想讓程式碼高品質又簡潔、開發效率再提升？身為一名資料科學家，這些都是我的職涯不會停止追求的目標。現在有 LLM 的蓬勃發展，大大幫助我強化這些程式技能。生成式 AI 不僅能生成文字，更能成為強大的程式設計夥伴！為了增進我的 LLM 運用，我花費了三週、累積大約 10 個小時的時間修習了 Coursera 上的「Introduction to Generative AI for Software Development」課程，親身體驗了 AI 如何徹底改變我的軟體開發流程。
在這篇學習心得筆記中，我將帶你一窺這門課的精華，分享如何利用大型語言模型（LLM）來達到：加速程式開發、提升程式品質、與 AI 合作激發創新思維，突破傳統的開發框架。
這則筆記的目的很簡單：推薦對 AI 工具與軟體工程有強烈熱情的你，一起修習這門生成式 AI 寫程式的線上課程。以下將簡短介紹 Coursera 的線上課程內容與教學方式，並分享我完成課程實作練習後收穫的學習心得。無論你是經驗豐富的開發者，還是對寫程式與 AI 感興趣的新手，我相信這門課都能為你帶來啟發。
（連結）
目錄
這門課在學什麼？
「Introduction to Generative AI for Software Development」這門課是 DeepLearning.AI 在 Coursera 平台上開設的線上課程。當今人工智慧、深度學習的研究教學領域，科學家 吳恩達 （Andrew Ng）的名字幾乎是家喻戶曉了，DeepLearning.AI 正是他創立的 AI 教育公司，而他們出品的這門生成式 AI 課，同樣是內容豐富、品質極高。
這門課的目標就如同其標題：幫助你學習如何用生成式 AI 工具來寫程式、以及完成大型軟體工程專案，期望學生上完這門課後，將懂得利用大型語言模型（LLM）讓自己寫程式既能更有效率、也更有創造力。課程將會是基礎知識與實務操作結合：
- 基礎知識：什麼叫資料導向（Data-Driven）的 Coding？深度學習是什麼、以及到底 AI 產生程式碼的運作原理為何？
- 實務操作：如何寫「好的」提示詞（Prompt）？大型語言模型能幫助寫程式過程的哪些任務？又有什麼是 LLM 可能做不好的？如何避免？
課程大綱
這門課總共為時三週，每週的課程都是基於前一週、內容環環相扣，幫助學生漸進地練習 AI 技能。
- 第一週：介紹什麼是生成式 AI，理解機器學習、深度學習、人工智慧、大型語言模型（LLM）這些關鍵字各自代表什麼意思，還有它們的運作方式
- 第二週：與 LLM 協作寫程式（Pair-coding），學習提示詞與工具使用策略，把 LLM 當成一起寫程式的合作夥伴、而不是盲目地請 AI 「代筆」寫程式
- 第三週：用 LLM 分析程式碼，練習讓 AI 幫助我們找出專案的盲點，並與 AI 合作讓演算法或軟體架構都更安全、可靠、高效率
（截圖來源：DeepLearning.AI – Coursera）
教學方式
「Introduction to Generative AI for Software Development」課程中會用到很多資料結構與演算法的案例，主題非常明確：我們在軟體專案中遇到了難關，該如何用 LLM 來協助我們尋找適合的資料結構與演算法解決方案。
影片教學主要是老師說明他的 AI 運用建議，然後課程有很大一部分是小考加上作業。這門課的作業設計方式是我最喜歡的部分，老師會丟出一個如果沒有精通演算法、很難直接回答的問題，而我們學生要「循循善誘」LLM，讓 AI 跟我們一起找出答案，才有辦法回答作業中的問題。
尤其是第三週結尾的小型專案練習，老師提出了數個尋找最短路徑的情境題，都要應用圖論以及作業研究中經典的 旅行推銷員問題（Travelling salesman problem）來解，但是每個題目都會有微小的情境變化，像是要求運算速度最大化、或是要求必須能容量巨量資料等等。因為情境的微妙差異，用同一套提示詞無腦問 AI、會解不出所有情境，而必須要細細閱讀老師提供的情境，理解問題、目標、與情境，才知道如何調整提示詞、讓 AI 理解該如何幫我們解決。
在作業中會充分體驗到，跟 AI 溝通必須跟人一樣有策略地溝通，不然，沒對 AI 講清楚我需要什麼、它當然幫不了我。
我的學習收穫
經過三週的影片與 AI 工具大量實作練習後，我累積了以下心得：
1. AI 不只是工具，更是重要學習資源
LLM 不是只拿來生成程式碼，然後看程式碼能動、就當作完事了。AI 是強力的知識來源！
