modell bitten, dieselbe Ausgabe erneut zu generieren und bei Bedarf zu korrigieren - Beispiel: dem Modell seine eigenen KI-Tests als Eingabe zuführen, Tests neu generieren und Fehler korrigieren - Effektiver als die Frage 'Ist dieser Test korrekt?' mit Ja/Nein-Fragen 5. Entscheidungsfindung verzögern, direkte Fragen vermeiden, Explorationsraum geben - Mit der einfachsten Aufgabe beginnen: Selbstreflexion und Überlegungen zu öffentlichen Testfällen - Dann zusätzliche KI-Tests und mögliche Lösungen generieren - Erst nachdem das Modell geantwortet hat, zur eigentlichen Codegenerierung und iterativen Korrektur übergehen - Mehrere mögliche Lösungen bewerten und einstufen, die am höchsten eingestuften für die erste Codierung priorisieren 6. Flussorientierte Überwachung - Einen wissenschaftlichen Ablauf entwerfen, Daten Schritt für Schritt sammeln, in jeder Phase neue Daten hinzufügen - Beispiel für CodeContests: zweiphasiger Ablauf mit Schritten für Reflexion, öffentliche Testanalyse, Lösungsgenerierung - Daten in jedem Schritt validieren und auswählen, mit iterativer Korrektur bei Fehlern