एलएलएम कोड जनरेशन के लिए 6 सर्वोत्तम अभ्यास

1. JSON प्रारूप के बजाय YAML संरचित आउटपुट का उपयोग करें - YAML में त्रुटि सहनशीलता अधिक होती है, JSON में प्रारूप त्रुटियों की संभावना होती है जिन्हें पार्स नहीं किया जा सकता - YAML सामग्री कम टोकन की खपत करती है 2. बुलेट पॉइंट विश्लेषण - LLM से समस्याओं का विश्लेषण करवाते समय, बुलेट पॉइंट्स में आउटपुट मांगना बेहतर परिणाम देता है - बुलेट्स गहरी समझ और तार्किक शब्दार्थ विभाजन को बढ़ावा देते हैं - उदाहरण: सामान्य विवरण, लक्ष्य और नियम, इनपुट संरचना, आउटपुट संरचना के लिए बुलेट्स के साथ आत्म-चिंतन प्रश्न 3. LLM मॉड्यूलर कोड उत्पन्न करने में उत्कृष्ट हैं - निर्देश दें: 'जनरेट किए गए कोड को कई छोटे उप-फ़ंक्शन मॉड्यूल में विभाजित करें और उन्हें सार्थक नाम दें' - इससे कम त्रुटियां होती हैं और पुनरावृत्त सुधार में अधिक सफलता मिलती है 4. लचीला निर्णय-निर्माण और दोहरा सत्यापन - प्रारंभिक आउटपुट के बाद, मॉडल से वही आउटपुट फिर से उत्पन्न करने को कहें और आवश्यकता पड़ने पर सुधार करें - उदाहरण: मॉडल को उसके अपने AI परीक्षणों को इनपुट के रूप में दें, परीक्षणों को पुनः उत्पन्न करें, और त्रुटियों को सुधारें - यह 'क्या यह परीक्षण सही है?' जैसे हां/नहीं प्रश्न पूछने से अधिक प्रभावी है 5. निर्णय लेने में देरी करें, सीधे प्रश्नों से बचें, अन्वेषण की गुंजाइश दें - सबसे सरल कार्य से शुरू करें: सार्वजनिक परीक्षण मामलों के बारे में आत्म-चिंतन और तर्क - फिर अतिरिक्त AI परीक्षण और संभावित समाधान उत्पन्न करें - मॉडल के उत्तर देने के बाद ही, वास्तविक कोड निर्माण और पुनरावृत्त सुधार की ओर बढ़ें - कई संभावित समाधानों का मूल्यांकन और रैंकिंग करें, प्रारंभिक कोडिंग के लिए शीर्ष-रैंक वाले को प्राथमिकता दें 6. प्रवाह-उन्मुख पर्यवेक्षण - एक वैज्ञानिक प्रवाह डिज़ाइन करें, चरण दर चरण डेटा संचित करें, प्रत्येक चरण में नया डेटा जोड़ें - CodeContests के लिए उदाहरण: चिंतन, सार्वजनिक परीक्षण विश्लेषण, समाधान निर्माण के चरणों के साथ दो-चरणीय प्रवाह - प्रत्येक चरण में डेटा को मान्य और चयनित करें, त्रुटियों के मामले में पुनरावृत्त सुधार करें