AI Coding Assistant Lingma：Pemrograman dengan Lingma

Pintasan keyboard default

Lingma menyediakan pintasan keyboard yang siap digunakan. Tabel berikut mencantumkan beberapa yang paling umum:

Selain itu, dalam panel AI Chat, tekan Cmd+Enter (macOS/Linux) atau Ctrl+Enter (Windows) untuk membuat jeda baris, dan tekan Enter untuk mengirimkan pertanyaan Anda ke model.

Pintasan keyboard kustom

Pengaturan IDE

Item konfigurasi umum

1. Nonaktifkan penyelesaian otomatis berdasarkan jenis file.

   • Jika penyelesaian otomatis menyebabkan gangguan saat bekerja dengan jenis file tertentu, Anda dapat menambahkan ekstensi file tersebut ke daftar. Ekstensi ganda harus dipisahkan oleh koma (misalnya: txt,md).

     IDE	Konfigurasi
     JetBrains IDE
     VSCode

     Catatan

     Anda dapat menonaktifkan penyelesaian otomatis untuk jenis file tertentu untuk mencegah pemicuan otomatis penyelesaian otomatis. Jika Anda menggunakan pintasan keyboard Alt+P untuk memicu penyelesaian otomatis secara manual untuk file tersebut, Anda masih dapat menggunakan pembuatan dan penyelesaian kode berbasis LLM.

2. Pertahankan hasil penyelesaian saat saran drop-down muncul.

   • Secara default, ketika IDE menampilkan saran penyelesaian drop-down berbasis sintaks, Lingma secara otomatis berhenti menampilkan penyelesaian model besar untuk menghindari konflik visual.

   • Jika Anda ingin Lingma selalu menghasilkan penyelesaian LLM, Anda dapat memilih opsi konfigurasi ini. Seperti yang ditunjukkan pada gambar di bawah, menekan tombol Tab akan menerima hasil yang dihasilkan oleh model besar.

     IDE	Konfigurasi
     JetBrains IDE
     VSCode

3. Kontrol panjang maksimum dari kode yang dihasilkan.

   • Lingma mendukung pengaturan parameter panjang penyelesaian kode yang berbeda untuk pemicu otomatis dan pemicu manual. Disarankan untuk mengatur pemicu manual (pintasan default Alt+P) agar menghasilkan penyelesaian yang sedikit lebih panjang daripada pemicu otomatis.

     IDE	Konfigurasi
     JetBrains IDE
     VSCode

     Catatan

     Opsi konfigurasi ini hanya menetapkan panjang maksimum yang diizinkan untuk dihasilkan oleh model. Jika konten yang dihasilkan oleh model dalam penyelesaian secara alami lebih pendek, mengubah konfigurasi ini tidak dapat memaksa model untuk menghasilkan konten yang lebih panjang.

Pandu penyelesaian kode dengan komentar

Ketika tidak ada komentar panduan, model hanya dapat memprediksi kode mendatang berdasarkan konteks saat ini dan kode serupa yang ditemukan dalam referensi proyek. Ketika prediksi model tidak akurat, Anda dapat menambahkan komentar untuk memandu model menuju implementasi kode yang diinginkan.

1. Sebagai contoh, dalam kode berikut, model pertama kali memprediksi bidang CHAT_CONTEXT, yang bukan apa yang kita harapkan.

2. Dalam kasus ini, tambahkan komentar untuk menginstruksikan model menghasilkan bidang catatan historis. Kemudian, model menghasilkan bidang yang diharapkan dan kode data yang sesuai.

Gunakan deskripsi untuk menghasilkan metode

1. Anda dapat menghasilkan seluruh metode berdasarkan komentar baik dengan Comment to Code di editor atau gunakan panel AI Chat. Karena Lingma's AI Chat biasanya menggunakan parameter model yang lebih besar daripada model penyelesaian kode, ajukan pertanyaan Anda langsung di panel AI Chat.

2. Jika Anda memiliki persyaratan khusus untuk bahasa atau tanda tangan metode (termasuk nama metode, jenis parameter, jenis nilai kembali), jelaskan detail ini dalam prompt Anda.

Simpan file dan perbarui indeks

1. Lingma's mekanisme indeks lintas-file adalah mekanisme penting untuk mencegah halusinasi kode. Dengan secara otomatis mengidentifikasi jenis dan definisi metode dalam konteks saat ini, model dapat mengenali anggota jenis dan parameter metode dari file lain dalam proyek. Saat pertama kali membuka proyek baru, Lingma secara otomatis membuat indeks file proyek. Setelah itu, setiap penyimpanan file memicu pembaruan indeks inkremental untuk file tersebut. Namun, karena caching memori IDE, ketika beralih ke file lain tepat setelah mengedit satu file, indeks lokal mungkin belum diperbarui untuk mengenali konten yang baru ditambahkan atau dimodifikasi, sehingga model bernalar berdasarkan struktur tipe asli. Sebagai contoh, dalam proyek kode, tambahkan properti yang dapat dijual ke objek Pet.

2. Kemudian, beralih ke file lain dan coba biarkan LLM menyelesaikan kode, tetapi model menyimpulkan logika menggunakan bidang lain yang kurang relevan.

3. Untuk menghilangkan ketidaksesuaian informasi seperti itu, aktif tekanCtrl+S (Cmd+S untuk macOS/Linux) setelah mengedit file sebelumnya, sebelum melanjutkan mengedit file lain. Ini memastikan konten yang dihasilkan merujuk dengan benar ke struktur objek yang telah dimodifikasi.

