هوش مصنوعی برای کدنویسی: همراهی مطمئن با Llama

بر اساس مستندات مدل‌های Meta، هر چهار مدل Llama در چت ما هم برای تولید کد و هم متن طراحی شده‌اند و همکاران برنامه‌نویسی بسیار مفیدی هستند: برای توضیح کدهای ناآشنا، نوشتن توابع کوچک، طراحی پیش‌نویس تست‌ها و تبدیل پیام‌های خطا به راه‌حل. با این حال، آن‌ها ممکن است با اعتمادبه‌نفس کامل اشتباه کنند؛ بنابراین بهترین رویکرد، دیدگاه یک بازبین کد (Code Reviewer) است: هر پیشنهاد را طوری بخوانید که انگار همکاری سریع اما کم‌تجربه آن را فرستاده، و تا چیزی را بررسی نکرده‌اید مرج نکنید. این راهنما نحوه پرسیدن، شیوه بررسی و محدودیت‌های چت ما را توضیح می‌دهد.

موارد کاربرد Llama در کدنویسی روزمره

• توضیح کد. تابعی را که به ارث برده‌اید جای‌گذاری کنید و بپرسید خط‌به‌خط چه کاری انجام می‌دهد و چه چیزی ممکن است عملکرد آن را مختل کند.
• بخش‌های کوچک و مشخص. تابعی برای پارس کردن تاریخ، رجکس، کوئری SQL، دستورات یک‌خطی شل یا لایه‌بندی CSS.
• دیباگ بر اساس خطا. پیام خطای کامل را همراه با کدهای مرتبط با آن جای‌گذاری کنید.
• تست‌ها. درخواست‌هایی مثل «برای این تابع تست واحد بنویس، شامل حالت‌های خاص (edge cases)» معمولاً مواردی را آشکار می‌کند که به آن‌ها فکر نکرده بودید.
• ترجمه میان زبان‌های برنامه‌نویسی. از Python به JavaScript، یا تبدیل اسکریپت Bash به PowerShell.
• بررسی و هم‌فکری درباره معماری. آنچه را قصد دارید بسازید توضیح دهید و قبل از نوشتن حتی یک خط کد، نقاط ضعف آن را جویا شوید.

این مدل‌ها در تغییرات بزرگ میان چندین فایل که به آن‌ها دسترسی ندارند، کتابخانه‌هایی که پس از تاریخ پایان داده‌های آموزشی‌شان تغییر کرده‌اند، و مواردی که به تنظیمات دقیق سیستم شما وابسته‌اند، عملکرد ضعیف‌تری دارند.

زمینه‌ای را که یک هم‌تیمی نیاز دارد فراهم کنید

ضعیف:
کدم کار نمیکنه درستش کن
[۳۰۰ خط کد پیست‌شده]

قوی:
Node.js 22، بدون فریم‌ورک و صرفاً با JavaScript خالص. formatDue(dateString)
باید تاریخ تحویل را به وقت محلی کاربر چاپ کند، مثلاً "Mon 3 March".
برای کاربران در برزیل، روز قبل را نشان می‌دهد.

آنچه در کنسول می‌بینم:
[خروجی دقیق را اینجا پیست کنید]

کد (فقط تابع formatDue و خطی که آن را فراخوانی می‌کند):
[پیست کنید]

ابتدا علت را بگو، سپس نسخه اصلاح‌شده formatDue را ارائه بده. نام تابع
و تک‌آرگومان آن را تغییر نده و از کتابخانه جانبی برای تاریخ استفاده نکن.

نسخه قوی نام زبان و نسخه‌ها را مشخص می‌کند، تفاوت رفتار مورد انتظار و رفتار فعلی را شرح می‌دهد، خطای دقیق را درج می‌کند، کد را به بخش‌های ضروری خلاصه می‌نماید و شکل خروجی اصلاح‌شده را تعیین می‌کند. هر یک از این موارد یک حدس و گمان را حذف می‌کند. چک‌لیست پرامپت‌های کدنویسی:

1. زبان، نسخه، فریم‌ورک و کتابخانه‌ها.
2. کد باید چه کاری انجام دهد و در عمل چه می‌کند.
3. پیام خطای دقیق یا خروجی اشتباه (عیناً کپی شود، نه بازنویسی).
4. یک نمونه کد حداقلی که همچنان مشکل را نشان دهد.
5. محدودیت‌ها: «بدون وابستگی جدید»، «سازگار با ویندوز»، «ساده و خوانا برای مبتدیان».

