Codificación asistida por IA - Guía práctica para el desarrollo de software

Idioma

🇺🇸 Inglés

Editorial SAP PRESS

Año / Edición 2025 / 1

Páginas 395

Autores Michael Kofler, Bernd Öggl, Sebastian Springer

Codificación asistida por IA

La IA generativa está transformando el desarrollo de software. ¡Manténgase a la vanguardia con esta guía sobre programación en pareja con IA! Aprenda a sacar el máximo partido a herramientas modernas como ChatGPT y GitHub Copilot para mejorar su código. Automatice la refactorización, la depuración y otras tareas tediosas, y utilice técnicas como la ingeniería de prompts y la generación aumentada por recuperación para obtener el código que necesita. Siga ejemplos prácticos que muestran cómo se puede programar más rápido, de forma más eficiente y con menos errores con la ayuda de la IA.

Optimice sus tareas diarias de desarrollo con IA.
Trabaja con herramientas como GitHub Copilot, ChatGPT y OpenHands para generar código, refactorizar programas y depurar scripts.
Explora las opciones de IA para el diseño de bases de datos, pruebas unitarias, documentación, administración y mucho más.

Aprenderás sobre:

Exageración frente a realidad:
Aprenda de desarrolladores expertos para comprender las posibilidades (y los inconvenientes) de las herramientas de IA. Con la ayuda de ejemplos prácticos de código, descubra cómo utilizar correctamente los asistentes de IA para aprovechar todo su potencial.
Asistentes para todas las tareas:
Esta guía te ofrece una visión general actualizada de todos los aspectos de la codificación asistida por IA: autocompletado de GitHub Copilot, arranque de proyectos con OpenHands, depuración y refactorización, desarrollo de aplicaciones y mucho más.
¿En la nube o localmente?:
Utilice la API de OpenAI para integrar modelos de IA directamente en sus propios scripts y automatizaciones, o utilice modelos de lenguaje grandes (LLM) locales para trabajar de forma independiente de los servicios en la nube.

Aspectos Destacados:

Programación estructurada con IA
Depuración
Pruebas unitarias
Refactorización
Creación automática de documentos
Desarrollo y diseño de bases de datos
Programación y administración
Modelos de lenguaje grandes locales (LLM)
Generación aumentada por recuperación (RAG)
ChatGPT y GitHub Copilot
Manos abiertas
API de OpenAI

