完全依賴大型語言模型 是天方夜譚｜錢琛專欄

第一，就算模型可以幫閣下生成程序，也要人手改錯（debug）。
雖然大型模型的準成度高，但不少時候會錯誤地生成程序。用家真實執行程序時會遇到問題，需要人手改錯。

須認識編程才能準確地改錯

既然需要使用人手改正錯誤的程序，用家就必須熟悉程序語言的語法，以及各種工具的使用方法。基本上用家還是需要認識編程，才能準確地改錯。
第二，大模型還未能準確地完全滿足複雜的編程要求。
假如要大型模型生成簡短的腳本（script），錯誤率不會太高，但要它生成複雜的程序，例如可以減低交易成本的執行演算法（execution algo），就算程序沒有語法錯誤，它也不能滿足用家所有要求。

筆者曾經試過利用大模型為自己寫自動執行演算法，邏輯大概是要先落限價盤，過了一段時間後，假如還有unfilled orders，就用市價盤落單，目的旨在減低平台費。
大模型確實可準確理解筆者的問題及目的，但最後成品並不能照顧所有在實盤交易時會遇到的情況。最後，還是要自己繼續編寫程序。
第三，模型未必可以正確地處理特定數據結構。炒賣時，我們會依賴數據提供商提供的收費數據作為交易指標，預測短期市況。最多數情況下，就是使用數據提供商提供的API下載數據。
不過，由於這些多數是收費數據，模型未必知道API傳出的數據結構為何，到頭來還是要人手處理這些數據。

第四，大模型較難處理結構複雜的系統。以python為例，一個較為複雜的交易系統會有不同層次的檔案，例如main script、facade、utilities等，有複雜的結構。
大模型要處理這些結構，必然有機會出現錯誤，所以還是要用家自己構思系統結構，並自行relate。
留意，大模型可以給閣下一些簡單的程序/系統設計指引，但未必可以準確處理太複雜或自訂程度高的系統。
所以，讀者可以用大模型幫助學習基本的design pattern，但並不能完全解決問題。
不能否認的是，大模型絕對是用家的編程好幫手，可以幫助快速解決簡單的編程問題，增加編程效率。

幾年前還未有ChatGPT時，筆者編程就耗費大量時間，效率絕對沒有現在般高。但是，完全依賴大模型、而對編程知識一竅不通，其實沒有可能寫出複雜的系統，頂多只能寫一些小工具，自動化一些日常雜務。
所以，目前來看，編程能力還是對交易員來說，是非常重要的資產。