无论你是刚入行的程序员还是拥有多年经验的专家，持续学习新知识始终是必不可少的。TIOBE Index监测着五十种最受欢迎的编程语言，而多样化的生态系统则为职业发展与技能转换提供了丰富的机遇。然而，在当今技术迅速发展的背景下，抽出时间去学习一门新技能并将其有效运用，常常面临许多挑战。

最近，我在学习Rust编程语言，这是一种强调性能、可靠性和生产力的类型安全语言。在这个过程中，我掌握了一些使用AI编程助手的技巧，愿意与大家分享，以期提升你的学习体验。

在文章的末尾，我将列出一些基于AI的新技能，这些技能可以帮助你在学习中更快实现目标。这里提到的AI是指那些基于大语言模型（LLM）的编程助手，例如Amazon Q Developer（前身为CodeWhisperer）、GitHub Copilot以及JetBrains AI Assistant。你可以将以下技巧灵活应用于任何你选择的工具上。

保持对参数化知识的怀疑态度

所谓“参数化知识”，是指在模型训练过程中积累的信息。编码数据使得AI能够迅速响应并提供准确的信息，但有时也会出现严重的错误。

这对我们用户意味着什么呢？尽管这些系统可以提供很大帮助，但其受限于数据收集和模型训练所需的时间与资源。例如，OpenAI使用的数据截至2023年12月，训练了ChatGPT 4 Turbo模型，而数据集的具体内容并不为外界所知。从用户的视角来看，我们无法确定在特定模型中是否具备“完整”的知识，也不清楚为何有时对其回应会感到不满。

留意数据集的截止日期，有助于更好地理解和处理AI聊天生成的回答。作为消费者，研究服务提供商的数据收集和训练方法，能够为你带来更满意的使用体验。

尽管AI通常能提供帮助，但在学习过程中，经过验证的人类知识来源依然是最为重要的。这并不是说AI必然错误，但你应当养成质疑所用信息正确性的习惯。此外，需要谨慎的是，这些系统的开发者将其设计为乐于助人的助手，然而有时它们可能因为过于“热情”而生成一些并不存在的想法和概念，这种现象被称为幻觉。

总结来说，只有真正的智慧才能识别AI的错误。

探索代码及其相关提示

开源软件的发展为每位学习编程的开发者提供了便捷的途径，能够轻松获取生产级别的代码。开源代码库不仅是了解专业人士如何编写代码的极佳资源，也为学习语言的用法和技巧提供了宝贵的机会。然而，对于那些不太熟悉的编程语言而言，若缺乏基本的参考框架，阅读起来可能会让人感到困惑甚至畏惧。

我常用的一种方法是在广受欢迎的代码共享平台GitHub上搜索特定语言的代码，并将它们复制到AI聊天窗口中。同时，我会附上提示，例如“请解析这段代码”以及“请列出这段代码中的重要语言概念”。这样的做法可以帮助我更好地理解代码的结构和功能。

该提示的结构大致可以如下所示。

复制

Please explain the following code```rust// rust code goes here```Also, list the important language concepts from the description in a bulleted list so I may do more research.1.2.3.4.5.6.7.8.9.

因此，生成的主题清单为我提供了一种极佳的方式，使我能够专注于当前最重要的学习任务，而非试图一次性消化整个知识库的信息。

JetBrains AI助手将使你可以保存提示模板以便反复使用，这样在不同项目间切换时将会非常方便。

详细的内嵌注释提示

在你尚未完全掌握某种语言的语法或语义时，面对大量代码往往会感到无从下手。使用“为每一行添加注释”的提示，是一种快速且有效的方式，可以帮助你初步理解应用程序可能的功能和行为。

借助JetBrains AI Assistant，用户能够获得并排或单一视图的变更对比图。这种视图设计使得快速查看修改内容变得便利，同时也可以轻松选择接受或拒绝这些变更。

探索不同的选项

学习任何主题都需要进行试验，更重要的是要将所学的概念付诸实践。这对找到有效的解决方案和理解何时尝试不同的方法至关重要。如今，利用AI尝试多种实现方式变得前所未有的简单。

以下是我在探索Rust语言时，帮助我后续研究的一些功能特性的提示。

复制

Given the following API, show me three different implementations```rustfn add(x: i32, y:i3) -> i:32 { // implementation goes here}```1.2.3.4.5.6.7.8.9.10.11.12.

