Qoder CN Series:Programando com Qoder CN

Atalhos de teclado padrão

O Qoder CN oferece atalhos de teclado prontos para uso. A tabela a seguir lista os mais comuns:

Além disso, no painel AI Chat, pressione Cmd+Enter (macOS/Linux) ou Ctrl+Enter (Windows) e crie uma quebra de linha, e pressione Enter e envie sua pergunta ao modelo.

Atalhos de teclado personalizados

Configurações da IDE

Itens de configuração comuns

1. Desative o preenchimento automático por tipo de arquivo.

   • Se o preenchimento automático causar interferência ao trabalhar com certos tipos de arquivo, adicione essas extensões de arquivo à lista. Separe várias extensões por vírgulas (por exemplo: txt,md).

     IDE	Configuração
     JetBrains IDE
     VSCode

     Nota

     Você pode desativar o preenchimento automático para tipos de arquivo específicos para evitar o acionamento automático. Se usar o atalho de teclado Alt+P para acionar manualmente o preenchimento automático nesses arquivos, você ainda poderá usar a geração e o preenchimento de código baseados em LLM.

2. Mantenha os resultados de preenchimento quando as sugestões suspensas aparecerem.

   • Por padrão, quando a IDE mostra sugestões de preenchimento suspensas baseadas em sintaxe, o Qoder CN interrompe automaticamente a exibição de preenchimentos de modelos grandes para evitar conflitos visuais.

   • Se quiser que o Qoder CN sempre gere preenchimentos de LLM, selecione esta opção de configuração. Conforme mostrado na figura abaixo, pressionar a tecla Tab aceitará os resultados gerados pelo modelo grande.

     IDE	Configuração
     JetBrains IDE
     VSCode

3. Controle o comprimento máximo do código gerado.

   • O Qoder CN permite que você defina diferentes parâmetros de comprimento de preenchimento de código para acionamentos automáticos e manuais. Recomenda-se configurar o acionamento manual (atalho padrão Alt+P) para gerar preenchimentos ligeiramente mais longos do que os acionamentos automáticos.

     IDE	Configuração
     JetBrains IDE
     VSCode

     Nota

     Esta opção de configuração define apenas o comprimento máximo que o modelo pode gerar. Se o conteúdo gerado pelo modelo em um preenchimento for naturalmente mais curto, modificar esta configuração não forçará o modelo a gerar um conteúdo mais longo.

Oriente o preenchimento de código com comentários

Quando não há comentários de orientação, o modelo só pode prever o código subsequente com base no contexto atual e em códigos semelhantes encontrados nas referências do projeto. Quando as previsões do modelo forem imprecisas, adicione comentários para orientar o modelo na implementação do código desejado.

1. Por exemplo, no código a seguir, o modelo prevê primeiro um campo CHAT_CONTEXT, o que não é o esperado.

2. Nesse caso, adicione um comentário para instruir o modelo a gerar um campo de registro histórico. Em seguida, o modelo gera o campo esperado e seu código de dados correspondente.

Use descrições para gerar métodos

1. Gere métodos inteiros com base em comentários usando o recurso Comment to Code no editor ou o painel AI Chat. Como o AI Chat do Qoder CN normalmente usa parâmetros de modelos maiores do que o modelo de preenchimento de código, faça sua pergunta diretamente no painel AI Chat.

2. Se tiver requisitos específicos para a linguagem ou assinatura do método (incluindo nome do método, tipos de parâmetros e tipos de valor de retorno), descreva esses detalhes em seu prompt.

Salve arquivos e atualize índices

1. A indexação entre arquivos do Qoder CN é um mecanismo crucial para evitar alucinações de código. Ao identificar automaticamente tipos e definições de métodos no contexto atual, o modelo reconhece membros de tipos e parâmetros de métodos de outros arquivos no projeto. Ao abrir um novo projeto pela primeira vez, o Qoder CN cria automaticamente o índice de arquivos do projeto. A partir de então, salve cada arquivo para acionar uma atualização incremental e atualize o índice para esse arquivo. No entanto, devido ao cache de memória da IDE, ao alternar para outro arquivo logo após editar um, o índice local pode não ter sido atualizado para reconhecer o conteúdo recém-adicionado ou modificado, fazendo com que o modelo raciocine com base na estrutura de tipo original. Por exemplo, em um projeto de código, adicione uma propriedade saleable ao objeto Pet.

2. Em seguida, mude para outro arquivo e tente deixar o LLM completar o código, mas o modelo inferirá a lógica usando outro campo menos relevante.

3. Para eliminar essa discrepância de informações, pressione ativamente Ctrl+S (Cmd+S para macOS/Linux) após editar o arquivo anterior, antes de continuar editando outros arquivos. Isso garante que o conteúdo gerado referencie corretamente a estrutura do objeto modificado.

