目录
1、基于驱动的日志解析提问
错误日志分析【100%】
报错日志分析【90%】
错误日志分析【60%】
2、基于安卓设备调试提问
adb调试i2c【效率50%】
adb调试gpio【50%】
3、基于高通代码的提问
基于高通代码含义的解析【效率80%】
基于高通新增TP驱动提问【效率50%】
基于dtsi设备树配置提问【效率0%】
4、 基于电路模块的提问【效率90%】编辑编辑
5、基于嵌入式驱动代码提问
基于stm32 io模拟串口编写【效率50%】
基于stm32逻辑代码【100%】
基于py32的代码编写【0%】
6、总结
1、基于驱动的日志解析提问
错误日志分析【100%】
报错日志分析【90%】
由于提问者对问题的本身完全不懂，会对解析的正确性无法提出怀疑
错误日志分析【60%】
大致分析正确，但是没有针对i2c地址正确性提出怀疑，实际中是由于i2c地址出错
2、基于安卓设备调试提问
adb调试i2c【效率50%】
大致回答正确，但是不全面，对比百度中搜索排行第一的csdn博客回答的，csdn的回答更全面正确
adb调试gpio【50%】
大致回答了方向但详细步骤不全面需要多次问答并且纠错
3、基于高通代码的提问
基于高通代码含义的解析【效率80%】
基于高通新增TP驱动提问【效率50%】
大致回答正确
基于dtsi设备树配置提问【效率0%】
4、 基于电路模块的提问【效率90%】
5、基于嵌入式驱动代码提问
基于stm32 io模拟串口编写【效率50%】
存在明显的错误问题，通过io模拟串口过程中还是调用了串口函数中断
基于stm32逻辑代码【100%】
基于py32的代码编写【0%】
由于py32的实时性，网上针对py32的资料较少，chatgpt也无法分析
6、总结
通过不同问题的提问以及回答，可以发现chatgpt解析能力还是比较强的，在代码的逻辑编写和算法方面比较突出，这是毋庸置疑的，毕竟chatgpt通过海量数据和神经学习，能快速给出代码。不过，在高通驱动和PY32的代码方向，由于网上的资料较少，chatgpt也无法提高有效的解决方案。但由于chatgpt主要是依靠提问者的问题进行回答，有时候可能会对问题理解不够全面，需要提问者提供更多的背景信息和上下文，才能给出准确的答案。所以，提问者自身的水平以及提问的方法很大程度上影响chatgpt的回答的准确性，甚至在chatgpt给出答案之后，如果提问者自身没有能力或者方法对答案进行验证，那么对chatgpt的结论还是需要保持怀疑态度。
