ChatGPT：程序员学习新技术的效率助推器
最近 ChatGPT 引爆了 AI 领域的热潮。网上充斥着各种与 AI 互动的娱乐内容，但鲜有人关注如何利用 ChatGPT 解决实际问题。作为一名主要通过搜索引擎和 GitHub 自学的程序员，我与 ChatGPT 深入交流后，确信它能显著提升程序员学习新技术的效率。
在深度使用 ChatGPT 一个月后，我愈发感受到其颠覆性力量。本文将聚焦于工作和学习，分享 ChatGPT 的强大之处以及我的使用经验。
ChatGPT 的“人话”能力
搜索引擎是学习技术的常用工具。通常，我们输入关键词，然后在搜索结果中筛选和总结答案。复杂的问题需要多次迭代搜索和总结。关键词的选择至关重要，找到合适的答案也很耗时。总之，通过搜索引擎学习的效率较低。
根本原因是：搜索引擎是基于关键词的物理匹配，缺乏上下文关联和答案总结能力。
除了搜索引擎，更高效的方法是向经验丰富的大佬请教，清晰地表达问题，从而获得解答。但如果没有大佬可以请教呢？ChatGPT 可以扮演这个角色，提供问答服务。
这就是 ChatGPT 令人惊艳的地方：它能以对话的方式说“人话”。
- 对话式：能够关联上下文，返回的内容是经过“思考”的结果，答案更精准。
- 说“人话”：能够总结并返回结构化的结果，内容更易于理解。
在对话过程中，提问的技巧非常重要。提问方式会直接影响答案。下面分享一些我使用 ChatGPT 的技巧。
ChatGPT 使用技巧
为了从搜索引擎获得准确的结果，需要掌握关键词构建技巧。为了最大化发挥 ChatGPT 的能力，也需要一些技巧。
① 尽可能使用英文交流
学习专业技术知识时，尽量使用英文。因为新技术往往在国外更前沿，一手技术文档也多为英文。ChatGPT 学习的相关数据也更多，更有利于获得准确详尽的答案。
此外，中文文本生成比英文更复杂，因此中文交流的响应速度明显慢于英文。
② 多用反问的方式交流
多使用「我认为 xxx，你看我理解的对吗」这类句式提问，少问「xxx 是什么」这类问题。
不是说 ChatGPT 不能回答「xxx 是什么」这类问题，而是传统搜索引擎更擅长这个，还能提供更丰富的信息。
例如，初学 k8s 时，我会把自己的理解整理成一系列观点，让 ChatGPT 指出错误：
这种学习体验是传统搜索引擎无法提供的，就像学渣缠着学霸求带。
③ 一条消息只包含一个问题，并尽可能多地提供问题的上下文
这考验的是把问题描述清楚的能力。可以有很多方法。
例如，对于 k8s 的问题，可以先引导式提问：在 k8s 里面，所有资源都是 API Object，对吗？
得到肯定回复后，再挖坑：那么 k8s 其实就是一个存储 API Object 的数据库，对吗？
ChatGPT 会指出这样想是不对的，API Object 并不是简单的静态数据。然后根据它的回复不断追问，最终梳理清楚整个知识框架。
④ 放开思路提问，例如让 ChatGPT 通过类比、举例的方式讲解问题
ChatGPT 的能力远超以往的人工智能。我们可以尝试提出难度更大的问题。
例如，代码的解释性比文字更强，可以直接要求 ChatGPT 写一段 demo code 出来，看不懂还可以追问：
经过逐步提问，ChatGPT 确实写出了一个完整的 operator 的 demo。虽然代码偶尔出错，但通常是类似包导入这种明显的错误，整体上非常强大。
再比如，在 ChatGPT 讲解了 CRD, CR, Controller 这些 k8s 概念后，可以请它类比编程语言里的类和实例再讲解：
它类比 CRD 是类定义，CR 是类的实例对象，非常贴切。
还可以让 ChatGPT 逐行解释代码，扮演 Linux shell，扮演 yaml/json 转换器等等。ChatGPT 都能胜任，确实能大幅提高效率。
以上是我认为最有价值的几个技巧。下面说说 ChatGPT 的一些不足之处。
ChatGPT 的不足
① 时效性问题
ChatGPT 只掌握了 2021 年之前的数据，因此一些最新信息会缺失，一些旧信息可能已过时。例如，我让 ChatGPT 帮我找一些链接，有些已经 404 了。
据说微软 New Bing 整合的 ChatGPT 解决了这个问题，但我还没有 New Bing 的试用资格。就技术学习而言，时效性差一点也无妨。
② 少数情况下，ChatGPT 会一本正经地胡说八道
这个问题确实存在。ChatGPT 从来都是有求必应，即使不知道，也会生成一个看起来有模有样的答案。
猜测 ChatGPT 会对没有可靠答案的问题进行推理，根据类似问题的答案推理出一个可能的答案。
例如，我让 ChatGPT 写一个用 websocket 连接 Apache Pulsar 的 code example，它二话不说就给我写了个错的。后来发现，它是把 Kafka 的 websocket 用法套用到了 Pulsar 上。
实际上，网上没有太多用 websocket 连接 Pulsar 的案例，所以 ChatGPT 没有足够的数据进行训练，写不出正确的 code example 也可以理解。
还有一次，我问 ChatGPT 如何把 MySQL 的 id 字段转化成 varchar 字符串类型。它告诉我用 Cast(id as VARCHAR(255))，结果报错，它也解释不清为啥报错。
后来一搜，原来要用 Cast(id as CHAR(255)) 的方式。看来 ChatGPT 还有一些不准确的地方，有待提升。
总结
总而言之，我认为 ChatGPT 是一个新型搜索引擎，在某些场景下能够提供比传统搜索引擎更强大、更高效的搜索效率。
完全依靠 ChatGPT 完成复杂的任务目前还不现实。例如，让 ChatGPT 写代码，目前它只能写简单的 demo，而且经常需要手工修复一些细节错误。
但让它作为搜索引擎的补充来帮助我们学习新技术，还是比较靠谱的。问答式的体验在很多场景下都优于传统搜索引擎。
我相信，像 ChatGPT 这样的 AI 技术会和搜索引擎扮演同等重要的角色。如何更好地理解并运用 AI，是未来需要不断学习探索的课题。
