程式碼生成 (Code generation)

LLM 根據自然語言描述或現有 code context 寫或補全原始碼的任務，是 GitHub Copilot、Cursor、Claude Code 背後的核心能力。

Code generation 是任務：根據自然語言指令、部分 code、或兩者，產生原始碼。輸出範圍從補全接下來幾個字元（「這個 for-loop 的其餘部分」）到寫整個函式、跨檔案重構、debug、或從描述產生完整應用程式。它重要的原因是：coding 是 LLM 最明顯改變生產力的使用場景之一。GitHub Copilot、Cursor、Claude Code、Aider、Continue、Windsurf 等工具現在已是專業開發者工作流程的標準。Microsoft 等估計這些工具在合適任務上加速日常 coding 20-50%。舉個例子：在編輯器打「// fetch user with retry and exponential backoff」，Copilot 建議完整的 TypeScript 函式。或對 Claude 描述 bug 並貼上 stack trace——它辨認 off-by-one 錯誤並產出修法。或貼一個 feature request 跟你的 codebase：Claude Code 協調地編輯多個檔案。品質依模型跟任務差異極大。簡單補全跟定義良好的函式通常正確；複雜跨檔案重構、新穎演算法、或超出模型訓練分布的東西可能產出微妙錯誤的 code。一定要測試。延伸閱讀：HumanEval、SWE-bench、agent、tool use、Cursor。