สั่ง AI แก้ Bug Code 1 Shot! สูตรลับ One-Shot Prompting

Prompt 4 พิฆาต Bug: สูตรลับการสั่ง AI ให้แก้ Code ในครั้งเดียวจบ (One-shot Prompting)

ผมเคยเจอสถานการณ์แบบนี้เมื่อปี 2025 เลยครับ เรากำลังพัฒนาระบบจัดการคลังสินค้าสำหรับบริษัท Logistics ขนาดใหญ่ ระบบนี้เป็น core system ที่เชื่อมต่อกับ hardware ทั้งหมดในคลัง รวมถึงระบบ scan barcode, ระบบควบคุมหุ่นยนต์หยิบสินค้า และระบบจัดการการขนส่ง ทีมพัฒนาของเราพยายามเร่งส่งมอบระบบให้เร็วที่สุด แต่ระหว่างการทดสอบ เราพบ bug ที่แปลกประหลาดมากๆ คือหุ่นยนต์หยิบสินค้าบางครั้งก็หยิบสินค้าผิดประเภท หรือบางครั้งก็ไม่หยิบสินค้าเลย ปัญหาคือเราไม่สามารถหา bug นี้ได้เลยแม้แต่คนเดียว ทีม QA ก็แจ้งปัญหามาเป็นชุดๆ ทำให้ timeline การพัฒนาเลื่อนออกไปเรื่อยๆ ความกดดันเริ่มสูง ทีมงานเริ่มหมดไฟ และที่แย่ที่สุดคือสินค้าบางชิ้นถูกส่งผิดที่ ส่งผิดเวลา สถานการณ์มันตึงเครียดมาก

ปัญหาหลักคือการ debug code จำนวนมากเป็นเรื่องที่ใช้เวลานานและต้องใช้คนหลายคน ยิ่ง codebase มีขนาดใหญ่และซับซ้อนมากเท่าไหร่ การหา bug ก็ยิ่งยากขึ้น มันเหมือนกับการค้นหาเข็มในมหาสมุทร ทีมเราพยายามใช้เครื่องมือต่างๆ เช่น debugger, profiler และ static analysis tools แต่ก็ยังไม่สามารถระบุสาเหตุของ bug ได้ สุดท้าย ทีมก็ต้องตัดสินใจว่าต้องหยุดการพัฒนาชั่วคราวเพื่อหา bug นี้ ซึ่งส่งผลเสียต่อ project อย่างมาก ผมเริ่มมองหาทางเลือกใหม่ๆ ที่จะช่วยให้เราสามารถระบุและแก้ไข bug ได้อย่างรวดเร็วและมีประสิทธิภาพมากขึ้น

One-shot Prompting คืออะไร?

Photo by Daniil Komov on Unsplash

One-shot prompting คือเทคนิคการใช้ Large Language Models (LLMs) เช่น CodeGen หรือ Gemini เพื่อให้แก้ปัญหา coding ด้วยการให้ตัวอย่างเพียงหนึ่งเดียว มันเหมือนกับการสอนเพื่อนให้แก้ปัญหาด้วยการยกตัวอย่างวิธีทำ LLMs จะเรียนรู้จากตัวอย่างที่เราให้และสร้าง code ที่คล้ายคลึงกัน ในกรณีของเรา เราจะใช้ LLMs เพื่อให้แก้ bug ใน code ของเราด้วยการให้ตัวอย่าง bug และวิธีแก้ไข

จริงๆ ผมไม่ค่อยชอบวิธีนี้เพราะบางครั้ง LLMs ก็สร้าง code ที่ดูดีแต่จริงๆ แล้วมี bug ซ่อนอยู่ ดังนั้นเราต้องตรวจสอบ code ที่ LLMs สร้างขึ้นอย่างละเอียดก่อนนำไปใช้งาน แต่ด้วยความที่มันช่วยลดเวลาในการ debug ได้เยอะ ผมก็คิดว่าคุ้มที่จะลอง

ตัวอย่างการใช้ One-shot Prompting ในการแก้ Bug

1. สถานการณ์: เรามี code Python ที่ใช้สำหรับอ่านข้อมูลจาก sensor ในปี 2026 โดยใช้ library `pysensor` Code นี้มี bug ที่ทำให้ค่าที่อ่านจาก sensor บางครั้งมีค่าเป็น negative ซึ่งไม่ถูกต้อง (ดูตัวอย่าง code ด้านล่าง)

   
   import pysensor
   
   sensor_data = pysensor.read_sensor()
   value = sensor_data['temperature']
   print(value)
         

2. สร้าง Prompt: เราสร้าง prompt ที่มีคำสั่งให้ LLM แก้ bug ใน code ตัวอย่าง prompt:

   
   "แก้ไข code Python ด้านล่างให้ถูกต้อง โดย code นี้อ่านค่าจาก sensor และแสดงผลออกมา  มี bug ที่ทำให้ค่าที่อ่านออกมาเป็น negative  (ใช้ Python 3.11)
   python
   import pysensor
   
   sensor_data = pysensor.read_sensor()
   value = sensor_data['temperature']
   print(value)
   "
         

