代码生成

代码生成是大语言模型最成功的应用之一，现代 LLM 可以根据自然语言描述生成各种编程语言的代码。

核心能力​

LLM 可以做什么​

• 代码生成： 根据需求描述生成代码
• 代码补全： 续写未完成的代码
• 代码解释： 解释代码功能和逻辑
• 代码重构： 优化代码结构和性能
• Bug 修复： 发现并修复代码问题
• 单元测试： 生成测试用例
• 代码翻译： 不同语言间转换

代码生成技巧​

1. 清晰的需求描述​

不好的描述：

写一个排序函数

好的描述：

用 Python 写一个快速排序函数：  
- 输入：整数列表  
- 输出：升序排列的新列表  
- 要求：原地排序，不使用额外空间  
- 处理边界情况：空列表、单元素列表

2. 提供上下文​

# 现有代码  
class UserService:  
    def __init__(self, db):  
        self.db = db  
      
    def get_user(self, user_id):  
        return self.db.query(User).filter_by(id=user_id).first()  
  
# 请求：为这个类添加一个批量获取用户的方法，  
# 使用 IN 查询优化性能，返回字典格式 {user_id: user}

3. 指定技术栈​

使用 Spring Boot 2.7 + MyBatis Plus 实现用户登录接口：  
- 接收 JSON 格式的用户名和密码  
- 验证密码（使用 BCrypt）  
- 生成 JWT Token  
- 返回统一的 Response 格式

代码示例​

基础代码生成​

from openai import OpenAI  
  
client = OpenAI(api_key="your-api-key", base_url="http://122.51.35.238:5170/v1")  
  
def generate_code(requirement, language="python"):  
    response = client.chat.completions.create(  
        model="gpt-4o",  
        messages=[  
            {  
                "role": "system",  
                "content": f"你是一个专业的 {language} 程序员。生成简洁、高效、符合最佳实践的代码。"  
            },  
            {  
                "role": "user",  
                "content": requirement  
            }  
        ],  
        temperature=0  # 代码生成使用低温度  
    )  
    return response.choices[0].message.content  
  
# 使用示例  
code = generate_code("""  
实现一个 LRU 缓存类：  
- 支持 get(key) 和 put(key, value) 操作  
- 容量限制为初始化时指定  
- get 和 put 都应该是 O(1) 时间复杂度  
""")  
print(code)

代码审查​

def review_code(code):  
    response = client.chat.completions.create(  
        model="gpt-4o",  
        messages=[  
            {  
                "role": "system",  
                "content": """你是一个资深的代码审查专家。请审查代码并指出：  
1. 潜在的 Bug  
2. 性能问题  
3. 代码风格问题  
4. 安全漏洞  
5. 改进建议"""  
            },  
            {  
                "role": "user",  
                "content": f"请审查以下代码：\n```\n{code}\n```"  
            }  
        ]  
    )  
    return response.choices[0].message.content

单元测试生成​

def generate_tests(code, framework="pytest"):  
    response = client.chat.completions.create(  
        model="gpt-4o",  
        messages=[  
            {  
                "role": "system",  
                "content": f"你是一个测试专家，使用 {framework} 编写全面的单元测试。"  
            },  
            {  
                "role": "user",  
                "content": f"""为以下代码生成单元测试：  
```python  
{code}

要求：

• 覆盖正常情况
• 覆盖边界情况
• 覆盖异常情况
• 使用参数化测试减少重复""" } ], temperature=0 ) return response.choices[0].message.content

## 最佳实践  
  
### 1. 使用合适的模型  
  
| 场景 | 推荐模型 |  
|------|----------|  
| 复杂算法 | GPT-4o, Claude 3.5 Sonnet |  
| 日常编码 | GPT-4o-mini, DeepSeek-Coder |  
| 代码补全 | Codestral, Qwen-Coder |  
  
### 2. 温度设置  
  
```python  
# 代码生成：低温度，保证一致性  
temperature = 0  
  
# 创意方案：稍高温度  
temperature = 0.3

3. 迭代优化​

def iterative_code_generation(requirement, max_iterations=3):  
    code = None  
    for i in range(max_iterations):  
        if code is None:  
            code = generate_code(requirement)  
        else:  
            # 请求优化  
            code = optimize_code(code, "请优化这段代码的性能和可读性")  
          
        # 验证代码  
        issues = review_code(code)  
        if "没有发现问题" in issues:  
            break  
          
        # 根据问题修复  
        code = fix_issues(code, issues)  
      
    return code

4. 结构化输出​

请求特定格式的输出：

response = client.chat.completions.create(  
    model="gpt-4o",  
    messages=[  
        {  
            "role": "user",  
            "content": """生成一个 REST API 端点，返回格式：  
{  
    "code": "完整代码",  
    "explanation": "代码解释",  
    "dependencies": ["依赖列表"],  
    "usage_example": "使用示例"  
}"""  
        }  
    ],  
    response_format={"type": "json_object"}  
)

代码生成的局限​

需要注意​

1. 验证输出： 生成的代码可能有 Bug
2. 安全审查： 检查安全漏洞
3. 版权问题： 可能生成类似已有代码
4. 依赖管理： 确认依赖版本兼容

不适合的场景​

• 极其复杂的系统架构
• 需要深度领域知识的代码
• 安全关键型应用（未经审查）

工具推荐​

• Cursor： AI 驱动的代码编辑器
• GitHub Copilot： 代码补全工具
• Cline/Roo Code： VS Code 插件
• Claude Code： 终端 AI 编程助手

---

本页内容来自文档知识库整理，已按 ArmNet 字元服务 服务命名统一更新。