這門課提到的兩個主題讓我特別有感：寫程式的安全性與穩定性，AI 幫我抓出了例外處理（Exception Handling）、潛在風險等錯誤後，我學會多花幾分鐘、進一步請 AI 說明它為什麼那樣子改寫程式碼，這樣與 AI 對話學習過程中，我會累積更多我原本不知道的軟體知識、逐漸建立寫程式的好習慣。
例如，在 AI 告訴我之前，我根本不知道 Python 的遞迴（Recursion）的預設最大深度限制是 1,000 層！
（截圖來源：DeepLearning.AI – Coursera）
2. 脫離單純的工程腦，像產品經理般思考
使用 LLM 大幅提升寫程式的工作效率後，我們有更多時間專注在最重要的事情上：了解使用者的需求、還有產品規格（Product Spec）。要是不能解決使用者的真實問題、或是為專案產生商業價值，就算生成毫無 Bug 的程式碼，也毫無意義吧！
以前我們光是要寫出能運作、沒錯誤的程式碼，就要花不少時間，現在 LLM 幫我們省下大把時間後，我們可以把自己當作產品經理，閱讀 AI 提供「看似完美」的程式碼，判斷它到底是否符合我們對設計的要求，如果不符合，我們也有更多心力思考到底是問題是在軟體工程、還是產品策略？
3. 何必單戀一個模型？
不同的 LLM 模型有不同特性與強項，即使使用一模一樣的提示詞，不同的 LLM 模型（例如 Gemini、ChatGPT、Claude 等等）可能會提出不一樣的回答。雖然社群媒體上整天有人發表「XX 模型才是最強」這種言論，但實際工作中，我們絲毫沒必要堅持只用一種模型，可以用不同模型來執行相同任務，快速得到不同的解決方式能幫助我們迅速進行利弊權衡，更能像我在第一點提到的 — 觀察多個模型的回答，就像是向不同教學風格的老師求教一樣，讓我從 AI 提供不同的解決方案中持續學到新知！
我在這門課最終的旅行推銷員問題作業中，深刻體會到這點，我更新了好多種提示詞，都得不到符合要求的程式碼修改方式，我也沒搞清楚自己少寫了什麼提示詞要求。而我把相似的提示詞換到幾個不同的 LLM 模型後，其中一個模型的回答把它的思考方式講的特別詳細，我才發現原來我沒把我需要的記憶體限制說清楚、AI 沒聽懂，難怪解不出作業問題。
4. 與 LLM 合作，而不是工作丟給它就自動完工
就算是跟聰明的人類隊友一起工作，要完成一項複雜任務，本來就需要一連串的討論；跟 LLM 一起寫程式也是相同道理，是透過來回討論（iteration process）來完成任務，想在一次問答（一個 Prompt）達成目的，實在是不太實際的期望。
畢竟，連人類都不會「通靈」了，何況是 AI 呢。
完美的輸出結果通常不會在一次 Prompt 就出現，你可能需要基於 AI 目前給你的程式碼來修改提示詞、或是再補充新的提示詞。在課程的實作練習中，我經常發現，如果輸出結果不符合我需要，不是因為 AI 模型不夠聰明強大，而是我自己忘記把自己的特定程式需求寫進 Prompt 中，像是例外處理、可擴展性（Scalability）等等，而這些來自我自己的疏失，也是我經過幾次與 LLM 對話、仔細觀察自己的 Prompt 與 AI 回覆內容後，才陸續發現的。
（延伸閱讀：Google Gemini 的官方 AI 指南也開示 – 別想一次 Prompt 就完工！）
結語
「Introduction to Generative AI for Software Development」這門課不僅是教導你如何用 AI 寫程式，更重要的是培養「與 AI 協同工作」的能力與態度。課程從基礎概念講起，帶你深入了解生成式 AI 的運作原理，並透過實作練習，讓你動手訓練與親身體會如何撰寫有效的提示詞，與大型語言模型合作解決複雜的程式問題。如果你是想提升程式開發效率的軟體工程師或資料科學家，或是對 AI 在軟體開發領域的應用感到好奇，請務必花點時間完成學習 這門課。你將學到如何利用 AI 協助你分析程式碼、找出潛在問題、並激發你的創造力，寫出更高品質的程式。
給 AI 愛好者的延伸閱讀：
- 從零開始學習用 AI 工具提升生產力，我的三項實踐心得
- 來自 Google 的超強 AI 工具 NotebookLM 入門介紹：你的專屬 AI 研究助理
- 給職場專業人士的 NotebookLM 進階應用：上班族生產力倍增的 7 個實戰案例
Coursera 課程連結這篇文章有幫助到你的話，歡迎追蹤好豪的 Facebook 粉絲專頁 或者 Threads 帳號，未來我會持續分享我學習使用 AI 工具與寫 Python 程式的心得；也推薦你點選下方按鈕，把此文章分享給對 AI 有興趣的朋友們。
