Nature 近日發表文章，總結了多位計算機科學家的使用經驗，給出了更好使用 ChatGPT 編碼的六個技巧。雖然 Nature 認為 AI 工具功能非常強大，但他們也提醒大家仍需要謹慎使用。我們在不改變原意的基礎上做了翻譯和整理，希望對讀者有所幫助。

如今的 ChatGPT 已經火爆全網、席卷全球，這款由 OpenAI 打造的 AI 聊天機器人具備與人類幾乎無異的順暢語言表達能力。ChatGPT 在大量文本語料庫之上訓練而成，能夠根據文本參與對話，由用戶不斷引導以改進響應結果。即使最初的答案有所偏頗，它往往也能借助對話循環最終給出正確的結果，甚至是軟件代碼。

研究人員已經在使用 ChatGPT 調試和注釋代碼，將軟件從一種編程語言翻譯成另一種編程語言，并借此執行數據繪制等枯燥乏味的流程化操作。今年 3 月的一份預發表報告稱，ChatGPT 僅憑一次嘗試就能解決 184 項生物信息學入門任務中的 76%（例如處理電子表格），而在七次嘗試后的解決率將提升至 97%。

這對不太熟悉編程，或者沒有預算聘請全職程序員的研究者來說無疑是個好消息。聊天機器人，也許會成為科研大眾化轉型中的一股重要力量。

可盡管聊天機器人看似擁有認知能力，但它們跟“聰明”二字并不沾邊。不少技術專家認為它們類似于“隨機鸚鵡”，會隨機按照之前看過的內容拼湊出答案。西雅圖華盛頓大學的計算機科學家 Amy Ko 在 Mastodon 社交網站上這樣描述了這款工具的局限性：“ChatGPT 就像一個絕望的有獎問答選手，他對流行文化的關注停留在 2021 年之前，但卻真心想要贏得游戲。這就是 ChatGPT，一個沒有意識、主體道德、具身認知和內心情感的機器。”（用于訓練 ChatGPT 的數據只截止到 2021 年。）

簡而言之，ChatGPT 和基于大語言模型（LLM）的相關工具，包括微軟 Bing 和 GitHub Copilot，都屬于非常強大編程輔助工具，只是使用時也須謹慎。而要充分發揮其中的潛能，不妨參考以下六個技巧。

六大使用技巧 精心挑選應用場景

聊天機器人最適合小型、離散的編程任務，包括加載數據、執行基本數據操作和創建可視化圖表 / 網站，但這跟真正的軟件工程還不是一回事。

加拿大維多利亞大學計算機科學家 Neil Ernst 解釋道，“軟件工程不只要解決編程難題，更要考慮測試框架、編寫出可維護的代碼并理解系統構建當中的種種權衡”——比如在運行速度和代碼可讀性間的取舍，“我認為當前的 AI 工具還做不到這些?！?/p>

但它們還是相當有用，比如提示 Matplotlib（Python 的圖形庫）中的可視化創建語法。從這個意義上看，聊天機器人更像是程序員在線問答論壇 Stack Overflow 的對話界面版本。“它能分擔不少耗費程序員時間和精力的工作，把時間節約下來處理真正棘手的數據分析難題?！?/p>

聊天機器人還挺擅長解釋目前的代碼里存在哪些問題。馬薩諸塞大學阿姆赫斯特分校的計算機科學家 Emery Berger 就借此構建出好幾款實用工具。首先是 cwhy，使用 ChatGPT 來解釋 C、C++ 和 Rust 代碼中的編譯器錯誤。還有 ChatDBG，能夠提供一套用于調試的對話界面。再就是 Scalene，使用 AI 提供代碼優化建議以提高運行性能。

聊天機器人甚至可以把代碼從一種編程語言翻譯成另一種語言。巴黎居里研究所的生物物理學家 Mathieu Coppey 就在用 ChatGPT 將 MATLAB 代碼轉換為 Python 形式。以往，他需要查詢谷歌和線上論壇花幾天時間讓自己的 Python 代碼跑起來?！艾F在，整個過程只要一小時左右就能完成。”

還算穩定，但須驗證

聊天機器人有時候并不知道自己在說什么，但卻態度堅定、言之鑿鑿。某些情況下，AI 似乎無法理解問題內容，有時候則會直接提供錯誤答案。輸出的代碼根本無法運行還算是好的，更要命的是代碼能運行，但卻產生了難以察覺的錯誤結果。

根據加州大學戴維斯分校語言學家 Emily Morgan 參與的研究，與作為訓練素材的人類代碼一樣，聊天機器人也經常會犯下“簡單而愚蠢的錯誤”。這些單一錯誤（比如在條件語句中使用了>而非>=）倒是不難修復，可排查起來相當費勁。“如果用戶的知識不足以做區分和驗證，那盲目信任 AI 可能會給自己惹出麻煩。”