یک گردش کار ایمن: برنامه‌ریزی، نوشتن، اجرا، بازبینی

1. ابتدا برنامه‌ریزی کنید. برای هر کاری بزرگ‌تر از یک تابع، پیش از کد، رویکرد را بخواهید: «ساختار کلی این کار را با فایل‌ها و توابع مشخص کن، اما فعلاً کدی ننویس.» اصلاح یک برنامه بسیار کم‌هزینه‌تر از اصلاح ۲۰۰ خط کد است.
2. گام‌های کوچک بردارید. هر بار یک تابع یا یک تغییر. پاسخ‌های طولانی احتمال خطا را افزایش می‌دهند و پاسخ‌ها در چت ما محدودیت طول دارند. اگر کد نیمه‌کاره ماند، بنویسید «از آخرین خط کامل ادامه بده».
3. خودتان اجرا کنید. Llama در چت ما کد را اجرا نمی‌کند. مدل صرفاً پیش‌بینی می‌کند که کد سالم چگونه به نظر می‌رسد؛ فقط اجرای واقعی نشان می‌دهد که آیا کار می‌کند یا خیر.
4. نتایج واقعی را برگردانید. خطای جدید یا خروجی اشتباه را ارسال کنید. چند دور تعامل کوتاه معمولاً بهتر از یک توضیح طولانی به نتیجه می‌رسد.
5. پیش از کامیت، بازبینی کنید. هر خط را بخوانید. سپس در پیام‌های جداگانه بپرسید: «چه حالت‌های خاصی جا افتاده است؟» و «آیا بخش ناامنی در این کد وجود دارد؟»

مراقب این خطاهای رایج باشید

توابع و آپشن‌های ساختگی

گاهی اوقات مدل‌ها متدی را صدا می‌زنند که اصلاً وجود ندارد یا فلگ‌هایی در خط فرمان به کار می‌برند که مربوط به ابزار دیگری است. اگر چیزی ناآشنا به نظر می‌رسد، پیش از استفاده مستندات رسمی را بررسی کنید.

APIهای منسوخ‌شده

داده‌های آموزشی دارای تاریخ انقضا هستند: طبق مستندات Meta، آگوست ۲۰۲۴ برای Llama 4 و دسامبر ۲۰۲۳ برای Llama 3.3 و 3.1. کتابخانه‌هایی که بعد از آن تاریخ منتشر یا بازنویسی شده‌اند برای مدل ناشناخته‌اند و غالباً روش‌های قدیمی را پیشنهاد می‌دهد. نسخه‌ای را که استفاده می‌کنید ذکر کنید و در صورت لزوم، بخش‌های مربوطه از مستندات جدید را پیست نمایید.

کد کارآمد اما ناامن

مراقب کوئری‌های SQL ساخته‌شده با اتصال رشته‌ها، نبود اعتبارسنجی ورودی، ثبت اطلاعات حساس در فایل‌های سورس، غیرفعال‌سازی بررسی گواهینامه‌ها و مجوزهای دسترسی بسیار باز به فایل‌ها باشید. برای کدهایی که در بستر اینترنت فعال هستند، صراحتاً درخواست بازبینی امنیتی کنید.

منطق به‌ظاهر درست اما غلط

خطاهای یکی کم یا زیاد (Off-by-one)، مناطق زمانی، گرد کردن مبالغ مالی، و لیست‌های خالی. پیش از اعتماد به نتیجه، یک تست با ورودی و خروجی مشخص بنویسید.

اطلاعات حساس را وارد چت نکنید

هرگز کلیدهای API، رمزهای عبور، کلیدهای خصوصی، رشته‌های اتصال یا داده‌های مشتریان را پیست نکنید. به‌جای آن‌ها از جایگزین‌هایی مانند API_KEY_HERE استفاده کنید. پیام‌های شما برای تولید پاسخ از سرور ما و سرویس‌دهنده واسط اینفرنس عبور می‌کنند؛ هر اطلاعات حساسی را که از سیستم شما خارج شده، افشاشده در نظر بگیرید و آن را باطل کنید. اگر سازمان شما مقرراتی برای اشتراک‌گذاری کد با سرویس‌های خارجی دارد، آن را رعایت نمایید. اطلاعات بیشتر در حریم خصوصی و ایمنی هوش مصنوعی.