Ver Tabla de Contenidos Completa

Prefacio
- Ejecución local de modelos de lenguaje
- Programación con soporte de IA para usuarios avanzados
- La IA comete errores y tiene alucinaciones
- Las tres etapas del uso de la IA
- No hay forma de evitar las herramientas de IA
Parte I Programación con soporte de IA
1 Introducción
- 1.1 Codificación a través del chat
  - 1.1.1 Generador de contraseñas
  - 1.1.2 Python: buscar y reemplazar fechas
  - 1.1.3 SQL: Análisis de una tabla
  - 1.1.4 PHP: Autenticación con token de portador
  - 1.1.5 Portar un script Bash a PowerShell
  - 1.1.6 Ofertas de pago de ChatGPT
  - 1.1.7 Claude antrópico
- 1.2 El arte de dar indicaciones
  - 1.2.1 Marcos de respuesta rápida
  - 1.2.2 Una cuestión de contexto
  - 1.2.3 GPT personalizados
  - 1.2.4 Comparación entre GPT personalizados, ajuste fino y generación aumentada por recuperación
- 1.3 Asistentes de código
  - 1.3.1 Instalación de GitHub Copilot
  - 1.3.2 Primeros pasos con Visual Studio Code y GitHub Copilot
  - 1.3.3 Cambiar entre sugerencias de código
  - 1.3.4 Consejos y trucos
  - 1.3.5 Modo de chat con palabras clave adicionales
  - 1.3.6 Ejemplos de chat
  - 1.3.7 Alternativas a la barra lateral de chat
  - 1.3.8 Otras funciones
  - 1.3.9 Seguridad y protección de datos
  - 1.3.10 Problemas en el modo remoto
- 1.4 ¿Chat o asistente?
- 1.5 Principios básicos de los modelos lingüísticos de gran tamaño
  - 1.5.1 Del cerebro humano a las redes neuronales
  - 1.5.2 Aprendizaje automático mediante retropropagación
  - 1.5.3 Modelos lingüísticos de gran tamaño
  - 1.5.4 El modelo transformador
  - 1.5.5 Transformador generativo preentrenado (GPT)
  - 1.5.6 Formación: del material de formación al modelo lingüístico
  - 1.5.7 Aplicación del modelo de lenguaje grande: de la solicitud a la respuesta
  - 1.5.8 Los límites de la «inteligencia» lingüística
  - 1.5.9 El tamaño de la ventana de contexto
  - 1.5.10 El enfoque de relleno en el medio
2 Programación en pareja
- 2.1 Estructuración del código en funciones
  - 2.1.1 Definición de funciones por cuenta propia
  - 2.1.2 Definición de funciones y parámetros
  - 2.1.3 Preguntas detalladas sobre funciones y parámetros
  - 2.1.4 Optimización del código
  - 2.1.5 Reutilización de código
  - 2.1.6 Dividir el código en varios archivos
- 2.2 Ejemplo: validación del IBAN
  - 2.2.1 Inicio
  - 2.2.2 Verificación de la longitud del IBAN
  - 2.2.3 Solución de problemas
  - 2.2.4 Prueba
  - 2.2.5 Eliminación de espacios del IBAN
  - 2.2.6 Prueba de suma de comprobación
  - 2.2.7 Problemas con los datos de prueba
  - 2.2.8 Optimización del código
- 2.3 Programación orientada a objetos
  - 2.3.1 Ejemplo: Clase de cuenta de usuario
  - 2.3.2 Salida del objeto
  - 2.3.3 Exportación y constructor JSON
  - 2.3.4 Ejemplo: Cuenta bancaria
  - 2.3.5 Ejemplo: Clasificar fotos según los datos EXIF
  - 2.3.6 Ejemplo: Tratamiento de singletons
- 2.4 Ejemplo: Cuestionario
  - 2.4.1 Diseño de clases
  - 2.4.2 Implementación de la clase Pregunta
  - 2.4.3 Conjunto de preguntas para la prueba
  - 2.4.4 Métodos para la clase Pregunta
  - 2.4.5 Diagrama UML
  - 2.4.6 ¿Bot de IA o asistente de código?
- 2.5 Ejemplo: Resolución de Sudoku
  - 2.5.1 Configuración de la clase
  - 2.5.2 Separar campos individuales en filas
  - 2.5.3 Resolución de campos individuales en columnas y bloques
  - 2.5.4 Código de prueba y problemas con los datos de prueba
  - 2.5.5 Lluvia de ideas
  - 2.5.6 Almacenamiento de soluciones candidatas por campo
  - 2.5.7 Cómo llenar campos en los que solo es posible una solución numérica
  - 2.5.8 Conclusión personal
  - 2.5.9 Procedimiento alternativo
  - 2.5.10 Indicar correctamente
3 Depuración
- 3.1 Aplicaciones web
  - 3.1.1 Correcciones CSS
  - 3.1.2 Descarga de iCal en el navegador
  - 3.1.3 Backend Frontend sin servidor proxy
  - 3.1.4 JavaScript Fetch con un tipo de contenido incorrecto
  - 3.1.5 JamGPT
