پرامپت هوش مصنوعی برای برنامهنویسی: ۱۵ نمونه آماده
از تولید کد و دیباگ تا ریویو، کوئری دیتابیس و یادگیری مفاهیم — ۱۵ پرامپت آمادهی کپی برای کار روزمرهی برنامهنویسان.
چرا هوش مصنوعی برای برنامهنویسان ابزار مهمی شده؟
کارهای تکراری مثل نوشتن تست، مستندسازی، یا فهمیدن یک خطای ناآشنا، بخش زیادی از وقت برنامهنویسی روزمره را میگیرند. هوش مصنوعی این کارها را سریعتر میکند، ولی کیفیت نتیجه کاملاً به دقت پرامپتی که مینویسید بستگی دارد — کد کامل، خطای دقیق و زمینهی پروژه را همیشه بدهید.
پرامپتهای تولید کد از صفر
نوشتن یک تابع مشخص
یک تابع به زبان [نام زبان، مثلاً Python] بنویس که [توضیح دقیق کاری که تابع باید انجام دهد]. ورودی و خروجی تابع را هم مشخص کن و برای موارد مرزی (ورودی خالی، مقدار منفی و مانند آن) هم مدیریت خطا در نظر بگیر.
ساخت یک کامپوننت رابط کاربری
یک کامپوننت [React/Vue و مانند آن] بساز به نام [نام کامپوننت] که [توضیح دقیق رفتار و ظاهر کامپوننت]. از [نام کتابخانهی استایلدهی، مثلاً Tailwind] استفاده کن و پراپهای ورودی را با TypeScript تایپ کن.
طراحی یک API endpoint
یک endpoint برای [توضیح عملکرد، مثلاً ثبتنام کاربر جدید] با متد [GET/POST/...] طراحی کن. ورودی، خروجی، کدهای وضعیت HTTP احتمالی (موفقیت و خطاها) و اعتبارسنجی لازم را هم مشخص کن. فریمورک: [مثلاً Express.js یا Next.js API Routes]
پرامپتهای دیباگ و رفع خطا
پیدا کردن علت خطای اجرا
کد زیر با خطای «[متن دقیق پیام خطا]» مواجه میشود. اول دلیل دقیق بروز خطا را توضیح بده، بعد نسخهی اصلاحشده را با کامنت کوتاه کنار خطهای تغییریافته بده. کد: [اینجا کد را جایگذاری کنید]
پیدا کردن باگ منطقی (بدون پیام خطا)
برای وقتی کد اجرا میشود ولی نتیجهی اشتباه میدهد.
کد زیر اجرا میشود بدون خطا، ولی خروجیاش اشتباه است. رفتار موردانتظار من: [توضیح رفتار درست]. رفتار واقعی: [توضیح چه چیزی میگیرید]. لطفاً دلیل این تفاوت را پیدا کن و کد را اصلاح کن. کد: [اینجا کد را جایگذاری کنید]
بهینهسازی کد کند
کد زیر روی حجم دادهی زیاد خیلی کند اجرا میشود. دلیل احتمالی کندی را توضیح بده و یک نسخهی بهینهشده از نظر سرعت پیشنهاد بده، بدون تغییر در خروجی نهایی. کد: [اینجا کد را جایگذاری کنید]
پرامپتهای ریویو و بهبود کد
ریویو کد قبل از Pull Request
کد زیر را مثل یک ریویوی حرفهای کد (Code Review) بررسی کن: مشکلات خوانایی، نامگذاری بد، تکرار کد، و نکات امنیتی احتمالی را جدا از هم فهرست کن. برای هر نکته یک پیشنهاد اصلاح مشخص بده. کد: [اینجا کد را جایگذاری کنید]
تبدیل کد بین دو زبان برنامهنویسی
کد زیر را از [زبان مبدا] به [زبان مقصد] تبدیل کن، با رعایت بهترین شیوههای رایج در زبان مقصد (نه ترجمهی خطبهخط). کد: [اینجا کد را جایگذاری کنید]
پرامپتهای دیتابیس و کوئری
نوشتن کوئری SQL از روی توضیح متنی
یک کوئری SQL بنویس که [توضیح دقیق چیزی که میخواهید از دیتابیس بگیرید، مثلاً «تعداد سفارش هر مشتری در سه ماه گذشته را به ترتیب نزولی نشان بده»]. ساختار جدولهای مرتبط: [نام جدولها و ستونهای مهم آنها]
طراحی ساختار جدول دیتابیس
برای یک سیستم [توضیح کوتاه سیستم، مثلاً فروشگاه آنلاین کوچک]، ساختار جدولهای دیتابیس اصلی (نام جدول، ستونها، نوع داده، روابط بین جدولها) را پیشنهاد بده.
