Se stai leggendo questo, probabilmente conosci già alcuni casi d’uso e limiti degli LLM. Migliori sono il prompt e il contesto che fornisci al modello, migliore sarà il risultato. Allo stesso modo, anche con Devin Desktop esistono best practice per creare prompt più efficaci, ottenere il massimo dallo strumento e ricevere codice della migliore qualità possibile, così da accelerare i tuoi flussi di lavoro.Documentation Index
Fetch the complete documentation index at: https://docs.devin.ai/llms.txt
Use this file to discover all available pages before exploring further.
Componenti di un prompt di alta qualità
- Obiettivo o risultato chiaro
- Cosa stai chiedendo al modello di produrre?
- Stai chiedendo al modello un piano? Nuovo codice? Un refactor?
- Tutto il contesto pertinente per svolgere le attività
- Hai usato correttamente le @-mention per assicurarti che sia incluso il contesto corretto?
- C’è qualche contesto specifico del cliente che potrebbe non essere chiaro a Devin Desktop?
- Vincoli necessari
- Ci sono framework, librerie o linguaggi specifici che devono essere utilizzati?
- Ci sono vincoli di complessità spaziale o temporale?
- Ci sono considerazioni di sicurezza?
Esempi
- Non corretto: Scrivi test unitari per tutti i casi di test di un oggetto Order Book.
-
Corretto: Usando
@class:unit-testing-module, scrivi test unitari per@func:src-order-book-add, verificando le eccezioni generate quando il valore è al di sopra o al di sotto dello stop loss
- Non corretto: Refactor rawDataTransform.
-
Corretto: Refactor
@func:rawDataTransformtrasformando il ciclo while in un ciclo for e utilizzando la stessa struttura dati in output di@func:otherDataTransformer
- Non corretto: Crea un nuovo Button per il Contact Form.
-
Corretto: Crea un nuovo componente Button per
@class:ContactFormusando la guida di stile in@repo:frontend-componentscon l’etichetta “Continue”