Solução de otimização para cenários MyBatis

Além dos recursos de referência entre arquivos para linguagens de programação convencionais como Java, Python e JavaScript, o Qoder CN também identifica automaticamente os tipos de estrutura de tabela referenciados por objetos Mapper ao escrever arquivos XML do MyBatis. Por exemplo, ao escrever uma instrução de inserção, o Qoder CN usará as informações do tipo TaxiOrder no projeto atual para garantir que cada campo gerado esteja correto.

Limpe o contexto no momento adequado

Em cada fluxo de chat, o conteúdo da conversa anterior é fornecido automaticamente ao modelo como contexto. Ao fazer uma pergunta não relacionada ao conteúdo anterior, essas informações extras podem interferir na resposta do modelo.

Clique em New Chat na parte superior do painel AI Chat para iniciar um novo fluxo de chat, ou use o comando /clear context para limpar o contexto existente sem iniciar um novo fluxo.

Visualize o histórico de chat

Após criar um novo fluxo de chat, você pode:

• Usar o recurso de histórico de chat para retornar a tópicos anteriores.

• Continuar fazendo perguntas de acompanhamento.

Perguntas gerais

Duas maneiras de fazer perguntas sobre o código:

• Cole o código na área da caixa de chat.

• selecione um trecho de código no editor de código e faça perguntas sobre ele, por exemplo:

Tarefas de código integradas

O Qoder CN possui quatro tarefas de código integradas:

• Explicar código

• Gerar testes de unidade

• Gerar comentários de código

• Otimizar código

O LLM do Qoder CN foi treinado especialmente para essas tarefas. Para a geração de testes de unidade, use a tarefa integrada necessária em vez de selecionar o código e insira um método de geração.

O Qoder CN oferece três métodos para usar as tarefas de código integradas. O método mais comum é clicar no ícone do Qoder CN no início da definição de um método e selecionar a tarefa nas opções suspensas.

Referencie código nas perguntas

Ao fazer perguntas, se você selecionar texto ou código no editor, a seleção será anexada automaticamente à sua pergunta no formato de citação Markdown. Portanto, ao referenciar o código selecionado em seu prompt, use frases como "o código a seguir" ou "este conteúdo". Por exemplo:

• Bom exemplo: Verifique se o código a seguir apresenta risco de erro de índice fora dos limites.

• Mau exemplo: Verifique se o código selecionado apresenta risco de erro de índice fora dos limites. (Neste exemplo, o modelo não consegue identificar o código selecionado.)

Adicione contextos aos comandos

Adicione informações suplementares aos comandos para fornecer um contexto mais rico para o chat, resultando em respostas mais precisas.

Gere código eficaz por meio de chat de múltiplas interações

Ao conversar com modelos de linguagem grandes, fornecer um contexto mais rico leva a resultados mais precisos e esperados. Você pode aproveitar as interações anteriores do chat para adicionar informações contextuais às perguntas subsequentes, permitindo que os resultados gerados reflitam melhor todo o contexto histórico. No entanto, quando as informações históricas anteriores começarem a interferir, você deve clear context timely.

Com base na interação anterior, você pode fazer perguntas de acompanhamento mais aprofundadas.

Forneça exemplos para o modelo

Quando precisar que o modelo gere saídas em um formato específico ou siga certas regras, fornecer um exemplo de referência costuma funcionar melhor do que apenas descrições textuais. Por exemplo, ao formatar os resultados de testes de programas em uma estrutura JSON específica, primeiro abra o arquivo, selecione todo o conteúdo e faça perguntas na caixa de chat.

Compare estes dois prompts, em que o segundo produz uma saída mais consistente:

• Prompt 1 (Menos eficaz): Organize o arquivo em um relatório de teste no formato JSON. Certifique-se de que os resultados de cada caso de teste sejam organizados em uma estrutura JSON. Preencha o campo name com o nome do caso de teste, o campo success com o status do caso de teste, o campo duration com a duração da execução em milissegundos e o campo coverage com a taxa de cobertura do teste. Certifique-se de que o campo detail esteja no formato JSON e inclua os campos input e output para cada caso de teste.

• Prompt 2 (Mais eficaz): Organize o arquivo em um relatório de teste no formato JSON.

  ...Report content omitted...

  Consulte o exemplo a seguir como um relatório de entrada.

  [
    {
    "name": "If the page number exceeds the valid value range, the system is expected to return an empty list or prompt no-more-data",
    "duration": 3434,
    "coverage": 80,
    "detail": [
      {
      "input": "…",
      "output": "…"
      }
    ]
    }
  ]