LLM 코드 생성을 위한 6가지 모범 사례

1. JSON 형식 대신 YAML 구조화 출력 사용 - YAML은 오류 허용 범위가 더 높고, JSON은 파싱할 수 없는 형식 오류가 발생하기 쉬움 - YAML 콘텐츠는 더 적은 토큰을 소비함 2. 불릿 포인트 분석 - LLM에게 문제를 분석하도록 요청할 때, 불릿 포인트로 출력을 요청하면 더 나은 결과를 얻을 수 있음 - 불릿은 깊은 이해와 논리적 의미 분할을 촉진함 - 예: 일반 설명, 목표 및 규칙, 입력 구조, 출력 구조에 대한 불릿을 사용한 자기 반성 질문 3. LLM은 모듈식 코드 생성에 뛰어남 - 지시: '생성된 코드를 여러 개의 작은 하위 함수 모듈로 분할하고 의미 있는 이름을 지정하세요' - 결과적으로 오류가 적고 반복 수정의 성공률이 더 높음 4. 유연한 의사 결정 및 이중 검증 - 초기 출력 후, 모델에게 동일한 출력을 다시 생성하도록 요청하고 필요한 경우 수정 - 예: 모델 자신의 AI 테스트를 입력으로 제공하고, 테스트를 재생성하고, 오류를 수정 - '이 테스트가 올바른가요?'라는 예/아니오 질문보다 더 효과적임 5. 의사 결정 지연, 직접 질문 회피, 탐색 공간 제공 - 가장 간단한 작업부터 시작: 공개 테스트 사례에 대한 자기 반성 및 추론 - 그런 다음 추가 AI 테스트와 가능한 솔루션 생성 - 모델이 답변한 후에만 실제 코드 생성 및 반복 수정 진행 - 여러 가능한 솔루션을 평가하고 순위를 매긴 후, 상위 순위 솔루션을 초기 코딩에 우선 사용 6. 흐름 중심 감독 - 과학적인 흐름을 설계하고, 단계별로 데이터를 축적하며, 각 단계에서 새 데이터를 추가 - CodeContests 예: 반성, 공개 테스트 분석, 솔루션 생성 단계가 있는 2단계 흐름 - 각 단계에서 데이터를 검증하고 선택하며, 오류 발생 시 반복 수정 수행