生成式 AI 寫程式入門：原理解析與實作指南

引言：AI 是怎麼「學會」寫程式的？

「AI 又不是人，怎麼可能會寫程式？」

這是很多人的疑問。其實 AI 不是真的「懂」程式，而是透過大量學習，找出「什麼樣的程式碼最可能是正確答案」。

這篇文章用白話文解釋生成式 AI 寫程式的原理，讓你不只會用，還能理解背後的運作方式。

一、什麼是生成式 AI？

1.1 生成式 AI 的定義

生成式 AI（Generative AI）= 可以「創造」新內容的人工智慧。

傳統 AI 只能「分類」或「判斷」，例如：
- 這張照片是貓還是狗？（分類）
- 這封郵件是垃圾信嗎？（判斷）

生成式 AI 可以「創造」，例如：
- 寫一篇文章
- 畫一張圖
- 生成程式碼

1.2 生成式 AI vs 傳統 AI

項目	傳統 AI	生成式 AI
主要功能	分類、預測、判斷	創造新內容
輸出	標籤、數字、選項	文字、圖片、程式碼
舉例	垃圾郵件過濾	ChatGPT、Midjourney
技術基礎	機器學習、規則系統	大型語言模型（LLM）

1.3 為什麼生成式 AI 能寫程式？

關鍵：程式碼也是一種「語言」。

生成式 AI 的核心是「大型語言模型」（LLM），它透過學習大量文字，學會了「語言的規律」。

而程式碼（Python、JavaScript 等）本質上也是一種有規則的語言。所以 LLM 也能學會。

二、生成式 AI 如何「學會」寫程式？

2.1 訓練過程簡介

AI 學寫程式的過程：

收集資料：從網路上收集數十億行程式碼（GitHub、Stack Overflow 等）
預處理：清理資料，把程式碼切成小塊（Token）
訓練模型：讓 AI 學習「看到這些 Token，下一個最可能是什麼」
微調：用人類回饋調整，讓輸出更好

2.2 AI 學到了什麼？

AI 並不真的「理解」程式碼的意義，它學到的是：

程式碼的「模式」（哪些寫法常常一起出現）
程式碼的「結構」（函式、迴圈、條件判斷的寫法）
程式碼的「慣例」（命名習慣、縮排規則）

舉例：

當你輸入「def calculate_」，AI 會預測接下來可能是：
- total
- area
- average

因為它從訓練資料中看過無數類似的模式。

2.3 Token 是什麼？

Token = AI 處理文字的最小單位。

AI 不是一個字一個字看，而是切成「Token」處理。

舉例：

"Hello World" → ["Hello", " ", "World"]
"def function():" → ["def", " function", "(", "):", ]

為什麼這很重要？

因為 AI 的能力受限於它能處理的 Token 數量。Token 越多，上下文越長，但成本也越高。

三、從 Prompt 到程式碼：背後的運作原理

3.1 運作流程

當你輸入 Prompt 後，AI 做了什麼？

Step 1：接收 Prompt
↓
Step 2：把 Prompt 轉成 Token
↓
Step 3：模型計算「下一個 Token 最可能是什麼」
↓
Step 4：重複 Step 3，一個一個生成 Token
↓
Step 5：組合成完整的程式碼輸出

3.2 為什麼 Prompt 很重要？

AI 是「機率」驅動的。

你的 Prompt 決定了 AI「往哪個方向」生成。

範例：

Prompt	AI 可能的方向
「寫一個函式」	可能寫出任何函式
「用 Python 寫一個計算面積的函式」	會往計算面積的方向走
「用 Python 寫一個計算圓形面積的函式，輸入半徑」	方向更明確

Prompt 越具體，AI 越不會亂猜。

3.3 為什麼 AI 有時會「幻覺」？

幻覺（Hallucination）= AI 編造不存在的東西。

原因：

AI 是「預測下一個 Token」，不是「查詢正確答案」。如果訓練資料沒有涵蓋，或是模式太相似，AI 可能會：

編造不存在的函式名稱
生成過時的 API 用法
混淆不同程式語言的語法

解決方法：

多檢查 AI 的輸出
用更具體的 Prompt
實際執行測試

如果 AI 生成的程式碼有問題，可以聯繫我們讓工程師直接幫你處理。

四、主流生成式 AI 模型比較

4.1 目前主流模型

模型	開發者	特色
GPT-4	OpenAI	最多人用、功能全面
Claude 3.5	Anthropic	長文本強、解釋詳細
Gemini	Google	多模態、整合 Google 服務
Code Llama	Meta	開源、可自己部署
DeepSeek	DeepSeek	高性價比、程式能力強

4.2 程式能力比較

模型	程式生成	Debug	解釋能力
GPT-4	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
Claude 3.5	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
Gemini	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
Code Llama	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐
DeepSeek	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐

4.3 如何選擇？

需求	建議模型
一般使用	GPT-4、Claude
需要詳細解釋	Claude
想要免費	Gemini、Code Llama
注重隱私、想自己部署	Code Llama

