概述
這很重要,因為清晰的報告加上假設驅動的方法可以更快地找到真正的錯誤並告訴您它發生的原因,而盲目粘貼重寫的程式碼可能會隱藏問題或創建新的問題。
深入探討
調試是偵探工作:觀察症狀,形成有關原因的假設,對其進行測試,然後重複。人工智慧助理是有用的合作夥伴,因為他們已經看到了許多常見錯誤,並且可以比大多數初學者更快地讀取堆疊追蹤。當它們必須猜測時,它們的用處就小得多,並且猜測模型通常會自信地重寫您的整個文件。從完整的錯誤開始。堆疊追蹤(在 Python 中稱為回溯)列出了導致失敗的函數呼叫鏈。最有用的部分通常是錯誤類型和訊息以及指向您自己的檔案而不是庫程式碼的框架。將錯誤貼為文本,而不是螢幕截圖,並在其提到的行號周圍包含程式碼。接下來,描述預期行為與實際行為,以及您的環境:語言版本、關鍵庫版本和作業系統(如果相關)。 「它不起作用」不會為模型帶來任何好處。 「我期望 10 行,結果是 0,沒有錯誤」給出了很多資訊。對於更難的錯誤,建立一個最小的可重現範例:仍然顯示問題的最小程式碼和資料。製作一個通常會自行揭示錯誤,並且它會將私人代碼和資料排除在聊天之外。然後詢問假設,例如:「列出三個最可能的原因以及如何檢查每一個。」在更改任何內容之前,請使用列印語句或偵錯器進行確認。當您應用修復程式時,請重新執行原始失敗案例和一些正常案例,並要求 AI 解釋為何修復程式有效。有兩種常見的誤解。錯誤中指定的行並不總是錯誤所在的位置;它通常是壞值最終被使用的地方,而不是它被創建的地方。並且沒有錯誤訊息並不意味著輸出是正確的。
現實世界的實施
一個 Python 腳本因“TypeError: can only concatenate str (not “int”) to str”而崩潰的學生貼上了完整的回溯及其指向的行,並學習使用 str() 轉換數字或使用 f 字串。
按鈕不執行任何操作的 Web 開發人員會從瀏覽器的開發人員控制台複製錯誤“無法讀取 null 的屬性”,並且 AI 建議在腳本運行之前檢查該元素是否存在。
一位數據分析師的 pandas 總數看起來有誤,他將數據削減到五行,但仍然顯示問題,並詢問三個可能的原因,這導致在合併中發現重複的鍵。
昨天程式碼有效的業餘愛好者運行 git diff 並僅共享更改的內容,並且 AI 發現了一個重命名的變量,該變量仍在某個地方以其舊名稱使用。
如何使用人工智慧調試程式碼的未來
編輯器和終端內的編碼助手可以越來越多地運行程式碼、讀取測試輸出並在循環中提出修復建議,這使得解決常規錯誤的成本更低。這將更多的重心轉移到人類的判斷:決定更改是否可以解決原因或僅消除症狀,並在更改到達用戶之前對其進行審查。使用人工智慧來解釋錯誤而不僅僅是讓錯誤消失的初學者將能夠更好地處理工具遇到的錯誤,例如誤解的需求或對資料的錯誤假設。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是如何使用 AI 偵錯程式碼?
使用人工智慧偵錯程式碼意味著向助理提供準確的錯誤訊息、相關程式碼以及您期望發生的情況,然後詢問可能的原因和測試它們的方法,而不是完全重寫。這很重要,因為清晰的報告加上假設驅動的方法可以更快地找到真正的錯誤並告訴您它發生的原因,而盲目粘貼重寫的程式碼可能會隱藏問題或創建新的問題。
該指南建議不要要求人工智慧重寫整份文件,而是要求什麼?
詢問假設和測試它們的方法可以讓你保持控制,找到真正的原因並告訴你哪裡出了問題。
在 Python 回溯中,您在哪裡可以找到異常類型和訊息?
Python 最後列印最近的調用,因此異常及其訊息出現在底部。 Java和JavaScript把投擲框架放在第一位。
什麼是最小可重現範例?
將問題簡化到其本質通常會暴露錯誤本身,並使私人代碼和資料不被討論。
哪個 bug 描述為 AI 提供了最有用的資訊?
說明預期行為與實際行為以及是否出現錯誤,可以大幅縮小可能原因的範圍。
為什麼在應用人工智慧建議的修復之前提交或隱藏你的程式碼?
版本控制為您提供了一個安全的返回點,並讓您可以查看建議引入的確切差異。