کتاب Supercharged Coding with GenAI

معرفی کتاب «کدنویسی قدرتمند با هوش مصنوعی مولد»

این کتاب برای آموزش توسعه‌دهندگان نرم‌افزار طراحی شده تا بهره‌وری آن‌ها را در تمام مراحل چرخه عمر توسعه نرم‌افزار (SDLC) افزایش دهد. این کتاب نه تنها به جنبه‌های برنامه‌نویسی می‌پردازد، بلکه نحوه نوشتن تست، مستندسازی و سایر جنبه‌های مورد نیاز برای تولید نرم‌افزار با استفاده از روش‌های هوش مصنوعی مولد (GenAI) را نیز پوشش می‌دهد. کتاب چارچوب پنج S را معرفی می‌کند؛ یک رویکرد استاندارد برای تولید مداوم خروجی با کیفیت بالا که بسیاری از کاربران GenAI با آن مواجه هستند.

کتاب Supercharged Coding with GenAI به شما نحوه و زمان استفاده از سه ابزار رایج نرم‌افزار GenAI را که در حال حاضر در بازار غالب هستند، یعنی ChatGPT، OpenAI API و GitHub Copilot، آموزش می‌دهد. هر یک از این ابزارها رابط متفاوتی برای تولید کد ارائه می‌دهند که هر کدام نقاط قوت و ضعف خاص خود را دارند. یادگیری نحوه استفاده مؤثر از این ابزارها یک مهارت قدرتمند در زمینه به‌سرعت در حال تحول مهندسی نرم‌افزار است.

کتاب Supercharged Coding with GenAI یک رویکرد عملی است و بسیاری از بخش‌های آن شامل آزمایش‌های عملی هستند، زیرا ابزارهای کدنویسی GenAI به تمرین نیاز دارند. این آزمایش‌ها تمرین لازم را برای به چالش کشیدن دانش و کشف مهارت‌های کلیدی معرفی شده فراهم می‌کنند. همچنین، کتاب به مفاهیم پشت‌پرده نحوه استفاده از دستورالعمل‌ها می‌پردازد و اطمینان حاصل می‌کند که شما نه تنها نحوه انجام یک کار را یاد می‌گیرید، بلکه درک می‌کنید که چرا GenAI خروجی‌های خاصی را تولید می‌کند.

کتاب Supercharged Coding with GenAI به سه بخش اصلی تقسیم می‌شود:

بخش ۱: مبانی کدنویسی با GenAI

در این بخش یک آموزش سریع برای سه ابزار مختلف GenAI که می‌توانید برای تکمیل کد و وظایف مرتبط استفاده کنید، ارائه شده است. کار را با چارچوب OpenAI API آغاز می‌کنیم تا از مدل‌های زبانی بزرگ (LLM) به عنوان یک توسعه‌دهنده نرم‌افزار بهره ببریم. سپس برای درک بهتر طراحی ابزارهای GenAI، یک برنامه برای تکمیل کد می‌سازیم.

بعد از آن، با GitHub Copilot و ChatGPT با استفاده از سه حالت تعامل مختلف، یعنی گفتگو، تکمیل و تحلیل، کار را شروع می‌کنیم. در این مرحله، تفاوت‌های طراحی بین حالت‌های تعامل مختلف را نیز درک خواهیم کرد. در نهایت، چارچوب پنج S را معرفی می‌کنیم؛ یک رویکرد ساختاریافته برای ایجاد دستورات دقیق که منجر به خروجی‌های قابل پیش‌بینی و مطلوب‌تر می‌شود.

بخش ۲: مهارت‌های مقدماتی تا پیشرفته برای کدنویسی با GenAI

این بخش قدم بعدی را برای تبدیل شدن به یک کدنویس فوق‌العاده برمی‌دارد. در این قسمت به عمق مبانی LLMها می‌پردازیم. هدف این است که درک بهتری از این که چرا این مدل‌ها بسیار بهتر از ابزارهای قبلی کار می‌کنند، به دست آوریم. سپس با یادگیری این که کدام وظایف برای مدل‌ها بومی هستند، کدام‌ها نیاز به تکنیک‌های پیشرفته دارند، و کدام‌ها بهتر است اصلاً بدون کمک GenAI انجام شوند، ذهنیت یک کدنویس قدرتمند را در خود توسعه می‌دهیم.

همچنین یاد می‌گیریم چگونه تکنیک‌های پیشرفته را برای وظایف مرتبط با کدنویسی به کار ببریم، با استفاده از تکنیک‌های ارزیابی، کیفیت خروجی خود را بسنجیم و یک مدل را برای یک وظیفه خاص بهینه (Fine-tune) کنیم.

