まとめ

完了

このモジュールでは、効果的なプロンプトを通じて GitHub Copilot を最適化する複雑さを明らかにしました。 ツールの可能性を最大限に活用することは、プロンプト エンジニアリングの芸術と科学の範疇にあります。 これで、コーディングのエクスペリエンスと出力を向上させるための洗練されたスキルと分析情報の準備ができました。 このモジュールでは、次のことを学習しました。

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、GitHub Copilot がプロンプトから学習してコンテキスト対応の応答を提供する方法。 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する効果的なプロンプトを作成し、すべてのコード提案の精度と関連性を確保する方法。 プロンプトと Copilot の応答の複雑な関係。 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。

関連情報

• GitHub 内: GitHub Copilot の背後にある大規模言語モデル (LLM) の操作 - GitHub ブログ
• GitHub Copilot の使用方法: プロンプト、ヒント、ユース ケース - GitHub ブログ
• GitHub copilot がデータを処理する方法

フィードバックを提供する

この Microsoft Learn モジュールのコンテンツ フィードバックまたは推奨される変更を送信します。 GitHub はこのコンテンツを保守しており、チーム メンバーがリクエストのトリアージを行います。 コンテンツ改善のために時間をお取りいただきありがとうございます。