内容简介
使用Copilot和ChatGPT等AI工具，就像雇用了一位聪明高效、无所不能的初级开发者——从技术调研到代码重构都能胜任。AI编程能助你提升开发效率，编写更优质的应用程序，甚至突破当前团队的能力边界。本书将为你全面揭示实现方法。
《大模型辅助编程》通过具体案例详细讲解如何在实际软件开发中最大化AI编程工具的价值。你将跟随完整应用程序的开发流程，体验AI工具在各个环节的应用：使用ChatGPT和Copilot生成代码与创意、获取预测性建议、开发自文档化应用系统，并学习如何利用AI进行代码测试与解读。
>运用AI进行软件设计与规划
>实现代码生成、调试与文档自动化
>提升代码质量评估体系
>快速掌握陌生编程语言
目录
第Ⅰ部分 基础
第1章 了解LLM 3
1.1 加速开发 4
1.2 LLM介绍 10
1.3 何时使用或避免使用生成式AI 11
1.4 本章小结 13
第2章 使用LLM 15
2.1 ChatGPT 16
2.1.1 使用GPT-4处理细微差别 16
2.1.2 使用GPT-3.5绘制路径 22
2.1.3 在AI海洋中航行：从GPT-3.5“海岸”到GPT-4
“天际线” 25
2.2 Copilot 26
2.3 CodeWhisperer 29
2.4 比较ChatGPT、Copilot和CodeWhisperer 31
2.5 本章小结 33
第Ⅱ部分 输入
第3章 使用ChatGPT设计软件 37
3.1 项目介绍：ITAM系统 38
3.2 请ChatGPT协助系统设计 38
3.3 记录架构 43
3.4 本章小结 62
第4章 使用GitHub Copilot 构建软件 63
4.1 奠定基础 64
4.1.1 表达领域模型 64
4.1.2 优先采用不可变性 66
4.1.3 修饰最喜欢的类 68
4.1.4 调整折旧策略 73
4.2 编织模式 75
4.2.1 访问部门 76
4.2.2 使用工厂(模式)创建对象 77
4.2.3 指导系统构建 82
4.2.4 观察变化 87
4.3 插入端口和适配器 90
4.3.1 六边形架构回顾 91
4.3.2 驱动应用程序 92
4.3.3 访问数据和持久化更改 100
4.3.4 集中(和外部化)数据访问 104
4.4 本章小结 109
第5章 使用GitHub Copilot和Copilot Chat管理数据 111
5.1 构建数据集 112
5.2 使用Kafka实时监控资产 123
5.3 使用Apache Spark进行分析、学习和跟踪 133
5.4 本章小结 138
第Ⅲ部分 反馈
第6章 基于LLM的测试、评估和解释 143
6.1 3种测试类型 144
6.1.1 单元测试 144
6.1.2 集成测试 151
6.1.3 行为测试 152
6.2 评估质量 157
6.3 寻找错误 160
6.4 代码覆盖 162
6.5 代码转译——从代码到描述 164
6.6 从一种语言翻译到另一种语言 166
6.7 本章小结 173
第Ⅳ部分 走向世界
第7章 编写基础设施代码和管理部署 177
7.1 构建Docker镜像并“部署”到本地 179
7.2 使用GitHub Copilot协助Terraform构建基础设施 182
7.3 移动Docker镜像(困难模式) 186
7.4 移动Docker镜像(简单模式) 186
7.5 将应用程序部署到AWS EKS 188
7.6 在GitHub Actions中设置CI/CD管道 191
7.7 本章小结 194
第8章 使用ChatGPT开发安全应用程序 197
8.1 使用ChatGPT进行威胁建模 199
8.1.1 威胁建模在当今开发环境中至关重要的原因 199
8.1.2 ChatGPT如何辅助威胁建模 200
8.1.3 案例研究：使用ChatGPT模拟威胁建模 203
8.2 审查应用程序设计并识别潜在漏洞 207
8.2.1 评估设计问题 207
8.2.2 识别常见漏洞 208
8.3 应用安全最佳实践 209
8.3.1 建立安全意识 209
8.3.2 持续安全测试 210
8.4 静态数据和传输中数据的加密 213
8.4.1 数据加密的重要性 213
8.4.2 静态数据加密 214
8.4.3 传输中数据的加密 218
8.5 本章小结 220
第9章 随时随地使用GPT 221
9.1 动机理论 221
9.2 本地托管LLM 222
9.2.1 使用ChatGPT进行基准测试 223
9.2.2 要求Llama 2输出答案 224
9.2.3 用GPT-4All实现答案的民主化 232
9.3 本章小结 235
附录 237
前言/序言
本书是掌握LLM(如ChatGPT和CoPilot)如何与软件开发过程相集成的必备指南。本书提供了实用建议，展示了最佳实践，指导利用人工智能(AI)提升项目质量。从使用AI的注意事项到真实案例，读者将获得所需的见解和工具，来提升开发技能，并在不断变化的技术领域中保持领先。
本书读者对象
无论是专业开发人员还是业余爱好者都能从本书中受益。虽然这本书主要面向有经验的开发人员，但大模型(Large Language Model，LLM)[ 译者注：Large Language Model中文翻译为“大规模语言模型”“大型语言模型”“大模型”，本书中文统一为“大模型”，英文统一为LLM。]有助于快速学习，因为这些工具可以提供解释、代码示例以及编程概念的指导。有经验的开发人员可以利用这些工具提高效率，简化编程流程，更高效地应对复杂的编程挑战。这些工具还可以协助生成代码片段、调试，并提供关于最佳实践的见解。
本书内容
本书主要分为4个部分，并配备3个实用的附录，用于指导读者设置3个AI工具。
第Ⅰ部分：基础
第1章介绍LLM，追溯其历史并阐释了生成式AI的概念。该章还就如何恰当和谨慎地使用这些技术提出了建议。
第2章介绍如何开始使用LLM，比较了ChatGPT、GitHub Copilot和CodeWhisperer，并详细说明了使用它们的初步步骤。
第Ⅱ部分：输入
第3章通过信息技术资产管理(ITAM)系统项目示例，讲解如何在ChatGPT的辅助下设计软件。
第4章着重介绍如何使用GitHub Copilot构建软件，涵盖了诸如领域建模、不可变性和设计模式等基本概念。
第5章深入探讨如何使用GitHub Copilot和Copilot Chat管理数据，包括使用Kafka进行实时资产监控以及使用Apache Spark进行数据分析。
第Ⅲ部分：反馈
第6章讨论使用LLM开发的软件的测试、质量评估和解释过程，包括漏洞查找和代码转换。
第Ⅳ部分：走向世界
第7章涵盖从构建Docker镜像到使用GitHub Actions设置持续集成/持续部署(CI/CD)管道的基础设施编程和管理部署知识。
第8章讨论如何使用ChatGPT开发安全应用程序，包括威胁建模和安全最佳实践应用。
第9章探讨“随时随地使用GPT”的概念，包括托管自己的LLM以及通过GPT-4All实现访问民主化。
附录提供设置ChatGPT、Copilot和CodeWhisperer的简单指导，确保具备开始AI辅助编程所需的操作知识。
除最后一章外，本书应按顺序阅读，因为每一章都是在前一章的基础上构建的。
关于代码
读者可扫描下面的二维码，下载本书示例的完整代码。