بخش ۳: از کد تا تولید با GenAI

این بخش از کتاب Supercharged Coding with GenAI به رویکرد پیشرفته SDLC اختصاص دارد که در آن می‌توانیم از مجموعه مهارت‌ها و طرز فکر جدید خود برای کار با ابزارهای GenAI استفاده کنیم. در این بخش درباره ورود به سیستم (Logging)، نظارت (Monitoring)، اشکال‌زدایی (Debugging)، تست واحد (Unit Testing) و مستندسازی کد خود به صورت سریع و کارآمد با ابزارهای GenAI صحبت می‌کنیم. همچنین تکنیک‌های مهندسی دستور (Prompt Engineering) را برای بهینه‌سازی فضا و حافظه به کار می‌بریم. این بخش با صحبت‌هایی درباره طراحی، معماری و آینده به پایان می‌رسد.

کتاب Supercharged Coding with GenAI برای چه کسانی است؟

اگر شما یک توسعه‌دهنده پایتون هستید که به GenAI کنجکاوید و به دنبال افزایش بهره‌وری مهندسی نرم‌افزار خود هستید، این کتاب رویکرد شما را به نرم‌افزار متحول خواهد کرد. ما مثال‌های ساختاریافته متعددی با پیچیدگی‌های متفاوت ارائه می‌دهیم که کاربرد تکنیک‌های پیشرفته را نشان می‌دهند و برای توسعه‌دهندگان از سطح متوسط تا پیشرفته مناسب است.

برای بهره‌مندی حداکثری از این کتاب، باید حداقل یک سال تجربه عملی در توسعه پایتون داشته باشید و با SDLC تا حدی آشنا باشید.