- 3.2 Desarrollo de aplicaciones
  - 3.2.1 Valores de seguridad contra fluctuaciones y valores nulos
  - 3.2.2 Diseños en Flutter
- 3.3 Desarrollo en Raspberry Pi
  - 3.3.1 Depuración paso a paso en una Raspberry Pi
  - 3.3.2 Ayuda para crear entradas de registro
- 3.4 Visual Studio y Visual Studio Code
  - 3.4.1 Módulos de Python que faltan en VS Code
  - 3.4.2 Depuración de excepciones en Visual Studio
- 3.5 Conclusión
4 Refactorización
- 4.1 Introducción a la refactorización
  - 4.1.1 Objetivos de la refactorización
- 4.2 Refactorización mediante herramientas de IA
  - 4.2.1 Reconocer la necesidad de refactorización
- 4.3 Mejores prácticas
  - 4.3.1 Solo se puede modificar la estructura interna.
  - 4.3.2 Enfoque por pasos pequeños
  - 4.3.3 Refactorización basada en pruebas
  - 4.3.4 Definición de objetivos claros
- 4.4 Conclusión
5 Software de pruebas
- 5.1 Generación de datos de prueba
- 5.2 Automatización de pruebas con apoyo de IA
  - 5.2.1 Creación de pruebas unitarias con soporte de IA
- 5.3 Desarrollo basado en pruebas con IA
  - 5.3.1 Implementación de la primera prueba
  - 5.3.2 La segunda prueba
  - 5.3.3 La tercera prueba
  - 5.3.4 Generación de datos de prueba
- 5.4 Uso de dependencias
- 5.5 Optimización de pruebas
  - 5.5.1 Optimización del código de prueba
  - 5.5.2 Redacción de pruebas faltantes
- 5.6 Pruebas de extremo a extremo
  - 5.6.1 Generación de una prueba de extremo a extremo
  - 5.6.2 Creación de un objeto de página
- 5.7 Conclusión
6 Documentación del software
- 6.1 Retos relacionados con la documentación
- 6.2 Documentación en línea
  - 6.2.1 Ejemplo de documentación en línea
- 6.3 Documentación de funciones y clases
  - 6.3.1 Ventajas e inconvenientes de la documentación de funciones y clases
  - 6.3.2 Ejemplo de documentación de funciones y clases
- 6.4 Documentación de la API
  - 6.4.1 Ejemplo de documentación de la API
- 6.5 Documentación desactualizada
- 6.6 Conclusión
7 Bases de datos
- 7.1 Diseño de la base de datos
  - 7.1.1 Ejemplo: base de datos para una tienda en línea
  - 7.1.2 Selección del sistema de gestión de bases de datos
  - 7.1.3 Ejemplo: Lista de compras en la nube
  - 7.1.4 Cambiar el esquema de la base de datos
- 7.2 Comandos SQL
  - 7.2.1 Cálculo de fechas
  - 7.2.2 Solución de problemas
  - 7.2.3 Búsqueda de imágenes en WordPress
  - 7.2.4 Consulta compleja con subconsulta o autounión
  - 7.2.5 Formateo de un comando SQL
- 7.3 Administración
  - 7.3.1 PostgreSQL: Administración de usuarios
  - 7.3.2 SQL Server: copia de seguridad automatizada
  - 7.3.3 Determinación del esquema de una base de datos
  - 7.3.4 Ajuste de MariaDB
- 7.4 Programación del cliente
8 Scripting y administración de sistemas
- 8.1 Scripting
  - 8.1.1 Bash: recorrer un archivo de texto
  - 8.1.2 PowerShell: Ordenar fotos
  - 8.1.3 Python: Aplicación SQLite
  - 8.1.4 Solución de problemas de Bash
  - 8.1.5 Python: Búsqueda recursiva de archivos
  - 8.1.6 Otros ejemplos de mensajes
- 8.2 Ejemplo: convertir un script de Python a código PHP
  - 8.2.1 Conclusión
- 8.3 Expresiones regulares
  - 8.3.1 Buscar y reemplazar fechas
  - 8.3.2 Búsqueda de archivos con grep
- 8.4 Administración del sistema
  - 8.4.1 Autenticación SSH mediante clave
  - 8.4.2 Configuración de Docker
  - 8.4.3 Servidor proxy
  - 8.4.4 Solución de problemas de red en una máquina virtual con un servidor web
  - 8.4.5 Configuración del servidor Linux
  - 8.4.6 Indicaciones adicionales
- 8.5 Ejemplo: script «wget» más configuración «tmpfs»
  - 8.5.1 Desarrollo de un script «wget»
  - 8.5.2 Configuración del servidor Linux con «tmpfs»
  - 8.5.3 Conclusión
- 8.6 Llamar a GitHub Copilot y ChatGPT en la terminal
  - 8.6.1 Interfaz de línea de comandos de GitHub («gh»)
  - 8.6.2 Shell-GPT («sgpt»)
  - 8.6.3 Uso de modelos de lenguaje en la terminal («llm»)
Parte II Modelos lingüísticos locales y herramientas avanzadas de IA
