LLM代码生成的6个最佳实践

1. 使用YAML结构化输出代替JSON格式 - YAML容错性更高，JSON容易出现无法解析的格式错误 - YAML内容消耗的令牌数更少 2. 要点式分析 - 在要求LLM分析问题时，请求以要点形式输出能获得更好的结果 - 要点有助于深入理解和逻辑语义分割 - 示例：自我反思问题，用要点分别描述总体概述、目标和规则、输入结构、输出结构 3. LLM擅长生成模块化代码 - 指示：“将生成的代码拆分成多个小的子功能模块，并为它们赋予有意义的名称” - 结果错误更少，迭代修复成功率更高 4. 灵活决策与双重验证 - 在初步输出后，要求模型再次生成相同的输出，并在必要时进行纠正 - 示例：将模型自身的AI测试作为输入反馈给模型，重新生成测试并纠正错误 - 比问“这个测试正确吗？”这种是/否问题更有效 5. 延迟决策，避免直接提问，给予探索空间 - 从最简单的任务开始：对公共测试用例进行自我反思和推理 - 然后生成额外的AI测试和可能的解决方案 - 只有在模型回答后，才进行实际的代码生成和迭代修复 - 评估并排序多个可能的解决方案，优先选择排名靠前的方案进行初始编码 6. 流程导向的监督 - 设计一个科学的流程，逐步积累数据，在每一阶段添加新数据 - 以CodeContests为例：两阶段流程，包括反思、公共测试分析、解决方案生成各步骤 - 在每一步验证和筛选数据，如果出现错误则进行迭代纠正