تاثیر تکنیکهای مهندسی اعلان (Prompt Engineering) بر بهبود کیفیت تولید کد در مدلهای زبانی بزرگ

مدلهای زبانی بزرگ Large Language Models در سالهای اخیر نقش مهمی در توسعه سامانه های هوش مصنوعی مولد ایفا کرده اند و در حوزه هایی مانند تولید، متن، ترجمه ماشینی و تولید کد نرم افزاری عملکرد قابل توجهی داشته اند. با این حال کیفیت خروجی این مدل ها به شدت تحت تاثیر نحوه طراحی ورودی (Prompt) قرار دارد. مهندسی اعلان (Prompt Engineering) به عنوان رویکردی نوین امکان هدایت رفتار مدل های زبانی بدون نیاز به بازآموزی را فراهم می کند. این مقاله با رویکرد مرور روایی - تحلیلی به بررسی مهمترین تکنیک های مهندسی اعلان شامل Zero-Shot, Few-Shot Prompting, Chain-of-Thought Prompting, Retrieval-Augmented Generation (RAG) و تاثیر آنها بر کیفیت تولید کد می پردازد. نتایج مرور مطالعات نشان می دهد که استفاده از پرامپت های ساختاریافته می تواند موجب بهبود دقت، انسجام و قابلیت اجرا بودن کدهای تولیدی شود. همچنین تکنیک های مبتنی بر استدلال مرحله ای و استفاده از دانش خارجی نسبت به روش های ساده عملکرد بهتری در حل مسائل پیچیده برنامه نویسی دارند.

کلیدواژه ها:

مهندسی اعلان ، مدلهای زبانی بزرگ ، تولید کد ، هوش مصنوعی مولد ، Chain-of-Thought ، RAG