关于chatgpt:顺应潮流解放双手让ChatGPT不废话直接帮忙编写可融入业务可运行的程序代码Python310实现

37次阅读

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

正文完
 0