はじめに
OpenAI を搭載した GitHub Copilot は、開発ワークフローを初期コード作成から運用環境対応の実装に高速化することで、ソフトウェア開発のゲームを変更しています。 GitHub Copilot では、自然言語と、一般公開されている数十億行のソース コード (パブリック GitHub リポジトリ内のコードを含む) の両方を含むデータのトレーニングを通じて、プロジェクトの複雑な詳細を把握できます。 これにより、GitHub Copilot は、コードの変更を迅速に提供し、日常的な開発タスクを自動化するのに役立つ、よりコンテキストに対応した提案を提供できます。
しかし、GitHub Copilot を最大限に活用し、開発速度を最大化するには、プロンプト エンジニアリングについて知る必要があります。 プロンプト エンジニアリングとは、GitHub Copilot に必要なものを正確かつ効率的に伝える方法です。 返されるコードの品質と、完璧なソリューションに向けてどれだけ迅速に反復できるかは、プロンプトの明確さと戦略的さによって異なります。
このモジュールでは、以下の方法を学習します。
- プロンプト エンジニアリングの原則、ベスト プラクティス、および GitHub Copilot がプロンプトから学習して、開発サイクルを高速化するコンテキスト対応応答を提供する方法。
- 反復回数を減らしながらより良い結果を得るために、ロールプロンプトやチャット履歴管理などの高度なプロンプト戦略。
- GitHub Copilot がユーザー プロンプトを処理して、応答またはコード提案を効率的に生成する方法の基になるフロー。
- GitHub Copilot でのコード提案とチャットのデータ フロー。
- LLM (大規模言語モデル) と GitHub Copilot とプロンプトにおけるその役割。
- GitHub Copilot のパフォーマンスを最適化し、リビジョン サイクルを最小限に抑えながら、すべてのコード提案の精度と関連性を確保する効果的なプロンプトを作成する方法。
- プロンプトと Copilot の応答の複雑な関係により、開発ワークフローが合理化されます。
- 安全な転送やコンテンツのフィルター処理など、さまざまな状況でプロンプトからのデータを Copilot が処理する方法。