ChatGPT peut écrire du code, mais il a besoin d’instructions claires pour être précis. Voici comment améliorer la qualité des résultats.
1. Rédiger un prompt précis
La formulation du prompt joue un rôle clé. Plus il est détaillé, plus le code sera adapté à votre besoin.
🔹 Mauvais exemple :
“Écris une fonction en Python“.
🔹 Bon exemple :
“Écris une fonction en Python qui trie une liste d’entiers en ordre croissant avec l’algorithme du tri rapide”.
En réponse, ChatGPT générera un code plus précis :
def quick_sort(arr):
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2]
left = [x for x in arr if x < pivot]
middle = [x for x in arr if x == pivot]
right = [x for x in arr if x > pivot]
return quick_sort(left) + middle + quick_sort(right)
# Exemple d'utilisation
print(quick_sort([34, 7, 23, 32, 5, 62]))
Ajoutez des contraintes supplémentaires si nécessaire :
- Spécifiez le langage : Python, JavaScript, etc.
- Indiquez les entrées et sorties attendues.
- Précisez le style (impératif, fonctionnel, orienté objet).
2. Utiliser l’interprète de code de ChatGPT
ChatGPT dispose d’un interprète de code qui exécute des scripts et analyse les résultats. Activez cette option dans les paramètres, puis testez du code interactif.
Exemple de demande :
“Écris une fonction en Python qui calcule la factorielle d’un nombre entier positif.”
Réponse de ChatGPT :
def factorielle(n):
if n == 0:
return 1
return n * factorielle(n - 1)
# Exemple d'utilisation
print(factorielle(5)) # Résultat : 120
💡 Cette méthode permet de vérifier immédiatement si le code fonctionne et de l’améliorer si besoin.
3. Fournir des exemples et du contexte
ChatGPT apprend mieux lorsqu’il a des références. Ajoutez des extraits de code existants et expliquez ce que vous attendez.
Exemple :
“Voici une fonction en JavaScript qui filtre un tableau. Peux-tu l’écrire en Python tout en optimisant la performance ?”
function filterEvenNumbers(arr) {
return arr.filter(num => num % 2 === 0);
}
console.log(filterEvenNumbers([1, 2, 3, 4, 5, 6])); // Résultat : [2, 4, 6]
Demandez ensuite une version Python :
def filter_even_numbers(arr):
return [num for num in arr if num % 2 == 0]
print(filter_even_numbers([1, 2, 3, 4, 5, 6])) # Résultat : [2, 4, 6]
🔹 Cette approche permet d’aligner le style et les conventions du langage ciblé.
4. Tester et ajuster le code généré
Une fois le code obtenu, testez-le dans un environnement réel (VS Code, PyCharm, Node.js, etc.). Si des erreurs apparaissent, précisez-les à ChatGPT pour affiner la réponse.
Exemple de retour efficace :
“Le code ne gère pas les valeurs nulles. Peux-tu l’adapter pour éviter une erreur ?”
🔹 Nouvelle version du code avec vérification :
def filter_even_numbers(arr):
if not arr: # Vérifie si la liste est vide
return []
return [num for num in arr if isinstance(num, int) and num % 2 == 0]
print(filter_even_numbers([1, 2, None, 4, "test", 6])) # Résultat : [2, 4, 6]
💡 Plus vous donnez de précisions, plus ChatGPT génère des solutions adaptées.
5. Entraîner ChatGPT sur des données spécifiques
Pour aller plus loin, utilisez l’API OpenAI et fournissez des bases de code structurées. Ainsi, ChatGPT pourra s’adapter à vos besoins spécifiques.
Conclusion
Améliorer la précision du code généré par ChatGPT repose sur plusieurs éléments :
- Prompt clair et détaillé
- Utilisation de l’interprète de code
- Fourniture d’exemples concrets
- Test et amélioration continue
- Entraînement avancé via API
En appliquant ces méthodes, vous obtiendrez des scripts plus précis et adaptés à votre projet.