共计 4141 个字符，预计需要花费 11 分钟才能阅读完成。
家喻户晓，ChatGPT 能够帮忙研发人员编写或者 Debug 程序代码，然而在执行过程中，ChatGPT 会将程序代码的一些相干文字解释和代码段混合着返回，如此，研发人员还须要本人进行编辑和粘贴操作，效率上差强人意，本次咱们试图将 ChatGPT 间接嵌入到代码业务中，让 ChatGPT 生成能够间接运行的代码。
ChatGPT 的主观答复问题
首先，咱们向 ChatGPT 提出一个简略的代码需要：
能够看到，就像上文所形容的那样，ChatGPT 会将文字描述和代码片段混合着返回，其实对于真正的需求者来说，文字描述自身是不必要的，因为如果提问者不晓得什么是布隆过滤器，也就不会提出布隆过滤器相干的代码需要。
再看 ChatGPT 返回的布隆过滤器代码：
| import hashlib | |
| class BloomFilter: | |
| def __init__(self, size, hash_count): | |
| self.size = size | |
| self.hash_count = hash_count | |
| self.bit_array = [False] * size | |
| def add(self, string): | |
| for seed in range(self.hash_count): | |
| result = hashlib.sha256((string + str(seed)).encode()).hexdigest() | |
| index = int(result, 16) % self.size | |
| self.bit_array[index] = True | |
| def __contains__(self, string): | |
| for seed in range(self.hash_count): | |
| result = hashlib.sha256((string + str(seed)).encode()).hexdigest() | |
| index = int(result, 16) % self.size | |
| if not self.bit_array[index]: | |
| return False | |
| return True |
大体上，没有故障。然而主观性太强，什么是主观性？就是 ChatGPT 其实不是站在需求者的视角来编写代码，而是站在本人的角度上，它没有思考业务的上下文关系，也就是类和办法命名、办法参数、以及参数类型或者返回值以及类型，这些货色是否合乎需求者以后的代码业务。
当然，这并不是 ChatGPT 的错，次要是输出的问题形容不够明确和具体，但如果每次都须要将代码业务逻辑转化为文字通知 ChatGPT，又有些画龙点睛，狗尾续貂之感。
基于业务配置 ChatGPT
那么怎么将 ChatGPT 融入业务代码？首先创立 Openai 接入函数：
| import openai | |
| openai.api_key = "apikey" | |
| def generate_code(func, docstring): | |
| init_prompt = "You are a Python expert who can implement the given function." | |
| definition = f"def {func}" | |
| prompt = f"Read this incomplete Python code:\n```python\n{definition}\n```" | |
| prompt += "\n" | |
| prompt += f"Complete the Python code that follows this instruction:'{docstring}'. Your response must start with code block'```python'." | |
| response = openai.ChatCompletion.create( | |
| model="gpt-3.5-turbo", | |
| temperature=0, | |
| max_tokens=1024, | |
| top_p=1, | |
| messages=[ | |
| { | |
| "role": "system", | |
| "content": init_prompt, | |
| }, | |
| { | |
| "role": "user", | |
| "content": prompt, | |
| }, | |
| ], | |
| ) | |
| codeblock = response.choices[0].message.content | |
| code = next(filter(None, codeblock.split("```python"))).rsplit("```", 1)[0] | |
| code = code.strip() | |
| return code |
窍门就是提前设置好疏导词：
| init_prompt = "You are a Python expert who can implement the given function." | |
| definition = f"def {func}" | |
| prompt = f"Read this incomplete Python code:\n```python\n{definition}\n```" | |
| prompt += "\n" | |
| prompt += f"Complete the Python code that follows this instruction:'{docstring}'. Your response must start with code block'```python'." |
这里咱们提前设置两个参数 func 和 docstring，也就是函数名和性能形容，要求 ChatGPT 严格依照参数的输出来返回代码，当初运行函数：
| if __name__ == '__main__': | |
| print(generate_code("test","Sum two numbers")) |
程序返回：
| ➜ chatgpt_write_code /opt/homebrew/bin/python3.10 "/Users/liuyue/wodfan/work/chatgpt_write_code/chatgpt_write_code.p | |
| y" | |
| def test(a, b): | |
| return a + b |
如此一来，ChatGPT 就不会返回废话，而是间接交给咱们能够运行的代码。
装璜器调用 ChatGPT
事实上，函数调用环节也能够省略，咱们能够应用 Python 装璜器的闭包原理，间接将所定义函数的参数和形容传递给 ChatGPT，随后再间接运行被装璜的函数，提高效率：
| import inspect | |
| from functools import wraps | |
| def chatgpt_code(func): | |
| @wraps(func) | |
| def wrapper(*args, **kwargs): | |
| signature = f'{func.__name__}({", ".join(inspect.signature(func).parameters)}):' | |
| docstring = func.__doc__.strip() | |
| code = generate_code(signature, docstring) | |
| print(f"generated code:\n```python\n{code}\n```") | |
| exec(code) | |
| return locals()[func.__name__](*args, **kwargs) | |
| return wrapper |
将办法定义好之后，应用基于 ChatGPT 的装璜器：
| if __name__ == '__main__': | |
| @chatgpt_code | |
| def sum_two(num1,num2): | |
| """Sum two numbers.""" | |
| print(sum_two(1,2)) |
程序返回：
| ➜ chatgpt_write_code /opt/homebrew/bin/python3.10 "/Users/liuyue/wodfan/work/chatgpt_write_code/chatgpt_write_code.p | |
| y" | |
| sum_two(num1, num2): | |
| generated code: | |
| def sum_two(num1, num2): | |
| """Sum two numbers.""" | |
| return num1 + num2 | |
| 3 |
间接将业务逻辑和运行后果全副返回。
那么当初，回到开篇的对于布隆过滤器的问题：
| if __name__ == '__main__': | |
| @chatgpt_code | |
| def bloom(target:str,storage:list): | |
| """Use a Bloom filter to check if the target is in storage , Just use this func , no more class""" | |
| print(bloom("你好",["你好","Helloworld"])) |
程序返回：
| ➜ chatgpt_write_code /opt/homebrew/bin/python3.10 "/Users/liuyue/wodfan/work/chatgpt_write_code/chatgpt_write_code.p | |
| y" | |
| generated code: | |
| def bloom(target, storage): | |
| # Initialize the Bloom filter with all zeros | |
| bloom_filter = [0] * len(storage) | |
| # Hash the target and set the corresponding bit in the Bloom filter to 1 | |
| for i in range(len(storage)): | |
| if target in storage[i]: | |
| bloom_filter[i] = 1 | |
| # Check if all the bits corresponding to the target are set to 1 in the Bloom filter | |
| for i in range(len(storage)): | |
| if target in storage[i] and bloom_filter[i] == 0: | |
| return False | |
| return True | |
| True | |
| ➜ chatgpt_write_code |
丝滑晦涩，和业务连接得浑然一体，拉链般重合，不须要挑挑拣拣，也不用复制粘贴。
结语
毫无疑问，ChatGPT 确然是神兵利器，吹毛可断，无坚不摧。但工具虽好，也须要看在谁的手里，所谓工具无高下，功力有浅近，类比的话，如果倚天剑握在三岁孩童手中，不仅毫无增益，还可能伤其本身，然而握在峨眉掌门灭绝师太手里，那就能够横扫千军如卷席了，那能力体现大宗匠的伎俩。最初，奉上我的项目代码，与众乡亲同飨：github.com/zcxey2911/chatgptapi\_write\_code