9 Ejecución de modelos de lenguaje a nivel local
- 9.1 Demasiadas opciones de modelos lingüísticos grandes
  - 9.1.1 ¿Qué modelos resuelven qué problemas?
  - 9.1.2 Requisitos de hardware
  - 9.1.3 Alternativas a la ejecución local de modelos
- 9.2 GPT4All
  - 9.2.1 Instalación y uso
  - 9.2.2 Chatea con tus archivos
  - 9.2.3 Conclusión
- 9.3 Ollama
  - 9.3.1 Beneficios de Ollama
  - 9.3.2 Estructura general de Ollama
  - 9.3.3 Instalación y ejecución locales
  - 9.3.4 Ejecutar Ollama en un contenedor Docker
- 9.4 Abrir la interfaz de usuario web de Ollama
  - 9.4.1 Instalación de Open WebUI
  - 9.4.2 Uso de documentos personalizados en Open WebUI
  - 9.4.3 Modelos de espacio de trabajo personalizados
- 9.5 Continuar
  - 9.5.1 Instalación
  - 9.5.2 Uso
- 9.6 API de Ollama
  - 9.6.1 API REST de Ollama
  - 9.6.2 Bibliotecas para acceder a la API de Ollama
- 9.7 Tabby
  - 9.7.1 Instalación del servidor Tabby y del complemento
  - 9.7.2 Uso
- 9.8 Conclusión
10 Procesamiento automatizado de código
- 10.1 API de OpenAI
  - 10.1.1 Configuración de una cuenta API
  - 10.1.2 ¡Hola, mundo!
  - 10.1.3 Formulación de la indicación
  - 10.1.4 Sistema de chat
  - 10.1.5 Procesamiento de la respuesta
  - 10.1.6 Carga y descarga de archivos
  - 10.1.7 Cargas para aplicaciones especiales
  - 10.1.8 Parque infantil
- 10.2 API de Ollama
  - 10.2.1 Manipulación del código
- 10.3 API de Groq
- 10.4 Ejemplo: Comentarios automáticos del código
  - 10.4.1 Experiencia en la vida real
  - 10.4.2 Extracción de código de la respuesta
  - 10.4.3 Errores genuinos
  - 10.4.4 Problemas con archivos de código de gran tamaño
  - 10.4.5 Traducción de comentarios existentes
  - 10.4.6 Conclusión
- 10.5 Ejemplo: De Python 2 a Python 3
  - 10.5.1 Experiencia en la vida real
11 Herramientas de nivel 3: OpenHands y Aider
- 11.1 OpenHands
  - 11.1.1 Instalación
  - 11.1.2 La interfaz web
- 11.2 Uso de OpenHands
  - 11.2.1 ¡No te excedas!
  - 11.2.2 Conclusión
- 11.3 Aider
  - 11.3.1 Instalación
  - 11.3.2 Inicio
  - 11.3.3 Comandos Aider
  - 11.3.4 Indicaciones multilínea
  - 11.3.5 Reglas y convenciones de codificación
  - 11.3.6 Aider en el navegador web
- 11.4 Uso de Aider
  - 11.4.1 Ejemplo 1: Ordenar fotos
  - 11.4.2 Ejemplo 2: Web scraping
  - 11.4.3 Ejemplo 3: Implementación de cambios en un proyecto de gran envergadura
  - 11.4.4 Más ejemplos de indicaciones y consejos en video
12 Generación aumentada por recuperación y texto a SQL
- 12.1 Inicio rápido de RAG
- 12.2 El proyecto Viel-Falter (Muchas mariposas)
- 12.3 Carga de documentos
  - 12.3.1 SimpleDirectoryReader y SimpleWebPageReader
- 12.4 Creación de un índice
  - 12.4.1 El modelo de integración
- 12.5 Bases de datos de almacenamiento vectorial
- 12.6 Consultas RAG
  - 12.6.1 Código fuente
  - 12.6.2 Conclusión
- 12.7 Texto a SQL
  - 12.7.1 Exportación de bases de datos de MongoDB a SQLite
  - 12.7.2 Texto a SQL con LlamaIndex
  - 12.7.3 Consultas de muestra
  - 12.7.4 Conclusión
13 Riesgos y perspectivas
- 13.1 Problemas y limitaciones del uso de herramientas de IA
  - 13.1.1 Código antiguo y engorroso
  - 13.1.2 La cuestión de la facilidad de mantenimiento
  - 13.1.3 Privacidad
  - 13.1.4 Un nuevo tipo de dependencia
  - 13.1.5 Aprender a programar en la era de la IA
- 13.2 Ejemplos de fallos de la IA
  - 13.2.1 Información desactualizada
  - 13.2.2 Alucinaciones
  - 13.2.3 Errores lógicos
  - 13.2.4 Cuestiones de seguridad
  - 13.2.5 Soluciones menos que ideales
- 13.3 Cuestiones éticas
  - 13.3.1 El origen del conocimiento de la IA
  - 13.3.2 Expertos en TI sin empleo
  - 13.3.3 Consumo ilimitado de energía
- 13.4 Conclusiones y perspectivas
  - 13.4.1 Mejores resultados con más conocimientos previos y experiencia
  - 13.4.2 ¿IA en la nube o local?
  - 13.4.3 Mejora de la calidad mediante la capacitación con código generado por IA
  - 13.4.4 Los próximos años
  - 13.4.5 Conclusión
Los autores
Índice

