Podsumowanie

  • 2 min

W tym module przedstawiliśmy zawiłości optymalizacji narzędzia GitHub Copilot poprzez skuteczne monitowanie. Wykorzystanie maksymalnego potencjału narzędzia leży w sztuce i nauce inżynierii promptów. Teraz masz udoskonalone umiejętności i nowe spostrzeżenia, aby podnieść poziom doświadczenia w kodowaniu i wyników. Po ukończeniu tego modułu przedstawiono następujące informacje:

Zasady inżynierii promptów, najlepsze praktyki oraz sposób, w jaki narzędzie GitHub Copilot uczy się od promptów, aby dostarczać odpowiedzi uwzględniające kontekst. Podstawowy przepływ działania oprogramowania GitHub Copilot, który przetwarza monity użytkownika do generowania odpowiedzi lub sugestii dotyczących kodu. Przepływ danych dla sugestii kodu i czatu w GitHub Copilot. LLMs (duże modele językowe) i ich rola w usłudze GitHub Copilot i generowaniu sugestii. Jak tworzyć skuteczne polecenia, które optymalizują funkcjonalność GitHub Copilot, zapewniając precyzję i trafność w każdej sugestii kodowej. Zawiła relacja między monitami a odpowiedziami Copilota. Jak Copilot obsługuje dane z monitów w różnych sytuacjach, w tym bezpieczne przesyłanie i filtrowanie treści.

Informacje

Przekazywanie opinii

Użyj tego formularza problemu , aby przekazać opinię na temat zawartości lub sugerowane zmiany dla tego modułu Microsoft Learn. GitHub utrzymuje tę zawartość, a członek zespołu przeanalizuje żądanie. Dziękujemy za poświęcenie czasu na ulepszenie naszej zawartości!