想看更詳細的工具比較，請參考 AI 寫程式工具比較。

五、實作練習：用生成式 AI 寫你的第一個程式

5.1 練習目標

用 AI 寫一個「猜數字」遊戲。

遊戲規則：
1. 電腦隨機產生 1-100 的數字
2. 玩家猜測
3. 電腦提示「太大」或「太小」
4. 猜對就結束

5.2 步驟教學

Step 1：準備 Prompt

用 Python 寫一個猜數字遊戲。規則如下：
1. 電腦隨機產生 1 到 100 的整數
2. 讓使用者輸入猜測的數字
3. 如果猜錯，顯示「太大」或「太小」的提示
4. 猜對就顯示「恭喜你猜對了！」並結束遊戲
5. 紀錄猜了幾次

請加上註解說明每段程式碼的功能。

Step 2：貼到 ChatGPT 或 Claude

Step 3：你會得到類似這樣的程式碼

import random

def guess_number_game():
    # 產生 1-100 的隨機數字
    target = random.randint(1, 100)
    attempts = 0

    print("歡迎玩猜數字遊戲！")
    print("我想了一個 1 到 100 之間的數字，請猜猜看。")

    while True:
        # 取得使用者輸入
        try:
            guess = int(input("請輸入你的猜測："))
        except ValueError:
            print("請輸入有效的數字！")
            continue

        attempts += 1

        # 判斷猜測結果
        if guess < target:
            print("太小了！")
        elif guess > target:
            print("太大了！")
        else:
            print(f"恭喜你猜對了！答案是 {target}")
            print(f"你總共猜了 {attempts} 次")
            break

# 執行遊戲
guess_number_game()

Step 4：測試執行

前往 replit.com 或用本地 Python 環境
貼上程式碼
執行，開始玩遊戲！

5.3 延伸挑戰

試試這些進階要求：

「加上難度選擇：簡單（1-50）、普通（1-100）、困難（1-200）」
「加上限制猜測次數的功能」
「加上排行榜功能」

如果 AI 生成的程式碼有問題，可以聯繫我們讓工程師直接幫你處理。

六、生成式 AI 寫程式的限制與未來發展

6.1 目前的限制

限制	說明
不是 100% 正確	會有 Bug、邏輯錯誤
不理解真正的意圖	只是預測最可能的輸出
有幻覺問題	可能編造不存在的東西
上下文有限	很長的程式碼可能會忘記前面的內容
無法執行測試	只是生成程式碼，不會自己執行驗證

6.2 未來發展方向

AI 寫程式正在快速進步：

更強的推理能力：o1、o3 等模型專注於邏輯推理
更長的上下文：處理完整大型專案
整合執行環境：生成後自動測試
專業化模型：針對特定程式語言優化
Agent 化：不只生成程式碼，還能自動修正

6.3 正確心態

生成式 AI 是工具，不是萬能：

它能大幅提升效率
但不能完全取代程式設計師
需要人類檢查和判斷

最佳使用方式：把 AI 當作很強的助手，但最終決定權在你。

generative-ai-coding-pros-cons-comparison

FAQ 常見問題

Q1：生成式 AI 和 GitHub Copilot 有什麼不同？

A：GitHub Copilot 底層也是使用生成式 AI（OpenAI 的模型），但它是專門整合在 IDE 裡的工具，可以即時補完程式碼。ChatGPT 等是通用對話工具。

Q2：AI 生成的程式碼有版權問題嗎？

A：這是一個灰色地帶。因為 AI 是從公開程式碼學習的，可能會生成相似的程式碼。商業使用時建議檢查，或選擇有版權保護的方案（如 GitHub Copilot Business）。

Q3：學程式還有必要嗎？AI 都會寫了？

A：有必要。AI 是工具，但你需要能力來：判斷程式碼對不對、修改和調整、處理複雜的系統設計。懂程式的人用 AI 效率更高。

Q4：為什麼同樣的 Prompt，每次結果不一樣？

A：因為 AI 有「溫度」參數，會引入隨機性。這讓輸出更多樣，但也導致每次結果可能不同。想要穩定結果，可以調低溫度參數（部分工具支援）。

Q5：生成式 AI 寫程式的成本高嗎？

A：免費版夠一般使用。付費版大約 $20/月。對於專業開發者，這個成本換取的效率提升非常值得。

結論：理解原理，用得更好

今天你學到了：

生成式 AI 是透過預測「下一個 Token」來生成程式碼
AI 學習了數十億行程式碼的「模式」
Prompt 決定了 AI 的生成方向
AI 有限制，需要人類檢查和判斷

理解原理後，你會：

知道為什麼 Prompt 要寫清楚
理解 AI 為什麼有時候會出錯
更有效地使用 AI 工具

想要更多入門教學，請參考如何用 AI 寫程式？新手教學。

AI 寫的程式跑不起來？

我們專門解決 AI 生成代碼的 Bug，讓你的專案順利上線。

幫我 Debug

參考資料

OpenAI，「GPT-4 Technical Report」，OpenAI（2023）
Anthropic，「Claude's Constitution」，Anthropic（2024）
Google，「Gemini Technical Report」，Google DeepMind（2024）
Meta，「Code Llama: Open Foundation Models for Code」，Meta AI（2023）

生成式 AI 寫程式入門：原理解析與實作指南【2025】｜VibeFix