AI-Assisted Coding

Generative AI is transforming software development. Stay on the cutting edge with this guide to AI pair programming! Learn how to make the most of modern tools like ChatGPT and GitHub Copilot to improve your coding. Automate refactoring, debugging, and other tedious tasks, and use techniques such as prompt engineering and retrieval-augmented generation to get the code you need. Follow practical examples that show how you can program faster, more efficiently, and with fewer errors with the help of AI.

Optimize your daily development tasks with AI
Work with tools like GitHub Copilot, ChatGPT, and OpenHands to generate code, refactor programs, and debug scripts
Explore AI options for database design, unit testing, documentation, administration, and more

You'll learn about:

Hype versus Reality:
Learn from expert developers to understand the possibilities (and pitfalls) of AI tools. With the help of practical code examples, see how to use AI helpers correctly to their full potential.
Assistants for All Tasks:
This guide gives you an up-to-date overview of all aspects of AI-assisted coding: GitHub Copilot autocompletions, project bootstrapping with OpenHands, debugging and refactoring, application development, and more.
In the Cloud or Local?:
Use OpenAI’s API to integrate AI models directly into your own scripts and automations—or use local large language models (LLMs) to work independently of cloud services.

Key Highlights:

Structured programming with AI
Debugging
Unit testing
Refactoring
Automatic document creation
Database development and design
Scripting and administration
Local large language models (LLMs)
Retrieval-augmented generation (RAG)
ChatGPT and GitHub Copilot
OpenHands
OpenAI API

