大型语言模型（LLM）虽能节省时间等，但了解其局限性及有效引导输出很重要。本博客探索了在日常开发任务中如何充分利用 LLM：

• 介绍：系列第三部分探讨 LLM 如何支持开发者生成 UML 图等，给出前两篇文章链接及所用工具和设置，还介绍了阅读博客的先决条件。
• 任务：从 SQL 生成 PlantUML：尝试让 AI 从 PostgreSQL 模式生成 PlantUML 图，发现其在展示主键和外键、关系完整性等方面存在问题，不同 LLM 效果不同，可通过指出错误等方法改进。
• 任务：生成 PlantUML 类图：让 AI 生成 PlantUML 类图，发现关系、可见性等方面存在问题，AI 虽能生成类但关系等仍需修正。
• 任务：生成 OpenAPI 规范：AI 能根据有限信息生成有效的 OpenAPI 规范，只需添加 ID 等信息。
• 任务：生成功能：在 Spring PetClinic 中添加新的搜索宠物功能，起初本地 LLM 受限，改用云 LLM 后经多次迭代成功，添加新菜单项但存在异常，经修复后功能正常。
• 任务：生成测试数据：在 Spring PetClinic 中让 AI 生成测试数据，起初响应不佳，拆分任务后逐步生成，最终生成完整可用的数据，表明将任务拆分可获得更好结果。
• 结论：LLM 生成 UML 图能正确生成表但关系需自行指定；生成 OpenAPI 规范效果好可节省时间；生成功能时本地 LLM 受硬件限制，云 LLM 可实现；生成测试数据可拆分任务以获更好结果，还可通过多种技巧改进 LLM 响应。