请记住，这一过程涉及学习，因此API并不总是复杂的。通过尝试不同的想法，你能够发现AI聊天之外的多样学习路径。这种方法非常出色，尤其是相比传统的主题搜索；后者往往受到你对特定主题理解的限制。

像Amazon Q Developer等工具提供内联选择，使你能够在不离开编辑器上下文的情况下对示例进行循环处理。借助左右方向键，你可以在不同选项之间切换，直到找到你满意的选择。

更丰富的上下文始终更有利

我提到过LLM的信息嵌入限制。请记住，在这些服务可能信息不足的地方，能够提供信息是非常重要的，但你需要以恰当的方式来进行提供。

在当今互联网搜索的环境下，我们逐渐学会了在文本框中使用关键词提问。然而，这种搜索方式是许多AI新手常犯的错误，结果可能会让他们感到失望。在使用AI助手时，将聊天视为“搜索”是一种不当的习惯，因为LLM的设计初衷是为了预测用户可能的需求。

为了实现更准确的预测，提供尽可能详细和明确的信息是最佳方式。

一个有效的方法是基于示例进行提示。你提供的示例越多，得到的结果就越精准。以下是一个模板提示，可以帮助你在学习过程中发掘新的想法。

复制

Given the following three examples, what would an implementation for  look like?example 1:``````example 2:``````example 3:``````1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.

在聊天会话中输入的数据为实现预期结果提供了必要的上下文。不要害怕纠正或添加更多信息。提供更多的上下文，模型就能基于这些信息做出更好的响应。

为保持对话的连贯性并增添聊天的上下文，Amazon Q Developer为你准备了一系列自然的后续问题，以确保你在学习过程中保持积极性。

探索代码补全

许多人工智能服务都具备多行代码补全的能力。尽管我时常会接受编辑器提供的所有建议，但这往往会妨碍我的学习进程。与其如此，我更倾向于从添加代码注释入手，明确我的目标。

在接下来的示例中，GitHub Copilot主动提示我可以完成当前的语句。初看起来似乎很不错，但我需要停下来仔细思考这个建议是否与我的意图相符。在我按下Tab键之前，该好好考虑一下。

我这样做的原因在于评估自己当前的能力是否足以理解和处理这段代码。如果我的确能理解，那么我就算取得了一定的进展；如果不能，我就应当花时间去识别自己的知识短板。一定要避免接受那些你并未完全理解的代码并将其纳入代码库。

值得注意的是，你可以设置相关功能以减少干扰，只在需要时显示补全建议，从而减轻在编写和阅读代码之间切换所带来的认知负担。

解析错误与寻找解决方案

在不同的编程环境中，你会遭遇各种编译和运行时的错误，某些错误可能是相当隐晦的。如果你正在努力理解为何你的应用程序出现故障，不妨利用AI助手进行对话，以解释问题、找出错误源头，并提出解决办法。

以下示例展示了如何利用这种提示来剖析Rust回溯过程中所发生的事情。

分享与交流思考

虽然通过AI进行话题转换似乎很自然，但放慢节奏，将新学到的知识与已有的内容重新联系总是明智之举。当我掌握了新概念并且创建了实际可用的例子后，我会与其他学习者和专业人士分享，以获取有价值的反馈。请记住，AI可以帮助你，但他人则能用他们的实际经验补充，帮助你发现可能忽略的潜在问题。

社交媒体是分享代码示例、截图和想法并获得反馈的理想场所，这些反馈能够为你未来的AI交流提供重要参考。

总结与回顾

对于那些不习惯记笔记的人，尤其是想要回忆前一天工作的朋友，我有个建议：在长时间的学习结束后，可以让当前的聊天会话对你的所有问题进行总结，并为每个问题提供一句话的答案。

复制

Given what we’ve chatted about, list all the questions and a single-sentence summary of each answer.1.

这篇文章是一个极佳的快速参考资料，为你下一次的学习会话提供指导。同时，它也是一篇卓越的博文，鼓励你与他人分享自己的见解与学习经历。

利用人工智能加速学习

我希望这些技巧能在你使用人工智能工具时，帮助你更迅速、更高效地学习。这些工具的设计初衷是为了帮助你实现个人目标。我发现它们在激发新想法及探索未知领域方面非常有用。

最为重要的是，这些工具让我能够与社区中的其他成员建立联系，拓展了我的知识视野。