一口气更新本学期代码经验心得

ChatGPT Copilot

可以说这学期给我的代码开发带来最大变化的就是这两款工具了，一款帮我生成代码或者特定的指令，一段潜伏在IDE里，读取我的上下文和注释，帮我缝缝补补生成代码。

ChatGPT由于之前封禁了一大波号，一段时间没敢用，反而让我在网上接触到了一些镜像网站，非常方便使用。在这里仅给出链接，具体还请各位自己探索。我在这里放一些使用的截图。

基本上当我遇到错误报告，代码不知道怎么写，Linux命令想不起来怎么做，或者想偷个懒让他帮我写点东西时，我都会使用它给我提供建议或者初稿，而我只消稍加润色即可完成。

而copilot在我申请了GitHub Pro之后，则成为了我编写代码的利器。一般来说，我只需要把光标悬浮在那边，它便能为我补充代码

不过经过我长期的使用，我发现更有效的方法是，先写一两行注释，让它明白我的意思，再让它自动生成，往往更为高效

这两款工具在根本上改变了我的workflow，所以我要将它们放在最前面。具体来说，原先我的工作流是这样的：

• Google了解一下这个语言/框架
• Google大概了解一下语言/框架的上手方法
• 结合网上的教程，摸索出一个可以跑的框架
• 进一步完善需求
• 如果碰到bug，继续Google解决相关问题

但是拥有这两款工具后，我的工作流变成了：

• ChatGPT教一下我这个语言/框架
• ChatGPT帮我搭好了能跑的框架，并教我怎么上手
• 我进一步完善我的需求，但是中途大部分其实是copilot帮我生成的，我只是在按tab键，然后检查它写的对不对（大多数时候写得比我好）
• 如果碰到bug，先问问ChatGPT
• 实在没解决，或者意识到这个问题它是解决不了的（知识库不够新，跟不上版本，问题太复杂等等），由人脑解决（搜索Google，加上自己思考）

可以看到它们帮我减少了相当多的负担，并且它们的出现让我意识到，这些劳动已经逐渐成为了人工智能的简单工作，而我也不能仅仅是原地踏步，停留在掌握CRUD上。现在更关键的能力是，如何掌握让人工智能帮助我提高生产力，以及挖掘出自己与人工智能不同且更高级的地方。

C语言

好久没写c，结果某同学给我发来几道题把我看傻了。例如

int arr[10]={[0 ... 3]=1, [7 ... 9]=4};

在c里面居然是对的。查阅了一番，得到了这样的解答：

If you’re using gcc as your C compiler, you can use designated initializers, to set a specific range of the array to the same value.

// Valid only for gcc based compilers
// Use a designated initializer on the range
int arr[9] = { [0 ... 8] = 10 };

Note that there is a space between the numbers and there are the three dots. Otherwise, the compiler may think that it is a decimal point and throw an error.

#include <stdio.h>

int main() {
    int arr[9] = { [0 ... 8] = 10 };
    for (int i=0; i<9; i++)
        printf("%d\n", arr[i]);
    return 0;
}

Output (for gcc only)

10
10
10
10
10
10
10
10
10

Copy

We can also combine this with our old initializer list elements!

For example, I am setting only array index arr[0], arr[8] as 0, while the others are designated initialized to 10!

#include <stdio.h>

int main() {
    int arr[9] = { 0, [1 ... 7] = 10, 0 };
    for (int i=0; i<9; i++)
        printf("%d\n", arr[i]);
    return 0;
}

