👉騰小云導讀
開發者日常的整個工作流中，AI 大模型能做什麼？ChatGPT 等 AI 大模型能不能通過開發者的指引，一步步完成從技術方案輸出、編碼、測試、發佈到運營維護的整套流程？使用中有什麼避坑點？本文從實際研發流程的各個環節出發，總結分享了 AI 大模型對研發效能的提升實踐。歡迎圍觀～
👉目錄
1 需求分析
2 技術方案
3 編碼
4 測試
5 發佈
6 運營
7 開發者使用AI大模型的注意事項
7.1 準確性
7.2 幻覺
7.3 時效性
7.4 知識產權
7.5 安全隱私和合規
8 總結
01、需求分析
· 提取需求關鍵點
ChatGPT 通過對需求文檔的分析，自動提取關鍵需求和功能點，方便開發團隊更好地理解項目需求。
· 繪製流程圖
通過總結和歸納需求單的內容，可以將需求單轉化成流程圖，方便理解。
`@startuml
actor 用戶
actor 發起者
actor 參團者
box "拼多多平臺" #LightBlue
participant "商品詳情頁" as G
participant "拼團發起/參與" as P
participant "支付頁面" as Pay
participant "訂單確認" as O
participant "拼團成功/失敗" as S
end box
用戶 -> G : 查看商品詳情
G -> P : 選擇發起拼團或參與他人拼團
P -> Pay : 跳轉至支付頁面
Pay -> O : 支付成功，生成訂單
O -> S : 拼團成功或失敗
note over P : 發起拼團：創建新拼團\n參與拼團
note over S : 拼團成功：人數達到要求\n拼團失敗：超時未達到人數要求
@enduml`
02、技術方案
· 大表更新方案
以我親歷的某個場景爲例：在某支付業務中，有一個大表4000萬行數據，使用的 mysqlA5.6 的版本，需要更新某一行記錄的數據，讓 ChatGPT 設計 mysql 的大表更新方案，並且分析死鎖產生的風險。
GPT 給出了分批更新的方案，並且給出了具體的 sql ，還在開始之前提醒用戶進行數據備份。
· 業內方案的調研
如果要實現一個具體的系統，可以通過ChatGPT詢問行業內的解決方案。
· 詢問方案設計細節
在具體的實現細節上，也可以讓ChatGPT給出建議。
· 讀英文文檔或論文
遇到不太懂的文檔，可以讓AI幫忙翻譯和總結。
03、編碼
· 生成代碼（GitHub Copilot）
輸入註釋，等待建議即可。
可以獲取本地的代碼，進行代碼提示。
· 生成單元測試（GitHub Copilot）
輸入註釋，等待生成單元測試。
// unit test of XXX function
· 生成文檔（GitHub Copilot） 在需要生成註釋的代碼前添加//
· 生成命令（GitHub Copilot）
github copilot可以根據用戶輸入的自然語言指令或問題，自動生成相應的命令行指令或回答。
例如，用戶可以輸入“install react”或“how do I run this file”等，github copilot會根據用戶的輸入和上下文，生成合適的命令行指令或回答。
· 轉化語言（ChatGPT）
將python代碼轉化成C++代碼。
· 解釋代碼（ChatGPT）
解釋代碼，並且繪製流程圖。
· 還原被混淆的代碼（ChatGPT）
04、測試
· 自動生成測試用例和測試腳本
根據需求和代碼邏輯，自動生成相應的測試用例和測試腳本，提高測試效率。
· 性能測試和優化建議
對代碼進行性能測試，並給出優化建議、提升系統性能。
· 安全漏洞分析
05、發佈
· 部署腳本生成
ChatGPT可以根據項目的技術棧和部署環境，自動生成部署腳本，幫助團隊更快速地完成部署工作。
· 部署問題診斷與解決方案
在部署過程中遇到問題時，ChatGPT可以協助診斷問題原因，並提供相應的解決方案。
06、運營
· 故障診斷與解決方案
在出現故障時，ChatGPT可以協助團隊診斷問題原因，並提供相應的解決方案，以快速恢復服務。
· 用戶反饋分析
