Code snippets

generate code from a comment/instruction

#TL;DR（中文）

这是一个最小的 code generation 测试：给模型一个自然语言 instruction（放在 comment 里），让它输出可运行的代码。
关键风险：模型会遗漏输入/输出、忽略边界条件、或生成与目标语言/运行环境不匹配的代码。
落地建议：把 instruction 写成 checklist（language/runtime/IO/examples/error handling），并用 test cases 做
code
evaluation
。

#Background

This prompt tests an LLM's code generation capabilities by asking it to generate a code snippet given details about the program through a comment using

code

/* <instruction> */

#How to Apply（中文）

你可以把 “comment instruction” 当成一个稳定的输入协议：

统一用
code
/* ... */
（或你团队约定的格式）描述需求
明确语言与运行环境（browser / Node.js / Python）
明确输入输出（CLI / function / API handler）
给 1-3 个 examples（input → output）

这样模型更容易生成可执行的代码，而不是只输出伪代码。

#How to Iterate（中文）

加约束：语言版本、依赖限制、禁止使用某些 API
加测试：要求输出同时给出 3-5 个 test cases
加
code
self-check
：让模型先列 “assumptions”，再生成代码
多轮迭代：先让模型输出 plan/接口，再让它补实现细节

#Self-check rubric（中文）

是否满足需求（功能正确）？
是否能运行（语法、依赖、环境匹配）？
是否覆盖边界情况与错误处理？
是否遵守约束（不使用禁止的库/API）？

#Practice（中文）

练习：把 instruction 换成你工作里真实的小需求，并至少补齐：

language/runtime
function signature or CLI interface
2-3 examples

然后用 test cases 回归对比不同模型/不同 prompt 的质量。

#Prompt

markdown
/_
Ask the user for their name and say "Hello"
_/

#Code / API

#OpenAI (Python)

python
from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {
            "role": "user",
            "content": '/*\nAsk the user for their name and say "Hello"\n*/',
        }
    ],
    temperature=1,
    max_tokens=1000,
    top_p=1,
    frequency_penalty=0,
    presence_penalty=0,
)

#Fireworks (Python)

python
import fireworks.client

fireworks.client.api_key = "<FIREWORKS_API_KEY>"

completion = fireworks.client.ChatCompletion.create(
    model="accounts/fireworks/models/mixtral-8x7b-instruct",
    messages=[
        {
            "role": "user",
            "content": '/*\nAsk the user for their name and say "Hello"\n*/',
        }
    ],
    stop=["<|im_start|>", "<|im_end|>", "<|endoftext|>"],
    stream=True,
    n=1,
    top_p=1,
    top_k=40,
    presence_penalty=0,
    frequency_penalty=0,
    prompt_truncate_len=1024,
    context_length_exceeded_behavior="truncate",
    temperature=0.9,
    max_tokens=4000,
)

Prompt 大师