思維鏈設計 5：讓 AI 跟隨指揮，逐步完成每一個步驟的程式碼生成

前言

大家好！在前面的章節中，我們學習了如何設計一個「AI 指揮官」，以及讓 AI 能夠按照計劃將複雜的程式碼進行分塊和索引。然而，要讓這個計劃順利進行，我們需要讓 AI 逐步地、精確地完成每一個步驟。

今天，我們將探討如何讓 AI 跟隨指揮官的指令，逐步完成每一個步驟的程式碼生成。為了達到這個目標，我們將引入 兩個 LLM（大型語言模型），讓它們各自扮演特定的角色，協同合作。

為何使用兩個 LLM？

當我們的任務需要生成詳細的步驟講解時，單一的 LLM 可能會因為需要處理大量資訊而感到壓力，導致輸出品質下降。為了讓生成步驟講解的 LLM 壓力更小，專注於更精確的內容，我們採用了兩個 LLM：

1. LLM A：程式碼分析師

   • 任務：根據指揮官的命令，從單一的程式碼檔案中選取當前步驟需要的函式或功能區塊，並將它們傳遞給 LLM B。
   • 優勢：專注於程式碼的選取，減少 LLM B 的負擔。

2. LLM B：教學撰寫者

   • 任務：接收指揮官的命令、上一步的進度、當前任務、下一步計畫、教學進度，以及 LLM A 提供的程式碼函式。最後，撰寫本步驟的教學內容。
   • 優勢：專注於教學內容的撰寫，提供更精確和深入的講解。

透過這種分工，LLM B 可以更專注於撰寫高品質的教學內容，而不必處理大量的程式碼細節。

讓 AI 跟隨指揮官的步伐

1. 指揮官發出明確的指令

指揮官需要制定清晰的計劃，將任務拆解為可執行的步驟，並提供必要的指導。

指揮官的命令範例：

任務：引導學生實作一個簡單的計算器應用程式。

當前步驟：實作加法功能。

目標：讓學生瞭解如何撰寫一個加法函式，並將其整合到應用程式中。

2. LLM A（程式碼分析師）處理

LLM A 接收到指揮官的命令，從單一的程式碼檔案中選取與「加法功能」相關的函式或代碼片段。

LLM A 的輸入：

• 指揮官的命令
• 單一的程式碼檔案內容

LLM A 的任務：

• 從程式碼中選取與加法功能相關的函式
• 提供這些函式的代碼和簡要說明，傳遞給 LLM B

LLM A 的輸出：

選取的程式碼函式：

1. 函式名稱：addNumbers
   - 功能：接收兩個數字，返回它們的和
   - 程式碼：
     ```javascript
     function addNumbers(a, b) {
       return a + b;
     }
     ```

3. LLM B（教學撰寫者）撰寫教學內容

LLM B 接收來自指揮官和 LLM A 的資訊，專注於撰寫本步驟的教學內容。

LLM B 的輸入：

1. 指揮官的命令

   • 當前步驟的目標和要求

2. 上一步做了什麼

   • 之前已建立了基本的應用程式結構

3. 我們這次要幹嘛

   • 實作加法功能，撰寫加法函式

4. 下一步要做什麼

   • 將加法函式整合到使用者介面，讓使用者可以輸入數字並看到結果

5. 目前教學已經學到哪裡了

   • 學生已經瞭解了基本的程式碼結構和函式定義

6. 需要的程式碼函式

   • LLM A 提供的 addNumbers 函式

LLM B 的任務：

• 根據上述資訊，撰寫清晰、易懂的教學內容
• 包含對 addNumbers 函式的解說和程式碼示例

LLM B 的輸出：

步驟二：實作加法功能

在這個步驟中，我們將撰寫一個加法函式，讓計算器可以計算兩個數字的和。

我們這次要幹嘛：

• 撰寫 addNumbers 函式，接收兩個數字，返回它們的和

程式碼示例：

// 加法函式
function addNumbers(a, b) {
  return a + b;
}

程式碼解說：

• function addNumbers(a, b)：定義了一個名為 addNumbers 的函式，接收參數 a 和 b
• return a + b;：函式返回 a 和 b 的和

下一步要做什麼：

在下一個步驟中，我們將把 addNumbers 函式整合到應用程式中，讓使用者可以輸入數字，點擊按鈕，並看到計算結果。

4. 逐步完成任務，減少 LLM 的壓力

透過這種方式，LLM B 不需要處理整個程式碼檔案，只需要專注於當前步驟需要的函式和內容。這減輕了 LLM B 的壓力，讓它能夠撰寫更精確和深入的教學內容。

關鍵觀念

只需要知道需要知道的資訊

LLM A 和 LLM B 的合作如何提高效率？

• 資訊精簡：LLM A 將大量的程式碼精簡為當前步驟需要的函式，避免 LLM B 被過多的資訊淹沒。
• 專注度提升：LLM B 專注於教學內容的撰寫，不需要處理不相關的程式碼細節。
• 輸出品質提高：透過減輕 LLM B 的壓力，提升了教學內容的品質和精確度。

跟隨指揮官前進

• 統一目標：所有的步驟都圍繞指揮官設定的目標展開，確保教學內容的連貫性。
• 步驟清晰：每個步驟都有明確的目標和任務，讓學生能夠一步一步地學習和實作。

結語

透過引入兩個 LLM，我們成功地讓生成步驟講解的 LLM（LLM B）減輕了壓力，能夠專注於更精確的內容。LLM A 負責從單一的程式碼檔案中選取當前步驟需要的函式，讓 LLM B 只需要處理必要的資訊。這種方法提高了整個流程的效率和教學品質。

在未來的應用中，我們可以將這種設計運用到各種教學和開發場景中，讓 AI 成為我們強大的助手，幫助我們一步一步地實現目標。

感謝你的閱讀！如果你對本文有任何疑問或想法，歡迎在下方留言討論。別忘了關注我的 Threads 和加入 Discord 社群，一起探索更多有趣的 AI 知識。我們下次見！