View Full Table of Contents

Preface
- Local Execution of Language Models
- Coding with AI Support for Advanced Users
- AI Makes Mistakes and Hallucinates
- The Three Stages of Using AI
- There’s No Getting around AI Tools
Part I Coding with AI Support
1 Introduction
- 1.1 Coding via Chat
  - 1.1.1 Password Generator
  - 1.1.2 Python: Searching and Replacing Dates
  - 1.1.3 SQL: Analysis of a Table
  - 1.1.4 PHP: Bearer Token Authentication
  - 1.1.5 Porting a Bash Script for PowerShell
  - 1.1.6 Paid ChatGPT Offers
  - 1.1.7 Anthropic Claude
- 1.2 The Art of Prompting
  - 1.2.1 Prompt Frameworks
  - 1.2.2 A Question of Context
  - 1.2.3 Custom GPTs
  - 1.2.4 Comparing Custom GPTs, Fine-Tuning, and Retrieval-Augmented Generation
- 1.3 Code Wizards
  - 1.3.1 Installing GitHub Copilot
  - 1.3.2 First Steps with Visual Studio Code and GitHub Copilot
  - 1.3.3 Switching between Code Suggestions
  - 1.3.4 Tips and Tricks
  - 1.3.5 Chat Mode with Additional Keywords
  - 1.3.6 Chat Examples
  - 1.3.7 Alternatives to the Chat Sidebar
  - 1.3.8 Other Functions
  - 1.3.9 Security and Data Protection
  - 1.3.10 Trouble in Remote Mode
- 1.4 Chat or Wizard?
- 1.5 Basic Principles of Large Language Models
  - 1.5.1 From the Human Brain to Neural Networks
  - 1.5.2 Machine Learning through Backpropagation
  - 1.5.3 Large Language Models
  - 1.5.4 The Transformer Model
  - 1.5.5 Generative Pretrained Transformer (GPT)
  - 1.5.6 Training: From Training Material to Language Model
  - 1.5.7 Large Language Model Application: From Prompt to Response
  - 1.5.8 The Limits of Linguistic “Intelligence”
  - 1.5.9 The Size of the Context Window
  - 1.5.10 The Fill-in-the-Middle Approach
2 Pair Programming
- 2.1 Structuring Code into Functions
  - 2.1.1 Defining Functions Yourself
  - 2.1.2 Defining Functions and Parameters
  - 2.1.3 Detailed Questions about Functions and Parameters
  - 2.1.4 Code Optimization
  - 2.1.5 Code Reuse
  - 2.1.6 Splitting Code across Multiple Files
- 2.2 Example: IBAN Validation
  - 2.2.1 Start
  - 2.2.2 Checking the IBAN Length
  - 2.2.3 Troubleshooting
  - 2.2.4 Test
  - 2.2.5 Removing Spaces from the IBAN
  - 2.2.6 Checksum Test
  - 2.2.7 Trouble with the Test Data
  - 2.2.8 Code Optimization
- 2.3 Object-Oriented Programming
  - 2.3.1 Example: User Account Class
  - 2.3.2 Output of the Object
  - 2.3.3 JSON Export and Constructor
  - 2.3.4 Example: Bank Account
  - 2.3.5 Example: Sorting Photos Based on EXIF Data
  - 2.3.6 Example: Dealing with Singletons
- 2.4 Example: Quiz
  - 2.4.1 Class Design
  - 2.4.2 Implementing the Question Class
  - 2.4.3 A Pool of Questions for Testing
  - 2.4.4 Methods for the Question Class
  - 2.4.5 UML Diagram
  - 2.4.6 AI Bot or Code Wizard?
- 2.5 Example: Solving Sudoku
  - 2.5.1 Class Setup
  - 2.5.2 Detaching Individual Fields in Rows
  - 2.5.3 Solving Individual Fields in Columns and in Blocks
  - 2.5.4 Test Code and Issues with the Test Data
  - 2.5.5 Brainstorming
  - 2.5.6 Storing Solution Candidates per Field
  - 2.5.7 Filling in Fields Where Only One Solution Number Is Possible
  - 2.5.8 Personal Conclusion
  - 2.5.9 Alternative Procedure
  - 2.5.10 Prompting Correctly
3 Debugging
- 3.1 Web Applications
  - 3.1.1 CSS Fixes
  - 3.1.2 iCal Download in the Browser
  - 3.1.3 Backend Frontend without a Proxy Server
  - 3.1.4 JavaScript Fetch with the Wrong Content Type
  - 3.1.5 JamGPT
- 3.2 App Development
  - 3.2.1 Flutter and Null Safety Values
  - 3.2.2 Layouts in Flutter
- 3.3 Developing on Raspberry Pi
  - 3.3.1 Step-by-Step Debugging on a Raspberry Pi
  - 3.3.2 Help for Creating Log Entries
- 3.4 Visual Studio and Visual Studio Code
  - 3.4.1 Missing Python Modules in VS Code
  - 3.4.2 Visual Studio Exception Debugging
- 3.5 Conclusion
4 Refactoring
- 4.1 Introduction to Refactoring
  - 4.1.1 Objectives of Refactoring
- 4.2 Refactoring Using AI Tools
  - 4.2.1 Recognizing the Need for Refactoring
- 4.3 Best Practices
  - 4.3.1 Only the Internal Structure May Be Changed
  - 4.3.2 Small-Step Approach
  - 4.3.3 Test-Driven Refactoring
  - 4.3.4 Defining Clear Goals
- 4.4 Conclusion
5 Testing Software
- 5.1 Generating Test Data
- 5.2 AI-Supported Test Automation
  - 5.2.1 Creating AI-Supported Unit Tests
- 5.3 Test-Driven Development with AI
  - 5.3.1 Implementing the First Test
  - 5.3.2 The Second Test
  - 5.3.3 The Third Test
  - 5.3.4 Generating Test Data
- 5.4 Using Dependencies
- 5.5 Optimizing Tests
  - 5.5.1 Optimizing Test Code
  - 5.5.2 Writing Missing Tests
- 5.6 End-to-End Tests
  - 5.6.1 Generating an End-to-End Test
  - 5.6.2 Creating a Page Object
- 5.7 Conclusion
6 Documenting Software
- 6.1 Challenges with Documentation
- 6.2 Inline Documentation
  - 6.2.1 Sample Inline Documentation
- 6.3 Function and Class Documentation
  - 6.3.1 Benefits and Drawbacks of Function and Class Documentation
  - 6.3.2 Sample Function and Class Documentation
- 6.4 API Documentation
  - 6.4.1 Sample API Documentation
- 6.5 Outdated Documentation
- 6.6 Conclusion
7 Databases
- 7.1 Database Design
  - 7.1.1 Example: Database for an Online Store
