简介

在人工智能还未盛行的时候，检测 Bug 通常是通过以下几种方式完成：

1. 研发编写单元测试。

2. 代码扫描工具，SonarQube、findbugs。

3. 测试人员进行集成测试。

而现在其中的一部分工作，都可以通过人工智能提升效率，辅助开发与测试发现更多的问题，降低成本和提高软件质量。

人工智能可以帮助我们发现各种类型的 bug，包含：

1. 代码执行报错。

2. 没有实现需求。

3. 变量命名不规范。

代码执行报错

以下代码的逻辑非常简单，给定一段列表 a，列表 a 中有四个元素，要从列表 a 中找到索引为 5 的元素，很容易就会发现，这段代码一定是跑不通的。这种会执行报错的代码，copilot 可以很容易帮我们定位到其中的问题。

1. 输入错误代码:

1. 给到提示词：请找出以上代码的bug，先说明错误在哪并修复。

2. 根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息，精准的定位到了问题。

没有实现需求

以下代码原本是一段冒泡排序的代码，但是冒泡排序通常要求：从小到大排序，但是这段代码是从大到小排序。接下来，可以通过 copilot 发现其中的 Bug 所在。

1. 输入错误代码:

1. 给到提示词：# bubble_sort()是一段实现了冒泡排序算法的函数请找出缺陷，先提示在问题是什么，然后再给出修改后的代码

2. 根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息，精准的定位到了问题。

变量命名不规范

以下代码没有什么特别严重的问题，只是在变量名命名上面不符合 Python PEP8 的规范。但是 copilot 偶尔也能发现这种命名不规范的问题：

1. 输入不规范的代码：

1. 给到提示词：请指出以上代码不符合规范的地方，并予以修改

2. 根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息：

1. 但是这种类型的问题， copilot 也有很多时候发现不了，或者给出的提示毫无价值。所以也不能完全依赖 copilot 返回的结果内容。

总结

在这个章节，主要学习了在代码层面，基于人工智能工具，如何帮助我们查找Bug的技巧。其中Bug的类型也分为多种，主要包含以下几种：

1. 代码执行报错。

2. 没有实现需求。

3. 变量命名不规范。