ChatGPT可以分析用戶反饋數據，幫助團隊瞭解用戶需求和痛點，從而優化產品和服務。
07、開發者使用AI大模型的注意事項
7.1 準確性我們直接上個直觀的例子：
可能導致的原因：
訓練數據的侷限性：ChatGPT基於大量的文本數據進行訓練。然而，這些數據可能包含錯誤信息、過時信息或者不準確的觀點。因此，模型在訓練過程中可能學到了這些錯誤的知識。
模型的理解能力：雖然ChatGPT在自然語言處理方面具有很強的能力，但它並不具備真正的理解力。有時，模型可能會誤解用戶的問題或上下文，從而給出錯誤或無關的答案。
模型的生成能力：ChatGPT在生成回答時，可能會基於其訓練數據中的概率分佈進行推斷。因此，它有時可能會生成流行度較高但不正確的答案，而忽略了更準確但出現頻率較低的答案。
模型的置信度：ChatGPT在生成答案時，可能無法準確評估答案的可靠性。在面對複雜或模棱兩可的問題時，模型可能無法給出明確的答案，而是根據其訓練數據生成一個相對較爲合理的答案。
問題表述的模糊性：如果用戶的問題表述不清晰或具有歧義，ChatGPT可能難以準確把握問題的意圖，從而給出錯誤或不相關的答案。
7.2 幻覺
使用chatGPT需要特別注意其一本正經的胡說八道：
在做日誌和監控設計時，應該考慮以下因素：
第一，ChatGPT可能在其訓練數據中具有固有的偏見或限制，這些數據可能不涵蓋所有可能的情況或領域。因此，當輸入文本複雜或模糊時，它可能會生成基於不完整或不準確信息的輸出。
第二，ChatGPT所在公司對其設置了“內容過濾器”，以防止其產生不當或有害的輸出。然而，這些過濾器可能不完美，它們有時可能會過濾掉一些正常或有用的輸出，或者可能會被一些技巧繞過。其中一種技巧稱爲“催眠”，它涉及在輸入文本中添加一些暗示性或引導性語句，以改變ChatGPT的輸出範圍和獎勵機制。
第三，ChatGPT可能沒有可靠的方法來驗證其輸出與現實或外部來源的一致性。因此，它可能會生成與事實或常識不一致的輸出，或與其先前的回答相矛盾的輸出。
7.3 時效性
ChatGPT的數據只能到2021年9月，需要注意數據提問的時間。
7.4 知識產權
AI生成的內容的知識產權歸屬在很多國家和地區仍然是一個模糊和不斷髮展的領域。關於AI生成內容的知識產權確定，目前尚無統一的國際標準。在不同國家和地區，法律對此問題的處理方式可能有所不同。
一般來說，知識產權歸屬可能受以下幾個因素影響：
AI的創造性程度：在某些國家和地區，如果AI系統僅僅是輔助人類創作者完成作品，那麼知識產權可能歸屬於人類創作者。但如果AI系統的創造性程度較高，其生成的內容可能涉及到知識產權歸屬的複雜問題。
人類參與程度：在某些情況下，人類參與程度可能影響知識產權歸屬。例如，如果人類創作者對AI生成的內容進行了大量編輯和改編，那麼知識產權可能歸屬於人類創作者。
適用的法律和判例：不同國家和地區的法律和判例可能對AI生成內容的知識產權歸屬有所不同。例如，歐盟和美國的知識產權法律通常要求作品具有人類創作者，而英國和澳大利亞等國家的法律則對此問題的處理更爲寬鬆。
用戶協議和合同：在使用AI系統時，用戶可能需要簽署協議或合同，其中可能包含關於知識產權歸屬的規定。這些協議或合同可能規定，生成內容的知識產權歸屬於AI系統的開發者、使用者或其他相關方。
請注意，以上信息僅供參考，具體知識產權歸屬問題可能因具體情況而異。在處理與AI生成內容相關的知識產權問題時，請諮詢專業律師或合規顧問。
7.5 安全隱私和合規
需要符合數據隱私保護、內容審查等制度規範。
08、總結
使用 ChatGPT 可以很快速幫助開發者完成整套產品的工作流程，提高工作效率，但是在準確性和安全性的方面其能力還有待商榷。所以各位開發者在使用 ChatGPT 完成工作的同時，要特別注意數據隱私和知識產權這方面的問題。以上就是本篇文章全部內容，如果覺得有用的話點個贊吧~
在評論區（點👉這裏👈進入開發者社區，右邊掃碼即可進入公衆號）聊一聊你在工作中使用ChatGPT提高效率的案例和經驗。一起討論。我們將選取1則最有創意的分享，送出騰訊雲開發者-手機支架1個（見下圖）。5月29日中午12點開獎。