Iza Romanowska 是丹麥奧爾胡斯高等研究院研究古代文明復雜性的科學家，他使用 ChatGPT 生成 NetLogo 代碼。因為訓練數據集中關于 NetLogo 的代碼遠不像 Python 和 R 語言那么豐富，所以 ChatGPT 的表現就有些捉急。她還發現 AI 有時會在建議代碼中引入實際上并不存在的函數，也就是大家所熟悉的 AI“幻覺”問題。

總之，不要盲目接受 ChatGPT 輸出的一切——請務必認真閱讀、詳加測試，確保它能在“邊緣情況”下也按預期執行。比如在對 n 個數字進行排序的算法中，第 n 個數字是否被包含在內。加拿大滑鐵盧大學計算機科學家 Patrick Lam 坦言，“我會抱著對自己編寫的代碼相同的懷疑態度，審視 ChatGPT 輸出的代碼。”

牢記安全

聊天機器人的輸出質量，與訓練數據集中的代碼質量密切相關。Ko 表示問題也正在于此，“網絡上共享的代碼總體質量偏低，聊天機器人當作學習材料的多數代碼其實并不可靠?！崩?，AI 不光很難處理好大型數據集，甚至可能在代碼中包含安全漏洞。

在 GitHub 的 Copilot 編程工具于 2021 年首次亮相時，紐約大學計算機科學家 Brendan Dolan-Gavitt 帶領團隊在 89 個安全相關場景中對其進行了測試。其中之一正是發現 SQL 注入攻擊的能力，即使用可能損壞數據庫的錯誤格式執行 SQL 查詢。

“Copilot 生成的約 40% 代碼都存在安全隱患?！钡闆r正在顯著改善，如今 Dolan-Gavitt 對更新版本 GPT-4 開展相同測試時，其錯誤率已經降低至 5%。

但大家還是不能掉以輕心，還要特別關注那些看似無關緊要的應用場景。比如，用戶需要在為數據庫或可視化工具生成 Web 界面時提高警惕。

新澤西州普林斯頓大學計算機科學家 Sayash Kapoor 強調，“一定先確保你自己就能解決這些編程問題，然后再放手交給 AI 去作，這樣你才能發現其中的錯誤。”

不斷迭代

Ko 認為，基于聊天機器人的編程“絕不是一錘子買賣”，而是反復迭代的一段對話。“你先寫出要求，然后得到相應回答；你帶著懷疑態度審視這段結果，提出更多細節并要求 AI 加以完善?！?/p>

西弗吉尼亞大學生物信息學核心設施負責人 Gangqing Hu 就通過這種迭代工作流程開發出一種名為 OPTIMAL 的新方法，幫助生物信息初學者們優化機器人提示。用戶可以不斷提交詳細的提示詞、測試回復，再向聊天機器人提供反饋以調整響應結果?！皽贤ㄊ顷P鍵?！?/p>

南達科他州立大學生物信息學家 Xijin Ge 也建議，遇到困難時請嘗試調整設置。例如，ChatGPT 當中的“溫度”選項其實就是創造力控制旋鈕——溫度設定得越高，AI 就越是腦洞大開。“這有時候確實能解決問題?！?/p>

但 Ko 提醒稱，實際情況沒這么簡單，必要時“用戶還是得介入接管”。

擬人化

聊天機器人并不是人，但以這種方式跟它相處也可能有所幫助。Ge 建議“把 AI 當作暑期實習生”——就是那種努力進取、渴望被表揚但又因缺乏經驗而經常犯錯的大學生。

新西蘭奧克蘭大學計算機科學家 Paul Denny 建議盡量消除提示詞中的歧義，并將問題拆分成一個個更小的部分。

另外，可以指示聊天機器人扮演某種角色，比如精通 Python 的生物學家。再就是指定需要使用的工具或編程庫。Ko 表示這類操作可以幫助聊天機器人“進入正確的概率空間”，找到最可能符合提示要求的文本。

例如，Hu 在研究中就詢問 ChatGPT：“作為一名精通 ChIP-Seq 數據分析的資深生物信息學家，請你協助我盡可能壓縮代碼數量。根據我的要求，你需要重置當前線程。收到請回復「是」?！?/p>

如果可能，還請盡量提供起始代碼、注釋和預期結果。哥倫比亞密蘇里大學計算機科學家 Dong Xu 表示“示例確實能幫助 ChatGPT 牢牢把握住正確的方向?！?/p>

擁抱變革

必須承認，大語言模型仍在不斷發展、愈發強大。這對研究人員來說既是個好消息，也仍須對此保持警惕。提示詞的長度不斷增加，AI 模型也能做出更細微的響應。與之配套的新工具也在不斷涌現，比如 Code Interpreter 插件就能讓 ChatGPT 扮演數字數據分析師，供用戶上傳數據集、詢問數據模式并下載結果。正如位 AI 博主所言，“這就像在直接跟數據對話，太酷了！”

結束語

現在的開發者幾乎分成了使用和不使用 AI 輔助編程兩個“派別”。

“我幾乎總是通過向 ChatGPT 詢問框架來開始我的任務。它給我框架，我據此進行調整和擴展，效果很好?！钡灿虚_發者表示，“對我來說，它就像一只會說話的狗——不可思議但毫無用處?！?/p>