کدام مدل Llama برای کدنویسی مناسب است؟

با مدل پیش‌فرض شروع کنید: Llama 4 Maverick. مدل Llama 3.3 70B یک جایگزین متنی عالی و انتخابی مناسب برای دریافت نظر دوم روی همان مسئله است. Llama 3.1 8B برای کارهای کوچک مثل رجکس یا یک خط دستور بسیار سریع است، اما در مسائل پیچیده حتماً خروجی آن را بازبینی کنید. راهنمای مدل‌ها این چهار مدل را با هم مقایسه می‌کند.

می‌خواهید Llama را در ادیتور یا اپلیکیشن خود داشته باشید؟ این مدل‌ها وزن‌باز (open-weight) هستند، بنابراین می‌توانید Llama را به‌صورت محلی اجرا کنید یا آن را از طریق یک API فراخوانی نمایید. ابتدا شرایط را در صفحه مجوز Llama بررسی کنید.

پرامپت‌های آماده برای استفاده

• «این کد را برای برنامه‌نویسی که تازه به پروژه پیوسته توضیح بده. سپس سه موردی را که ممکن است باعث خرابی آن در محیط پروداکشن شود فهرست کن. [کد]»
• «یک تابع به زبان [زبان] بنویس که [کار فلان را انجام دهد]. تایپ‌هینت‌ها، داک‌استرینگ و سه نمونه فراخوانی به همراه خروجی مورد انتظار را اضافه کن.»
• «برای این تابع با فریم‌ورک [فریم‌ورک] تست واحد بنویس. ورودی‌های عادی، ورودی‌های خالی و ورودی‌های نامعتبر را پوشش بده. [کد]»
• «این کد [زبان الف] را با حفظ دقیق عملکرد به [زبان ب] تبدیل کن. به مواردی که معادل مستقیمی ندارند اشاره کن.»
• «این کد را صرفاً از نظر مشکلات امنیتی بررسی کن و بر اساس شدت خطر دسته‌بندی کن. [کد]»

برای کارهای مقطعی از دستیار کدنویسی استفاده کنید، پرامپت‌های کدنویسی را بررسی کنید، مطلب Llama برای توسعه‌دهندگان را بخوانید، یا همین حالا از Llama بخواهید یک قطعه کد را برایتان توضیح دهد.

پرسش‌های متداول

آیا Llama می‌تواند کد من را اجرا کند؟

خیر. در چت ما، مدل فقط متن می‌خواند و می‌نویسد. این مدل نمی‌تواند کد اجرا کند، فایل‌های شما را باز کند یا به مخزن گیت شما دسترسی داشته باشد؛ بنابراین همه‌چیز را خودتان اجرا و تست کنید.

آیا می‌توانم از کدی که Llama می‌نویسد در پروژه‌ام استفاده کنم؟

به‌طور کلی بله، اما مسئولیت نهایی با شماست: آن را بازبینی کنید، تست کنید و مراقب قطعه‌کدهای طولانی‌تری که شبیه پروژه‌های شناخته‌شده هستند باشید، زیرا ممکن است تعهدات لایسنس داشته باشند. این یک اطلاع‌رسانی عمومی است و مشاوره حقوقی محسوب نمی‌شود.

آیا عملکرد مدل در برخی زبان‌ها بهتر است؟

معمولاً بله. زبان‌های محبوب با حجم بالایی از کدهای عمومی (مثل Python، JavaScript، Java، PHP، SQL و موارد مشابه) معمولاً پاسخ‌های بهتری نسبت به زبان‌های کم‌کاربرد یا فریم‌ورک‌های بسیار جدید دریافت می‌کنند. در هر زبانی، نتیجه را تست کنید.

چرا نسخه‌های قدیمی یک کتابخانه را پیشنهاد می‌دهد؟

داده‌های آموزشی مدل در تاریخ مشخصی به پایان رسیده‌اند. نسخه مدنظرتان را اعلام کنید و بخش‌های لازم از مستندات آن را پیست نمایید تا مدل به‌جای اتکا به حافظه، بر اساس آن پیش برود.

آیا پیست کردن کدهای شرکتم در چت امن است؟

تنها در صورتی که شرکت شما اجازه دهد. ابتدا اطلاعات حساس و داده‌های خصوصی را حذف کنید. اگر شک دارید، یک نمونه ساده‌شده ایجاد کنید که همان مشکل را شبیه‌سازی کند.