Copy

Output

0
10
10
10
10
10
10
10
0

仅在gcc下能通过，同时三个点两旁必须有空格……还真是抽象啊

还有一个

char s[] = “12345”; int m = sizeof(s);

m的值是

答案是6，真的是6了我这个老6。看到答案才想起来，c里的char字符串后面有个\0表示结束。

Vue

这学期写了不少Vue前端，有几个点当时记了下来

watch的深度

一开始用watch检测某个数组的变化，结果发现并没有检测到。读了官方文档（同学们，真的是这样，一定要多读官方文档啊，非常的重要）后方才晓得，检测数组要加上deep才行。

watch 默认是浅层的：被侦听的属性，仅在被赋新值时，才会触发回调函数——而嵌套属性的变化不会触发。如果想侦听所有嵌套的变更，你需要深层侦听器：

export default {
  watch: {
    someObject: {
      handler(newValue, oldValue) {
        // 注意：在嵌套的变更中，
        // 只要没有替换对象本身，
        // 那么这里的 `newValue` 和 `oldValue` 相同
      },
      deep: true
    }
  }
}

深度侦听需要遍历被侦听对象中的所有嵌套的属性，当用于大型数据结构时，开销很大。因此请只在必要时才使用它，并且要留意性能。

package-lock.json

某次开发时，嫌弃package-lock.json变来变去几万行，干脆把它给删了，加到了gitignore里，结果弄巧成拙，后来的同学根本跑不起来。

事实上，package.json记录的是依赖的元文件，而package-lock.json记录了确切的版本，锁定了依赖的版本，这使得所有人运行的项目都有完全相同的依赖，以确保大家都能跑起来。

经验教训：package-lock.json不能加到gitignore

两种import的方式

import LoginReminder from ‘@/components/LoginReminder’;和import {LoginReminder} from ‘@/components/LoginReminder’;有什么区别

这两种方式导入LoginReminder组件的区别在于导入方式不同，最终得到的变量不同。

1 import LoginReminder from '@/components/LoginReminder';
这种方式是使用export default语法导出的组件。在另一个文件中使用import导入时，你可以自由地命名导入的变量名。例如：

// LoginReminder.vue 组件文件

export default {
 // ...
}

// 在另一个文件中引用 LoginReminder.vue 组件

import MyLoginReminder from '@/components/LoginReminder';

export default {
 components: {
  MyLoginReminder,
 }
}

在这个例子中，我们没有指定导入的变量名，而是自己定义了一个名称为MyLoginReminder的变量作为导入的组件。

2 import {LoginReminder} from '@/components/LoginReminder';
这种方式是使用export语法导出的组件。在导入时，和导出时使用的变量名需要完全一致。例如：

// LoginReminder.vue 组件文件

export const LoginReminder = {
 // ...
}

// 在另一个文件中引用 LoginReminder.vue 组件

import { LoginReminder } from '@/components/LoginReminder';

export default {
 components: {
  LoginReminder,
 }
}

在这个例子中，我们使用了export const语法来导出组件，同时也给导出的变量起了一个名字LoginReminder。在导入时，我们需要使用完全相同的变量名LoginReminder来引用该组件。注意，在import语句中，需要用花括号将变量名包裹起来。

综上所述，无论是哪种方式，导入的都是组件的对象，只不过使用的变量名不同。

JS

== ===

碰到两三回这个错误了，de了半天bug，发现是==把字符串和数字比较了，甚至还返回true了（例如，'1' == 1，1 + '0' = 10这种逆天的语法，我真的这辈子都无法理解）。

让ChatGPT来说明一下==和===的区别。简单来说就是==不会比较类型，但是===会。

在JavaScript中，”==”和”===”是用于比较两个值的操作符。它们之间的区别如下：

1. “==” 操作符是相等比较，它会进行类型转换。如果比较的两个值类型不同，它们会被转换为一个公共类型，然后再进行比较。
2. “===” 操作符是严格相等比较，它不会进行类型转换。只有当比较的两个值类型相同并且值也相等时，才会返回 true。

下面是几个例子来说明它们之间的区别：

javascriptCopy Code// 示例1: 相等比较, 类型转换
console.log(1 == "1");  // 输出: true, 数字1 被转换为字符串 "1" 进行比较

// 示例2: 严格相等比较, 不进行类型转换
console.log(1 === "1");  // 输出: false, 数字1 和字符串 "1" 类型不同

// 示例3: 相等比较, 类型转换
console.log(true == 1);  // 输出: true, 布尔值true 被转换为数字1 进行比较

// 示例4: 严格相等比较, 不进行类型转换
console.log(true === 1);  // 输出: false, 布尔值true 和数字1 类型不同

// 示例5: 相等比较, 类型转换
console.log(null == undefined); // 输出: true, null 和 undefined 被认为是相等的特殊情况

// 示例6: 严格相等比较, 不进行类型转换
console.log(null === undefined); // 输出: false, null 和 undefined 类型不同

总结一下，”==” 允许类型不同的值进行比较时进行类型转换，而 “===” 需要比较的两个值类型相同。在大多数情况下，建议使用”===”进行严格相等比较，这样可以避免类型转换可能带来的意外结果。

他说的对

forEach map 区别

简单来说，forEach是void函数，作用在原数组上；map是返回一个新数组

还是让ChatGPT来解释一下吧

在JavaScript中，forEach和map都是用于遍历数组的方法，但它们之间有一些区别。下面是它们的区别及相应的例子：

1. forEach：forEach方法用于遍历数组的每个元素，并对每个元素执行指定的回调函数。在forEach的回调函数中，我们可以对当前元素进行操作，但无法改变原始数组的内容。

javascriptCopy Codeconst arr = [1, 2, 3];

arr.forEach((num) => {
  console.log(num * 2); // 对每个元素乘以2并输出
});

// 输出：
// 2
// 4
// 6

2. map：map方法也用于遍历数组的每个元素，但它会返回一个新的数组，该数组包含了对原始数组每个元素进行处理后得到的结果。在map的回调函数中，我们可以对当前元素进行操作，并返回一个新的值。

javascriptCopy Codeconst arr = [1, 2, 3];

const newArr = arr.map((num) => {
  return num * 2; // 对每个元素乘以2并返回新的值
});

console.log(newArr); // 输出: [2, 4, 6]

总结一下两者的区别：

• forEach没有返回值，仅用于遍历数组执行操作，不能改变原始数组；
• map返回一个新的数组，其中包含对原始数组每个元素进行处理后的结果。

因此，如果只需要遍历数组并执行一些操作而不需要返回新的数组，可以使用forEach；如果需要对原始数组进行处理并返回一个新的数组，可以使用map。

Python

事实上，这学期的大多数Python代码是ChatGPT帮我写的……无论是简单的深度学习代码，还是数据处理的代码。

这学期碰到过一个很有意思的bug。当时我用Python从网上下载下来图片，然后按照Excel中的数据存到本地，但是在保存时有几个文件保存的格式并不成功，检查后发现是因为部分文件名含有特殊字符“/”，例如“张A/xx公司.jpg“，从而导致Python在存储时将张A识别成了文件夹。解决方法是提前replace这类字符串，将/换成其他字符即可。注意replace方法是返回一个新str，而不是修改原先的str

Java

Field injection is not recommended

尽管字段注入可能看起来很方便，但是它存在一些问题：

1. 与构造函数和 Setter 注入相比，字段注入不容易进行单元测试。这是因为在使用字段注入时，需要直接修改字段的值，而在测试中，如果要注入其他的测试值，则需要使用反射机制才能修改字段的值。
2. 字段注入会使得代码更加难以理解和维护。当读取代码时，无法立即知道该字段是如何被注入的，因为字段注入是隐式的，而构造函数注入和 Setter 注入则更加明确。
3. 字段注入可能导致类之间的紧耦合关系增加。如果一个类使用了另一个类的字段，那么这两个类就会产生紧密的耦合，降低了代码的灵活性和可维护性。

因此，虽然字段注入看起来很方便，但是为了保持代码的可测试性、可读性和可维护性，仍然建议使用构造函数注入和 Setter 注入来替代字段注入。

Redis

遇到一个bug，是想在redis里存时间，结果报错称Java 8 date/time type java.time.LocalDate not supported by default。当时比较忙，时间紧张下直接用了比较无脑的方法：先转成String存进去，取出来再转成LocalDate……实际上更好的方法是自己添加序列化和反序列化器，这里由于笔者也未继续实践，就不多写了。

前端

建议还是认真读完一遍前端UI文档再来开发，会效率高很多。至少也得大致过一遍，才能知道一些比较少见的用法。之前只是草草看了一遍Vue的文档，很多概念还是模糊。这学期再看了一次，不仅学到了slot的用法，还对watch的深度有了了解，这些知识在debug时相当有帮助，可以提升定位bug的速度。

小程序

这学期有幸体验了下微信小程序开发，也算颇有一些心得。首先值得吐槽的点是，小程序的文档好难找orz而且一开始我以为它只有视频的文档，把我给看傻了，后来才发现左边的目录栏是可以展开的…在此处附上link

https://developers.weixin.qq.com/miniprogram/dev/framework/

好在有一众网上教程和Chat老师的教导，因此上手也比较快，个人理解来看就是一个小号的Vue，封装了比较多wx相关的api。当然使用的时候也遇到过一些坑，比如某些api不是在所有平台上都通用的，这就导致本地运行时的效果很正常，但是交给客户时试用反而有不同。

css

找css样式的正确方法：打开F12控制台，直接点对应的区域，会显示对应的css style。遇到特别刁钻的需求时可以对着弄。

pip和conda的区别

pip install 和 conda install 都是用于安装 Python 包和库的命令，但是它们使用的包管理工具和适用范围有所不同。

pip 是 Python 官方推荐的包管理工具，可以在全局环境或虚拟环境中使用。它可以从 Python Package Index (PyPI) 中下载并安装 Python 模块、包和库，并且可以安装其他的二进制文件。通过 pip install 命令安装的包一般都是纯 Python 代码实现的，如果需要依赖某些 C 或 C++ 编写的扩展模块，通常需要手动安装这些模块的编译环境。因此，使用 pip 安装的包可能会存在兼容性和性能问题。

而 conda 则是 Anaconda 发行版自带的包管理工具，也可以在全局环境或虚拟环境中使用。它除了可以下载和安装 Python 包外，还可以安装二进制文件、文档和依赖库。conda 拥有自己的包仓库，叫做 Anaconda 仓库，其中包含了大量的科学计算和数据分析相关的 Python 包。conda 能够处理多平台、多版本、多依赖关系的情况，可以自动安装相关的依赖包及其编译环境，从而避免了很多兼容性和性能方面的问题。

总之，如果您使用 Python 进行科学计算和数据分析等工作，建议使用 Anaconda 发行版，并使用 conda 命令来管理包的安装，这样可以保证软件环境的稳定性和完整性。如果您只是在轻量级的 Python 项目中使用一些简单的纯 Python 包，那么使用 pip 工具已经足够了。

我个人一般这样管理Python环境：

• 使用conda管理系统里的所有Python管理

  conda env list # 查看所有Python环境
  conda create --name lab3 python=3.8 # 创建py38环境
  conda create -f environment.yaml # 根据environment.yaml的信息创建Python环境
  conda activate lab3 # 激活环境
  conda deactivate # 取消激活
  conda remove -n software-testing -all # 删除环境

• 在每个Python环境里使用pip管理Python的包

  pip list
  pip install pandas
  pip uninstall pandas
  # pip freeze | tee requirements.txt # pip其实也可以导出，不过我不是很常用就是了
  # pip install -r requirement.txt # pip也可以导入

• 使用conda导出Python环境，以便在多个设备使用

  conda env export > environment.yaml # 导出当前环境的信息到environment.yaml