Aller au contenu principal

Code et Technique

Grok pour les développeurs

xAI propose un modèle spécialement optimisé pour le code : grok-code-fast-1. Ce modèle léger est conçu pour le pair-programming dans les éditeurs de code. Il est jusqu’à 4 fois plus rapide et 10 fois moins coûteux que les modèles généralistes. Mais les modèles Grok 4 restent pertinents pour le débogage complexe et l’architecture.

Que vous utilisiez Grok pour générer du code, déboguer, documenter ou faire de la revue de code, les principes de prompting vus dans cette formation s’appliquent avec quelques spécificités.

Génération de code

Le prompt minimal (à éviter)

Crée un tracker de nourriture

Le prompt efficace

Crée un tracker alimentaire en Python avec Flask.

Fonctionnalités :
- Saisie d'un aliment avec quantité
- Calcul automatique des calories et macronutriments
- Affichage de la répartition calorique par jour, divisée par nutriments
- Aperçu général et tendances de haut niveau

Contraintes techniques :
- Base de données SQLite
- API REST avec endpoints documentés
- Pas de frontend (API seulement)
- Tests unitaires avec pytest
- Gestion d'erreurs avec codes HTTP appropriés

La documentation xAI insiste sur ce point : spécifiez les chemins de fichiers, la structure du projet, et les dépendances. Excluez les informations non pertinentes.

Débogage

Le débogage est un cas d’usage où le contexte est particulièrement important. Fournissez au modèle toutes les informations nécessaires pour reproduire le problème.

Prompt de débogage structuré

J'ai une erreur dans mon application Node.js/Express.

Code concerné :
```javascript
app.get('/api/users/:id', async (req, res) => {
  const user = await db.query('SELECT * FROM users WHERE id = $1', [req.params.id]);
  res.json(user.rows[0]);
});

Erreur : TypeError: Cannot read properties of undefined (reading ‘rows’)

Contexte :

  • Node.js 20, Express 4.18, pg 8.11
  • PostgreSQL 15 en local
  • La table ‘users’ existe et contient des données
  • L’erreur se produit uniquement pour certains IDs

Mes codes d’erreur sont définis dans src/errors.ts. Le fichier de connexion DB est src/db.ts.

Identifie la cause probable et propose une correction.


### Erreur avec stack trace

Corrige cette erreur. Voici la stack trace complète :

[collez la stack trace]

Fichier source concerné : [collez le code]

Configuration :

  • Python 3.12, Django 5.0
  • Base de données PostgreSQL
  • Environnement : production Docker

Explique la cause racine et propose la correction.


## Documentation

### Documentation de fonction

Documente cette fonction Python selon les conventions Google docstrings :

def calculate_weighted_score(items, weights=None, normalize=True): if weights is None: weights = [1.0] * len(items) if len(items) != len(weights): raise ValueError(“Mismatch”) total = sum(i * w for i, w in zip(items, weights)) if normalize: total /= sum(weights) return round(total, 4)

Inclus :

  • Description de la fonction
  • Args avec types et descriptions
  • Returns avec type et description
  • Raises avec conditions
  • Un exemple d’utilisation (doctest)

### Documentation d'API

Génère la documentation OpenAPI (Swagger) pour cet endpoint :

Endpoint : POST /api/v2/invoices Authentification : Bearer token Corps : JSON avec client_id (int, requis), items (tableau d’objets avec description, quantity, unit_price), due_date (ISO 8601, optionnel) Réponses : 201 (créée), 400 (validation), 401 (non authentifié), 500 (erreur serveur)

Format : YAML OpenAPI 3.0


## Revue de code

Fais une revue de code de cette pull request.

Code : [collez le code]

Critères d’évaluation :

  1. Bugs potentiels ou cas limites non gérés
  2. Performance (complexité algorithmique, requêtes N+1)
  3. Sécurité (injections, fuites de données)
  4. Lisibilité et maintenabilité
  5. Respect des conventions PEP 8

Pour chaque problème trouvé :

  • Ligne(s) concernée(s)
  • Sévérité : critique / important / mineur / suggestion
  • Explication du problème
  • Code corrigé proposé

## Choix du modèle pour le code

La documentation xAI recommande :

- **grok-code-fast-1** : travail rapide, implémentation, recherche de code, refactoring courant
- **Grok 4** : débogage complexe, architecture, problèmes conceptuels profonds

Pour les agents de code utilisant le tool-calling, préférez le tool-calling natif de grok-code-fast-1 plutôt que les sorties XML, qui peuvent dégrader les performances.

## Optimisation du cache

Pour les interactions séquentielles (typiques du pair-programming), le cache de Grok accélère considérablement les réponses. Le préfixe de la conversation reste identique entre les requêtes, ce qui permet une récupération depuis le cache.

Conseil important : évitez de modifier l'historique du prompt entre les requêtes. Toute modification casse le cache et ralentit l'inférence.

## Mise en pratique

Prenez un bug réel de votre code. Rédigez un prompt de débogage structuré en incluant le code, l'erreur, le contexte technique, et les fichiers liés. Comparez la qualité de la réponse avec un prompt minimal ("corrige ce bug : [code]").

## Points clés à retenir

- Spécifiez toujours le contexte technique complet : langage, framework, versions, structure du projet
- grok-code-fast-1 est optimisé pour le code : 4x plus rapide, 10x moins cher
- Pour le débogage, fournissez le code, l'erreur complète, et le contexte d'exécution
- Utilisez le tool-calling natif plutôt que les sorties XML pour les agents de code
- Évitez de modifier l'historique du prompt pour maintenir le cache et la vitesse
- Grok 4 reste le meilleur choix pour le débogage complexe et les décisions d'architecture
← Lecon precedenteAnalyse et SynthèseLecon suivante →Atelier : Construire un Prompt Expert