Melhore seus prompts para geração de código usando o ChatGPT

Embora Large language models (LLMs) sejam amplamente utilizados pela comunidade científica há mais de uma década, somente mais recentemente que os LLMs conseguiram atravessar a fronteira da pesquisa para a prática e se tornaram ferramentas obrigatórias no arsenal da pessoa desenvolvedora de software.

Com a popularização dos LLMs, pessoas desenvolvedoras de software tem explorado variados cenários de uso de LLMs no processo de desenvolvimento de software, como a geração e otimização de código, correção de bugs, ou até mesmo busca de código.

No entanto, esses benefícios se tornaram observáveis por conta da simplificação do processo de interação humano-computador implementado pelo ChatGPT. O ChatGPT recebe como entrada um input (ou prompt) escrito em linguagem natural e gera, como saída, uma resposta escrita também em linguagem natural.

Por ter sido treinado em um número ridiculamente grande de base de dados, o ChatGPT é capaz de elaborar respostas sobre os mais diversos tipos de assunto. Não atoa, em cerca de dois meses após o lançamento, o ChatGPT atraiu mais de 100 milhões de usuários, tornando-o assim a ferramenta com maior taxa de crescimento da história.

No entanto, o desempenho¹ do ChatGPT está intimamente relacionado a qualidade do prompt utilizado. O prompt define o contexto da conversação, avisa ao LLM qual informação é importante, bem como que tipo de saída é esperada. Engenharia de prompt, por sua vez, é o processo de ajustar ou melhorar as respostas geradas pelo LLM, de forma a obter resultados mais desejáveis. Em outras palavras, engenharia de prompt é a capacidade de programar LLMs via prompts.

Nesse texto, vamos revisar e refletir sobre o artigo científico entitulado “Improving ChatGPT Prompt for Code Generation”, que apresenta um estudo sobre a utilização de diversos prompts na tarefa de geração de código.