پرامپتهای یادگیری مفاهیم برنامهنویسی
توضیح یک مفهوم فنی با مثال کد
مفهوم «[نام مفهوم، مثلاً closure در جاوااسکریپت]» را با یک مثال کد ساده و یک توضیح غیرفنی (بدون اصطلاح تخصصی اضافه) برایم توضیح بده. در پایان یک کاربرد عملی از این مفهوم در یک پروژهی واقعی مثال بزن.
مسیر یادگیری یک تکنولوژی جدید
میخواهم [نام تکنولوژی، مثلاً Docker] را از صفر یاد بگیرم و پیشزمینهی من [سطح فعلی شما] است. یک مسیر یادگیری مرحلهبهمرحله با موضوعات مشخص برای هر مرحله پیشنهاد بده.
ابزارهای جانبی: Git، Regex و مستندسازی
نوشتن پیام کامیت استاندارد
بر اساس تغییرات زیر، یک پیام کامیت گیت استاندارد (با فرمت Conventional Commits) بنویس. تغییرات انجامشده: [توضیح کوتاه تغییرات]
نوشتن الگوی Regex
یک عبارت باقاعده (Regex) بنویس که [توضیح دقیق الگویی که باید تشخیص داده شود، مثلاً اعتبارسنجی شماره موبایل ایرانی]. یک مثال از ورودی درست و یک مثال از ورودی نادرست هم بزن.
نوشتن مستندات یک تابع (Docstring)
برای تابع زیر یک مستندات استاندارد (Docstring/JSDoc) بنویس که ورودیها، خروجی، و رفتار در حالت خطا را توضیح دهد. کد: [اینجا کد تابع را جایگذاری کنید]
اشتباهات رایج در استفاده از هوش مصنوعی برای کدنویسی
- ندادن زبان یا نسخهی دقیق: باعث تولید کد با سینتکس قدیمی یا کتابخانهی اشتباه میشود.
- کپی مستقیم بدون تست: همیشه کد تولیدشده را قبل از استفاده در پروژهی واقعی تست کنید.
- درخواست کل پروژه در یک پرامپت: کار را به بخشهای کوچکتر و قابلبررسی تقسیم کنید.
- ندادن کد کامل هنگام دیباگ: دادن فقط یک خط از کد، تشخیص علت واقعی خطا را سخت میکند.
سوالات متداول دربارهی پرامپت برنامهنویسی
آیا کدی که هوش مصنوعی تولید میکند قابلاعتماد است؟
کد تولیدشده نقطهی شروع خوبی است، ولی همیشه باید تست و بازبینی شود. مدلهای هوش مصنوعی گاهی کدی مینویسند که بهظاهر درست است ولی در جزئیات (مثل مدیریت خطا یا موارد مرزی) نقص دارد.
چرا باید نوع زبان و فریمورک را دقیق در پرامپت بنویسیم؟
چون بدون این اطلاعات، مدل ممکن است نسخه یا سینتکس اشتباهی تولید کند (مثلاً React نسخهی قدیمی یا Python 2 بهجای 3). هرچه نسخه و کتابخانههای دقیقتری بدهید، کد قابلاجراتر خواهد بود.
بهترین روش برای دیباگ کردن با هوش مصنوعی چیست؟
متن دقیق خطا، کد کامل مرتبط (نه فقط یک خط)، و توضیح اینکه چه رفتاری انتظار داشتید ولی چه چیزی گرفتید را بدهید. هرچه زمینه کاملتر باشد، تشخیص علت اصلی خطا سریعتر انجام میشود.
آیا میتوان با این پرامپتها یک پروژهی کامل ساخت؟
برای پروژههای بزرگ، بهتر است کار را به بخشهای کوچکتر (هر بار یک فایل یا یک قابلیت) تقسیم کنید و مرحلهبهمرحله پیش بروید، نه اینکه در یک پرامپت از مدل بخواهید کل پروژه را یکجا بسازد.
برای نکات اختصاصیتر یا پرامپتهای حوزههای دیگر: