فصل ۱ — درک مدلها و پرامپت
مدلهای زبانی چطور کد میفهمند؟ مهندسی پرامپت پایه: نقش، زمینه، خروجی مشخص پرامپت پیشرفته: مثالمحور، تفکر مرحلهای و زنجیرهفصل ۲ — ابزارهای کدنویسی با AI
دستیارهای درونادیتور: Copilot و امثال آن AI برای بازبینی کد و دیباگفصل ۳ — گردش کار حرفهای
ساخت محصول با AI: فراخوانی API، جریان و هزینه گردش کار حرفهای: حدود مسئولیت و یادگیری با AIپروژه عملی پایان دوره
پروژه پایانی — دستیار پرسشوپاسخ برای سایت خودتانمدلهای زبانی چطور کد میفهمند؟
مدل زبانی (LLM) بعد از خواندن میلیاردها خط کد و متن، یاد گرفته «محتملترین ادامه» بدهد. یعنی اینها نه دیتابیس حافظهدارند نه کامپایلر؛ پاسخشان احتمالی و زمینهمحور (Context) است. درک این سه نکته — بدون حافظه بین گفتگوها، سقف زمینه محدود و امکان خطای مطمئننما (Hallucination) — پایه استفاده حرفهای است.
مراحل قدمبهقدم
-
۱
زمینه (Context) پنجره مدل است
هر چیز در گفتگوی فعلی — کد، فایل، سؤال — در پنجره زمینه مدل مینشیند؛ وقتی پنجره پر شود، ابتدای گفتگو کمرنگ میشود. کد مرتبط را بفرستید، کد بیربط را نه؛ کیفیت پاسخ مستقیم تابع کیفیت زمینه است.
-
۲
Hallucination — خطای مطمئننما
مدل ممکن است تابعی بسازد که وجود ندارد یا API منقضی را با اطمینان کامل توصیه کند. قانون: هر API و کتابخانهای که مدل میگوید، قبل از اعتماد با مستندات رسمی چک کنید — بهخصوص نسخهها و پارامترها.
-
۳
دما و رفتار
پارامتر temperature (۰ تا ۱) میزان تصادفی بودن است: برای کد و ترجمه، پایین (۰-۰.۳) برای پایداری؛ برای ایدهپردازی بالا. در ابزارهای کدنویسی معمولاً خودشان تنظیم میکنند؛ در فراخوانی API خودتان انتخاب کنید.
-
۴
مدلها چه بلدند و چه نه
قویها: زبانهای پرحجم (JS/Python/PHP)، توضیح کد، بازنویسی، تست. ضعیفترها: APIهای خیلی جدید، کدهای اختصاصی سازمانتان، محاسبات دقیق طولانی. خودتان ناظر کیفی هستید؛ مدل نویسنده است نه مدیر انتشار.
نکات مهم
- ◆ مدل حافظه پایدار ندارد؛ زمینه گفتگوی فعلی همهچیز است.
- ◆ هر پاسخ فنی را با مستند رسمی چک کنید؛ اطمینان لحن مدل ملاک صحت نیست.
- ◆ کد تولیدشده را مثل کد یک برنامهدار تازهوارد نگاه کنید: خواندن، تست، سپس commit.
کد یا مسیر نمونه
// فراخوانی پایه Chat Completion (الگوی عمومی همه سرویسها):
const res = await fetch("https://api.example-llm.com/v1/chat", {
method: "POST",
headers: { "Content-Type": "application/json", "Authorization": "Bearer $KEY" },
body: JSON.stringify({
model: "glm-4",
temperature: 0.2, // برای کد پایین
messages: [
{ role: "system", content: "تو دستیار کدنویسی PHP هستی؛ پاسخها کوتاه و فارسی." },
{ role: "user", content: "این تابع چه میکند؟\n" + code },
],
}),
});
const data = await res.json();
console.log(data.choices[0].message.content);
اجرای زنده کد JavaScript
کد را ویرایش کنید و «اجرای کد» را بزنید — خروجی واقعی مرورگر همینجا رندر میشود؛ مثل آزمایشگاه w3schools.
پرسش و پاسخ این درس (۰)
هنوز دیدگاهی ثبت نشده؛ اولین نفر باشید!