3. ส่ง Prompt ไปยัง LLM: เราส่ง prompt ที่สร้างขึ้นไปยัง LLM LLM จะสร้าง code ที่แก้ไข bug ใน code ของเรา (ดูตัวอย่าง code ที่ LLM สร้างขึ้นด้านล่าง)

   
   import pysensor
   
   sensor_data = pysensor.read_sensor()
   value = sensor_data['temperature']
   if value < 0:
       value = 0
   print(value)
         

4. ตรวจสอบ Code: เราตรวจสอบ code ที่ LLM สร้างขึ้นอย่างละเอียด เราทำการทดสอบ code ด้วย input ต่างๆ เพื่อให้แน่ใจว่า bug ถูกแก้ไขแล้วและ code ทำงานได้อย่างถูกต้อง

สิ่งที่ควรระวัง / ข้อผิดพลาดที่เจอบ่อย

Photo by Daniil Komov on Unsplash

1. ความชัดเจนของ Prompt: การสร้าง prompt ที่ชัดเจนและเฉพาะเจาะจงเป็นสิ่งสำคัญ ยิ่ง prompt ของเราชัดเจนเท่าไหร่ LLM ก็จะยิ่งสร้าง code ที่ตรงกับที่เราต้องการมากขึ้นเท่านั้น ลองใช้คำอธิบายที่ละเอียดและให้ข้อมูลที่จำเป็นทั้งหมด เช่น เวอร์ชั่นของภาษาโปรแกรมที่ใช้ (Python 3.11), library ที่เกี่ยวข้อง, และลักษณะของ bug ที่ต้องการแก้ไข

2. การตรวจสอบ Code: อย่าเชื่อ code ที่ LLMs สร้างขึ้นโดยทันที ตรวจสอบ code อย่างละเอียดก่อนนำไปใช้งาน ทดสอบ code ด้วย input ต่างๆ เพื่อให้แน่ใจว่า code ทำงานได้อย่างถูกต้องและไม่มี bug ซ่อนอยู่ ใช้ unit testing และ integration testing เพื่อตรวจสอบ code ของเราอย่างครอบคลุม

3. ขนาดของ Codebase: One-shot prompting อาจไม่เหมาะกับ codebase ที่มีขนาดใหญ่และซับซ้อนมาก ในกรณีเหล่านี้ เราอาจต้องใช้เทคนิคอื่นๆ ร่วมด้วย เช่น code review, static analysis และ debugging

4. ความเข้าใจของ LLM: LLMs ไม่เข้าใจ code เหมือนกับมนุษย์ บางครั้ง LLMs อาจสร้าง code ที่ดูถูกต้องแต่จริงๆ แล้วมี bug ซ่อนอยู่ ดังนั้นเราต้องตรวจสอบ code ที่ LLMs สร้างขึ้นอย่างละเอียดและทำความเข้าใจว่า LLMs ทำงานอย่างไร

สรุปและ Next Step

One-shot prompting เป็นเทคนิคที่มีประโยชน์ในการแก้ bug ใน code ด้วยการใช้ LLMs มันช่วยลดเวลาในการ debug ได้อย่างมาก แต่เราต้องระวังและตรวจสอบ code ที่ LLMs สร้างขึ้นอย่างละเอียด ผมคิดว่าเทคนิคนี้เหมาะสำหรับทีมพัฒนาที่มีขนาดเล็กและมีงบประมาณจำกัด สำหรับ next step ผมแนะนำให้เราเริ่มจากการใช้ one-shot prompting กับ bug ที่ไม่ซับซ้อนก่อน จากนั้นค่อยๆ เพิ่มความซับซ้อนของ bug ที่เราใช้ one-shot prompting แก้ และอย่าลืมสร้าง documentation ที่ดีเกี่ยวกับเทคนิคนี้ เพื่อให้ทีมงานทุกคนเข้าใจและสามารถนำไปใช้ได้

ในทีมของเรา เราพบว่าการใช้ one-shot prompting ช่วยลดเวลาในการแก้ไข bug ได้ประมาณ 30-40% ซึ่งเป็นผลลัพธ์ที่น่าพอใจ อย่างไรก็ตาม เรายังต้องพัฒนาและปรับปรุงเทคนิคนี้ให้มีประสิทธิภาพมากยิ่งขึ้น

คำถาม

คำถาม 1: One-shot prompting เหมาะกับ project ขนาดใหญ่หรือไม่?

คำตอบ 1: One-shot prompting อาจไม่เหมาะกับ project ขนาดใหญ่ที่มี codebase ที่ซับซ้อนมาก แต่สามารถใช้ร่วมกับเทคนิคอื่นๆ เช่น code review เพื่อช่วยในการแก้ไข bug ได้

คำถาม 2: เราควรตรวจสอบ code ที่ LLM สร้างขึ้นอย่างไร?

คำตอบ 2: เราควรตรวจสอบ code ที่ LLM สร้างขึ้นอย่างละเอียดโดยใช้ unit testing, integration testing และ manual inspection

คำถาม 3: มีค่าใช้จ่ายในการใช้ LLM เพื่อแก้ bug หรือไม่?

คำตอบ 3: ค่าใช้จ่ายในการใช้ LLM ขึ้นอยู่กับบริการที่เราเลือกใช้ บางบริการมี free tier ให้ใช้ แต่บริการอื่นๆ อาจมีค่าใช้จ่ายตามการใช้งาน