Se você está lendo isso, provavelmente já entende alguns dos casos de uso e das limitações dos LLMs. Quanto melhores forem o prompt e o contexto que você fornece ao modelo, melhor será o resultado. Da mesma forma, no Devin Desktop, há boas práticas para criar prompts mais eficazes, aproveitar ao máximo a ferramenta e obter código da melhor qualidade possível para ajudar você a acelerar seus fluxos de trabalho.Documentation Index
Fetch the complete documentation index at: https://docs.devinenterprise.com/llms.txt
Use this file to discover all available pages before exploring further.
Componentes de um prompt de alta qualidade
- Objetivo ou resultado claro
- O que você está pedindo que o modelo produza?
- Você está pedindo ao modelo um plano? Código novo? É uma refatoração?
- Todo o contexto relevante para executar a(s) tarefa(s)
- Você usou corretamente as @-Mentions para garantir que o contexto adequado esteja incluído?
- Há algum contexto específico do cliente que possa não estar claro para o Devin Desktop?
- Restrições necessárias
- Há frameworks, bibliotecas ou linguagens específicas que precisam ser usados?
- Há restrições de complexidade de tempo ou espaço?
- Há alguma consideração de segurança?
Exemplos
- Ruim: Escreva testes unitários para todos os cenários de teste de um objeto Order Book.
-
Bom: Use
@class:unit-testing-modulepara escrever testes unitários para@func:src-order-book-add, verificando as exceções lançadas quando estiver acima ou abaixo do stop loss
- Ruim: Refatore rawDataTransform.
-
Bom: Refatore
@func:rawDataTransformtransformando o loop while em um loop for e usando a mesma estrutura de dados de saída que@func:otherDataTransformer
- Ruim: Crie um novo Button para o Formulário de Contato.
-
Bom: Crie um novo componente Button para
@class:ContactFormusando o guia de estilo em@repo:frontend-components, que diz “Continuar”