  - 7.1.2 Database Management System Selection
  - 7.1.3 Example: Cloud Shopping List
  - 7.1.4 Changing the Database Schema
- 7.2 SQL Commands
  - 7.2.1 Date Calculation
  - 7.2.2 Troubleshooting
  - 7.2.3 WordPress Image Search
  - 7.2.4 Complex Query with Subquery or Self Join
  - 7.2.5 Formatting an SQL Command
- 7.3 Administration
  - 7.3.1 PostgreSQL: User Administration
  - 7.3.2 SQL Server: Automated Backup
  - 7.3.3 Determining the Schema of a Database
  - 7.3.4 MariaDB Tuning
- 7.4 Client Programming
8 Scripting and System Administration
- 8.1 Scripting
  - 8.1.1 Bash: Loop Over a Text File
  - 8.1.2 PowerShell: Sorting Photos
  - 8.1.3 Python: SQLite Application
  - 8.1.4 Bash Troubleshooting
  - 8.1.5 Python: Recursive Search for Files
  - 8.1.6 Other Prompt Examples
- 8.2 Example: Converting a Python Script to PHP Code
  - 8.2.1 Conclusion
- 8.3 Regular Expressions
  - 8.3.1 Searching and Replacing Dates
  - 8.3.2 File Search Using grep
- 8.4 System Administration
  - 8.4.1 SSH Authentication by Key
  - 8.4.2 Docker Setup
  - 8.4.3 Proxy Server
  - 8.4.4 Fixing Network Issues in a Virtual Machine with a Web Server
  - 8.4.5 Linux Server Setup
  - 8.4.6 Additional Prompts
- 8.5 Example: “wget” Script Plus “tmpfs” Configuration
  - 8.5.1 Developing a “wget” Script
  - 8.5.2 Linux Server Configuration with “tmpfs”
  - 8.5.3 Conclusion
- 8.6 Calling GitHub Copilot and ChatGPT in the Terminal
  - 8.6.1 GitHub Command-Line Interface (“gh”)
  - 8.6.2 Shell-GPT (“sgpt”)
  - 8.6.3 Using Language Models in the Terminal (“llm”)
Part II Local Language Models and Advanced AI Tools
9 Executing Language Models Locally
- 9.1 Spoiled for Choice of Large Language Model
  - 9.1.1 Which Models Solve Which Problems?
  - 9.1.2 Hardware Requirements
  - 9.1.3 Alternatives to the Local Execution of Models
- 9.2 GPT4All
  - 9.2.1 Installation and Use
  - 9.2.2 Chat with Your Files
  - 9.2.3 Conclusion
- 9.3 Ollama
  - 9.3.1 Benefits of Ollama
  - 9.3.2 General Structure of Ollama
  - 9.3.3 Local Installation and Execution
  - 9.3.4 Running Ollama in a Docker Container
- 9.4 Open WebUI for Ollama
  - 9.4.1 Installing Open WebUI
  - 9.4.2 Using Custom Documents in Open WebUI
  - 9.4.3 Custom Workspace Models
- 9.5 Continue
  - 9.5.1 Installation
  - 9.5.2 Usage
- 9.6 Ollama API
  - 9.6.1 Ollama REST API
  - 9.6.2 Libraries for Accessing the Ollama API
- 9.7 Tabby
  - 9.7.1 Installing the Tabby Server and the Plug-In
  - 9.7.2 Usage
- 9.8 Conclusion
10 Automated Code Processing
- 10.1 OpenAI API
  - 10.1.1 Setting Up an API Account
  - 10.1.2 Hello, World!
  - 10.1.3 Formulating the Prompt
  - 10.1.4 Chat System
  - 10.1.5 Processing the Response
  - 10.1.6 Uploading and Downloading Files
  - 10.1.7 Uploads for Special Applications
  - 10.1.8 Playground
- 10.2 Ollama API
  - 10.2.1 Manipulating Code
- 10.3 Groq API
- 10.4 Example: Automated Commenting of Code
  - 10.4.1 Real-Life Experience
  - 10.4.2 Extracting Code from the Response
  - 10.4.3 Genuine Errors
  - 10.4.4 Trouble with Large Code Files
  - 10.4.5 Translating Existing Comments
  - 10.4.6 Conclusion
- 10.5 Example: From Python 2 to Python 3
  - 10.5.1 Real-Life Experience
11 Level 3 Tools: OpenHands and Aider
- 11.1 OpenHands
  - 11.1.1 Installation
  - 11.1.2 The Web Interface
- 11.2 Using OpenHands
  - 11.2.1 Not Too Much at Once!
  - 11.2.2 Conclusion
- 11.3 Aider
  - 11.3.1 Installation
  - 11.3.2 Start
  - 11.3.3 Aider Commands
  - 11.3.4 Multiline Prompts
  - 11.3.5 Coding Rules and Conventions
  - 11.3.6 Aider in the Web Browser
- 11.4 Using Aider
  - 11.4.1 Example 1: Sorting Photos
  - 11.4.2 Example 2: Web Scraping
  - 11.4.3 Example 3: Implementing Changes in a Large Project
  - 11.4.4 More Prompting Examples and Video Tips
12 Retrieval-Augmented Generation and Text-to-SQL
- 12.1 RAG Quick Start
- 12.2 The Viel-Falter (Many Butterflies) Project
- 12.3 Loading Documents
  - 12.3.1 SimpleDirectoryReader and SimpleWebPageReader
- 12.4 Creating an Index
  - 12.4.1 The Embedding Model
- 12.5 Vector Store Databases
- 12.6 RAG Queries
  - 12.6.1 Source Code
  - 12.6.2 Conclusion
- 12.7 Text-to-SQL
  - 12.7.1 Database Export from MongoDB to SQLite
  - 12.7.2 Text-to-SQL with LlamaIndex
  - 12.7.3 Sample Queries
  - 12.7.4 Conclusion
13 Risks and Outlook
- 13.1 Issues and Limitations of Using AI Tools
  - 13.1.1 Old, Cumbersome Code
  - 13.1.2 The Question of Maintainability
  - 13.1.3 Privacy
  - 13.1.4 A New Kind of Dependency
  - 13.1.5 Learning to Program in the Age of AI
- 13.2 Exemplary AI Failure
  - 13.2.1 Outdated Information
  - 13.2.2 Hallucinations
  - 13.2.3 Logic Errors
  - 13.2.4 Security Issues
  - 13.2.5 Less Than Ideal Solutions
- 13.3 Ethical Issues
  - 13.3.1 The Origin of AI Knowledge
  - 13.3.2 Jobless IT Experts
  - 13.3.3 Unlimited Energy Consumption
- 13.4 Conclusions and Outlook
  - 13.4.1 Better Results with More Prior Knowledge and Experience
  - 13.4.2 Cloud or Local AI?
  - 13.4.3 Quality Enhancement through Training with AI-Generated Code
  - 13.4.4 The Coming Few Years
  - 13.4.5 Conclusion
The Authors
Index

