‫راهنمای مهندسی پرامپت برای برنامه‌نویسان

// Buggy function: converts array of users to a map by ID
function mapUsersById(users) {
  const userMap = {};
  for (let i = 0; i <= users.length; i++) {  
    // Note: using <= will go out of bounds on the last iteration
    const user = users[i];
    userMap[user.id] = user;
  }
  return userMap;
}

// Example usage:
const result = mapUsersById([{ id: 1, name: "Alice" }]);

function mapUsersById(users) {
  const userMap = {};
  for (let i = 0; i <= users.length; i++) {  
    const user = users[i];
    userMap[user.id] = user;
  }
  return userMap;
}

for (let i = 0; i < users.length; i++) {
  const user = users[i];
  userMap[user.id] = user;
}

• پرسش در مورد علل بالقوه: اگر واقعاً گیج شده‌اید، می‌توانید سؤال را کمی گسترش دهید: "برخی دلایل احتمالی برای TypeError: cannot read property 'foo' of undefined در این کد چیست؟" به همراه کد. مدل ممکن است چند سناریو (مثلاً شیء (Object) مقداردهی اولیه نشده، شرایط رقابتی (Race Condition)، دامنه متغیر (Variable Scoping) اشتباه و غیره) را فهرست کند. این می‌تواند به شما زوایای بررسی‌ای را بدهد که به آن‌ها فکر نکرده‌اید. این مانند طوفان فکری (Brainstorming) با یک همکار است.
• "از اردک لاستیکی بپرس" – یعنی، کد خود را برای هوش مصنوعی توضیح دهید: این ممکن است غیرعادی به نظر برسد (چرا برای دستیار توضیح دهیم؟)، اما عمل نوشتن یک توضیح می‌تواند درک شما را روشن کند و سپس می‌توانید از هوش مصنوعی بخواهید آن را تأیید یا نقد کند. به‌عنوان مثال: "من توضیح خواهم داد که این تابع چه کاری انجام می‌دهد: [توضیح شما]. با توجه به این، آیا استدلال من صحیح است و آیا محل خطا را آشکار می‌کند؟" هوش مصنوعی ممکن است نقصی در توضیح شما پیدا کند که به خطای واقعی اشاره دارد. این تکنیک از هوش مصنوعی به‌عنوان یک اردک لاستیکی فعال استفاده می‌کند که نه تنها گوش می‌دهد، بلکه پاسخ نیز می‌دهد.
• از هوش مصنوعی بخواهید سناریوهای آزمایشی (Test Cases) ایجاد کند: می‌توانید بپرسید: "آیا می‌توانید چند سناریوی آزمایشی (ورودی) ارائه دهید که ممکن است این تابع را خراب کند؟" دستیار ممکن است به موارد حدی (Edge Cases) که شما به آن‌ها فکر نکرده بودید (آرایه خالی، اعداد بسیار بزرگ، مقادیر null و غیره) دست یابد. این هم برای اشکال‌زدایی و هم برای تولید تست‌ها جهت اطمینان از استحکام آینده (Future Robustness) مفید است.
• نقش یک بازبین کد (Code Reviewer) را بازی کنید: به‌عنوان جایگزینی برای یک پرسش مستقیم "این را اشکال‌زدایی کن"، می‌توانید بگویید: "به‌عنوان یک بازبین کد عمل کن. این یک قطعه کد است که آن‌طور که انتظار می‌رود کار نمی‌کند. آن را بررسی کن و هرگونه اشتباه یا رویه بد (Bad Practices) را که می‌تواند باعث مشکل شود، نشان بده: [کد]". این هوش مصنوعی را در حالت انتقادی (Critical Mode) قرار می‌دهد. بسیاری از توسعه‌دهندگان در دات‌نت (Microsoft .NET) معتقدند که بیان درخواست به‌عنوان یک بازبینی کد، منجر به تحلیل بسیار کاملی می‌شود، زیرا مدل در مورد هر قسمت از کد نظر می‌دهد (و اغلب در این فرایند، خطا را پیدا می‌کند). این می‌تواند نه تنها خطای مورد نظر، بلکه سایر مسائل (مانند احتمال از دست رفتن بررسی‌های null) را نیز آشکار کند که ممکن است مفید باشند.

• بازآرایی در مراحل: اگر کد بسیار بزرگ است یا لیست بلندی از تغییرات دارید، می‌توانید آن‌ها را یک به یک انجام دهید. به عنوان مثال، ابتدا از هوش مصنوعی بخواهید "برای خوانایی بازآرایی کن" (تمرکز بر تغییر نام، تقسیم توابع)، سپس بعداً "الگوریتم را در این تابع بهینه کن". این کار از بارگذاری بیش از حد مدل با دستورالعمل‌های زیاد جلوگیری می‌کند و به شما امکان می‌دهد هر تغییر را گام به گام تأیید کنید.
• درخواست رویکردهای جایگزین: شاید اولین بازآرایی هوش مصنوعی کار کند اما در مورد زاویه‌ای متفاوت کنجکاو باشید. می‌توانید بپرسید: "آیا می‌توانی آن را به روشی دیگر بازآرایی کنی، شاید با استفاده از سبک برنامه‌نویسی تابعی (Functional Programming Style) (مثلاً متدهای آرایه (Array Methods) به جای حلقه‌ها)؟" یا "در اینجا به جای رویکرد تکراری (Iterative Approach) از بازگشت (Recursion) استفاده کنی، فقط برای مقایسه؟" به این ترتیب، می‌توانید راه‌حل‌های مختلف را ارزیابی کنید.
• ترکیب بازآرایی با توضیح برای یادگیری الگوها: از هوش مصنوعی به عنوان یک ابزار یادگیری استفاده کنید. اگر کد را به روشی هوشمندانه بازآرایی می‌کند، خروجی و توضیح آن را مطالعه کنید. ممکن است یک API یا تکنیک جدید (مانند استفاده از reduce برای ساخت یک نقشه (Map)) را کشف کنید که قبلاً از آن استفاده نکرده بودید. این یکی از دلایل درخواست توضیحات است: پاسخ را به یک آموزش کوچک تبدیل می‌کند و درک شما را از بهترین شیوه‌ها تقویت می‌کند.
• اعتبارسنجی (Validation) و تست (Testing): پس از هر بازآرایی تولید شده توسط هوش مصنوعی، همیشه تست‌های خود را اجرا کنید یا کد را با ورودی‌های نمونه امتحان کنید. هوش مصنوعی ممکن است سهواً باگ‌های ظریفی را معرفی کند، به خصوص اگر پرامپت یک محدودیت مهم را مشخص نکرده باشد. به عنوان مثال، اگر در بازآرایی ما، کد اصلی عمداً خطاهای واکشی را برای لاگ‌گیری (Logging) جدا می‌کرد اما ما لاگ‌گیری را ذکر نکردیم، خطای ترکیبی ممکن است کمتر مفید باشد. وظیفه ماست که آن را در بازبینی (Review) شناسایی کنیم. هوش مصنوعی می‌تواند با نوشتن تست‌ها نیز کمک کند – می‌توانید بپرسید: "چند تست واحد (Unit Tests) برای تابع بازآرایی شده تولید کن" تا مطمئن شوید که همانند قبل بر روی ورودی‌های مورد انتظار رفتار می‌کند.

/**
 * Returns the nth Fibonacci number.
 * @param {number} n - The position in Fibonacci sequence (0-indexed).
 * @returns {number} The nth Fibonacci number.
 * * Example: fibonacci(5) -> 5  (sequence: 0,1,1,2,3,5,…)
 */
function fibonacci(n) {
  // ... implementation
}