Solusi optimalisasi untuk skenario MyBatis

Selain kemampuan referensi lintas-file untuk bahasa pemrograman utama seperti Java, Python, dan JavaScript, Lingma juga mendukung identifikasi otomatis tipe struktur tabel yang dirujuk oleh objek Mapper saat menulis file XML MyBatis. Sebagai contoh, saat menulis pernyataan insert, Lingma akan menggunakan informasi tipe TaxiOrder dalam proyek saat ini untuk memastikan bahwa setiap bidang yang dihasilkan benar.

Bersihkan konteks tepat waktu

Dalam setiap alur percakapan, konten percakapan sebelumnya secara otomatis disediakan ke model sebagai konteks. Ketika Anda mengajukan pertanyaan yang tidak terkait dengan konten sebelumnya, informasi tambahan ini dapat mengganggu respons model.

Klik New Chat di bagian atas panel AI Chat untuk memulai alur percakapan baru, atau gunakan perintah /clear context untuk membersihkan konteks tanpa memulai alur percakapan baru.

Lihat riwayat chat

Setelah membuat alur percakapan baru, Anda dapat:

• Gunakan fitur riwayat chat untuk kembali ke topik sebelumnya.

• Lanjutkan mengajukan pertanyaan lanjutan.

Pertanyaan umum

Dua cara untuk mengajukan pertanyaan tentang kode:

• Tempelkan kode ke area kotak chat.

• Pilih sepotong kode di editor kode, lalu ajukan pertanyaan tentangnya, misalnya:

Tugas kode bawaan

Lingma memiliki empat tugas kode bawaan:

• Jelaskan kode

• Hasilkan unit tes

• Hasilkan komentar kode

• Optimalkan kode

Lingma LLM telah dilatih khusus untuk tugas-tugas ini. Untuk pembuatan unit tes, gunakan tugas bawaan yang diperlukan alih-alih memilih kode dan memasukkan metode pembuatan.

Lingma mendukung tiga metode untuk menggunakan tugas kode bawaan. Metode yang paling umum adalah mengklik ikon Lingma di awal definisi metode dan memilih tugas dari opsi drop-down.

Rujuk kode dalam pertanyaan

Saat mengajukan pertanyaan, jika Anda memilih teks atau kode di editor, seleksi tersebut akan secara otomatis ditambahkan ke pertanyaan Anda dalam format kutipan Markdown. Oleh karena itu, saat merujuk pada kode yang dipilih dalam prompt Anda, gunakan frasa seperti "kode berikut" atau "konten ini". Sebagai contoh:

• Contoh baik: Periksa apakah kode berikut memiliki risiko kesalahan indeks di luar batas.

• Contoh buruk: Periksa apakah kode yang dipilih memiliki risiko kesalahan indeks di luar batas. (Dalam contoh ini, model tidak dapat mengidentifikasi kode yang dipilih.)

Tambahkan konteks ke perintah

Tambahkan informasi tambahan ke perintah untuk memberikan konteks yang lebih kaya untuk percakapan, menghasilkan respons yang lebih akurat.

Hasilkan kode efektif melalui percakapan multi-turn

Saat berbicara dengan model bahasa besar, memberikan konteks yang lebih kaya mengarah pada hasil yang lebih akurat dan sesuai harapan. Anda dapat membangun dari putaran percakapan sebelumnya untuk menambahkan informasi kontekstual untuk pertanyaan berikutnya, sehingga hasil yang dihasilkan lebih mencerminkan seluruh konteks historis. Namun, ketika informasi historis sebelumnya menjadi mengganggu, Anda harus membersihkan konteks tepat waktu.

Berdasarkan putaran sebelumnya, Anda dapat mengajukan pertanyaan lanjutan yang lebih mendalam.

Berikan contoh untuk model

Saat Anda membutuhkan model untuk mengeluarkan dalam format tertentu atau mengikuti aturan tertentu, memberikan contoh referensi sering kali bekerja lebih baik daripada hanya deskripsi teks. Misalnya, saat memformat hasil pengujian program ke dalam struktur JSON tertentu, pertama-tama buka file, pilih semua konten, lalu ajukan pertanyaan di kotak chat.

Bandingkan dua prompt ini, di mana yang kedua menghasilkan output yang lebih konsisten:

• Prompt 1 (Kurang efektif): Atur file menjadi laporan pengujian dalam format JSON. Pastikan hasil setiap kasus uji diatur ke dalam struktur JSON. Isi bidang nama dengan nama kasus uji, bidang sukses dengan status kasus uji, bidang durasi dengan durasi running dalam milidetik, dan bidang coverage dengan rasio cakupan pengujian. Pastikan bidang detail dalam format JSON dan termasuk bidang input dan output untuk setiap kasus uji.

• Prompt 2 (Lebih efektif): Atur file menjadi laporan pengujian dalam format JSON.

  ...Isi laporan dihilangkan...

  Rujuk contoh berikut sebagai laporan masukan.

  [
    {
    "name": "Jika nomor halaman melebihi rentang nilai valid, sistem diharapkan mengembalikan daftar kosong atau memberi tahu tidak-ada-data-lagi",
    "duration": 3434,
    "coverage": 80,
    "detail": [
      {
      "input": "...",
      "output": "..."
      }
    ]
    }
  ]