ℹ️ ¿Cómo adquirir este libro?

Este producto tiene un precio especial bajo consulta. Puedes iniciar tu pedido o aclarar cualquier duda en el botón Consultar precio de la página.

También hemos preparado una guía paso a paso para explicarte cómo solicitar tu cotización fácilmente.

Ver paso a paso aquí →

Descargo de responsabilidad

SAP, otros productos SAP y servicios mencionados aquí así como sus respectivos logos son marca registrada de SAP SE (o una compañía afiliada de SAP) en Alemania y otros países. Nuestra compañía no está afiliada con SAP SE ni con ninguna de sus compañías afiliadas incluyendo pero no limitada a: Sybase, Business Objects, Hybris, Ariba y SuccessFactors. Todos los otros nombres, marcas, logos, etc. son marcas o servicios registrados de sus respectivos propietarios.

Inicio > Libros SAP > Libros en Inglés > Codificación asistida por IA - Guía práctica para el desarrollo de software

Codificación asistida por IA - Guía práctica para el desarrollo de software

Name: Codificación asistida por IA - Guía práctica para el desarrollo de software
Brand: SAP
SKU: BOOK-SAPPRESS-EBOOK-2025-9781493226948

Garantía

Recibe el producto que esperabas o te devolvemos tu dinero

¿Desea ver una muestra del curso o libro?

Necesita una muestra del curso o libro, solicítela en el chat de abajo y se la brindamos con gusto.

1 mes de $0.00 sin intereses		Total $0.00
2 meses de $0.00 sin intereses		Total $0.00
3 meses de $0.00 sin intereses		Total $0.00
4 meses de $0.00 sin intereses		Total $0.00
5 meses de $0.00 sin intereses		Total $0.00
6 meses de $0.00 sin intereses		Total $0.00