آنچه در کتاب Supercharged Coding with GenAI پوشش داده می‌شود

• فصل ۱: از اتوماسیون تا چرخه کامل توسعه نرم‌افزار: فرصت فعلی برای GenAIاین فصل همگرایی اخیر ابزارهای توسعه نرم‌افزار و تحول هوش مصنوعی با LLMها را توصیف می‌کند و توضیح می‌دهد که اکنون بهترین زمان برای بهبود مهارت‌ها در GenAI برای تولید سریع‌تر کد با کیفیت است.
• فصل ۲: راهنمای شروع سریع شما برای OpenAI API هر آنچه برای شروع استفاده از OpenAI نیاز دارید، در این فصل معرفی شده است. در پایان این فصل از کتاب Supercharged Coding with GenAI، قادر خواهید بود از آن برای نوشتن کد استفاده کنید.
• فصل ۳: راهنمایی برای GitHub Copilot با PyCharm، VS Code و Jupyter Notebook دستورالعمل‌های راه‌اندازی GitHub Copilot، ابزار برنامه‌نویسی جفتی GenAI را فراهم می‌کند. سپس نحوه ادغام GitHub Copilot با دو IDE محبوب را نشان می‌دهد. با این پیش‌زمینه، می‌توانید با GenAI دستورات لازم را ارائه دهید.
• فصل ۴: بهترین شیوه‌ها برای دستور دادن با ChatGPT به موضوع دستور دادن (Prompting) که یک مهارت اصلی برای کدنویسی با GenAI است، می‌پردازد. این فصل از کتاب Supercharged Coding with GenAI، چارچوب پنج S را برای خروجی‌های یکنواخت معرفی می‌کند.
• فصل ۵: بهترین شیوه‌ها برای دستور دادن با OpenAI API و GitHub Copilotبخش ۱ کتاب را با گسترش روش‌های دستور دادن به توابع، کلاس‌ها و متدها تکمیل می‌کند. این روش‌ها نه تنها برای نوشتن کد، بلکه برای رفع اشکالات و ارائه مستندات نیز به کار می‌روند.
• فصل ۶: پشت صحنه: ChatGPT، GitHub Copilot و سایر LLMها چگونه کار می‌کنند؟نحوه عملکرد LLMها را آشکار می‌کند، زیرا چنین درکی می‌تواند به شناخت نقاط قوت و محدودیت‌ها کمک کند. این فصل از کتاب Supercharged Coding with GenAI، با یک مثال آماری به عنوان انگیزه شروع شده و به LLMهای عمومی می‌پردازد. در نهایت، به LLMهای خاص کد که در قلب GitHub Copilot قرار دارند، می‌پردازد.
• فصل ۷: خواندن و درک پایگاه‌های کد با GenAI اثربخشی ابزارهای مختلف GenAI را در کار با پایگاه‌های کامل کد به نمایش می‌گذارد. این فصل از کتاب Supercharged Coding with GenAI، نشان می‌دهد که چگونه GenAI می‌تواند نحوه عملکرد کد را توضیح داده و با استفاده از کد و مستندات پشتیبانی به رفع اشکالات کمک کند.
• فصل ۸: مقدمه‌ای بر مهندسی دستور (Prompt Engineering)این زمینه جدید را در توسعه کد به کار می‌گیرد و یادگیری با نمونه‌های کم (Few-shot learning) را معرفی می‌کند. روش‌های مهندسی دستور از طریق OpenAI API و GitHub Copilot برای بازآرایی کد (Code Refactoring) به منظور پشتیبانی از یک سبک کدنویسی یکسان به کار گرفته می‌شوند.
• فصل ۹: مهندسی پیشرفته دستور برای وظایف مرتبط با کدنویسیرویکردهای یادگیری با نمونه‌های کم از فصل ۸ را به مدل‌های استدلالی گسترش می‌دهد. دستور دادن تکراری، دستور دادن با زنجیره فکری (Chain-of-thought prompting) و زنجیره‌سازی می‌توانند به طور موثر کدهای بسیار قابل پیش‌بینی را تولید کنند که عملکردهای کلیدی، از جمله کد و نظرات (Comments) را پیاده‌سازی می‌کنند.
• فصل ۱۰: بازآرایی کد با GenAIتکنیک دستور دادن با زنجیره فکری را برای بهبود کد مجدداً بررسی و گسترش می‌دهد. این فصل از کتاب Supercharged Coding with GenAI، مثال‌هایی از بازآرایی کد برای بهبود کیفیت و عملکرد را پوشش می‌دهد.
• فصل ۱۱: بهینه‌سازی مدل‌ها با OpenAIرویکرد یادگیری با نمونه‌های کم را با بهینه‌سازی (Fine-tuning)، یک رویکرد استاندارد برای شخصی‌سازی LLMها، مقایسه می‌کند. این فصل از OpenAI Playground برای مقایسه اثربخشی و هزینه‌های این دو رویکرد استفاده می‌کند.
• فصل ۱۲: مستندسازی کد با GenAIآغاز بخش ۳ است که بر اجزای SDLC فراتر از کدنویسی تمرکز دارد. این فصل یک راهنمای عملی برای نوشتن موثر docstringها، مستندات استاندارد پایتون، است. همچنین راه‌حل‌هایی برای مشکل نظرات قدیمی در داخل کد ارائه می‌دهد.
• فص ۱۳: نوشتن و نگهداری تست‌های واحد (Unit Tests) چندین روش برای استفاده از GenAI برای تسریع در ایجاد تست‌ها را نشان می‌دهد. این فصل از کتاب Supercharged Coding with GenAI، همچنین فرآیند توسعه مبتنی بر تست (TDD) را پوشش می‌دهد که در آن ابتدا موارد تست نوشته شده و کد عملکردی برای گذراندن تست‌ها به صورت خودکار تولید می‌شود.
• فصل ۱۴: GenAI برای مدیریت زمان اجرا و حافظه به بهینه‌سازی عملکرد می‌پردازد که به ندرت در متون کد GenAI مورد بحث قرار می‌گیرد. مثال‌های آن نشان می‌دهند که چگونه می‌توان مبادلات عملکرد را ارزیابی کرد و با استفاده از ترکیبی از دستور دادن با زنجیره‌سازی، ظرفیت‌های زمان اجرا را تخمین زد و کد را برای اجرا در مقیاس بزرگ بهینه کرد.
• فصل ۱۵: با GenAI زنده شدن: ورود به سیستم (Logging)، نظارت (Monitoring) و خطاهاراهنمایی‌هایی در مورد استفاده از GenAI برای اجزای کلیدی مراحل پایانی تولید کد ارائه می‌دهد. این فصل از کتاب Supercharged Coding with GenAI، مفاهیم گذشته مانند اعمال سبک، یادگیری با نمونه‌های کم و بهینه‌سازی را که در روش‌های نظارت و ورود به سیستم به کار می‌روند، گرد هم می‌آورد.

• فصل ۱۶: معماری، طراحی و آینده

  در مورد ظهور GenAI، اقتصاد نرم‌افزار و چشم‌انداز در حال تغییر مهندسی نرم‌افزار بحث می‌کند. این فصل از کتاب Supercharged Coding with GenAI، دیدگاهی در مورد آینده مهندسی نرم‌افزار از کدنویسی حسی تا انتظارات بلندمدت، از جمله ریسک‌ها و حکمرانی ارائه می‌دهد.