Dideli kalbų modeliai (LLM), pavyzdžiui, GPT-4, vis labiau naudojami automatizuoti įvairias kodavimo užduotis „Python“, siūlantys efektyvumą ir lengvą vykdant sudėtingą ar pasikartojančią programavimo veiklą. Toliau pateikiami realaus pasaulio pavyzdžiai ir tipiniai scenarijai, kai LLM buvo pritaikytos automatizuoti kodavimo darbo eigą naudojant „Python“:
Viena įprasta programa yra duomenų formatų konvertavimo ir tvarkymo automatizavimas. Pavyzdžiui, vartotojai susiduria su HTML lentelėmis ir jiems reikia paversti jas į JSON failus, kad būtų galima lengvai manipuliuoti ar pakartotinai naudoti duomenis kitur. Apibūdindamas tikslų įvestį (HTML lentelę) ir norimą išvestį (JSON failą), LLM gali automatiškai generuoti „Python“ scenarijus, kurie tvarko HTML analizę ir struktūrizuoja duomenis JSON formatu. Tai pašalina rankinio kodavimo poreikį ir leidžia net neprogrameriams efektyviai atlikti tokias transformacijas. Panašiai konkrečios informacijos ištraukimas, pavyzdžiui, el. Pašto adresai iš tekstinio failo, yra dar viena dažna automatizavimo užduotis. Pateikdami raginimą, kuriame prašoma „Python“ scenarijaus, kad būtų galima nustatyti ir rinkti el. Pašto adresus naudojant įprastas išraiškas, LLM gali sugeneruoti specialų kodą, kad būtų galima automatizuoti šią ištraukimą ir išsaugoti rezultatus tinkamu formatu.
Kitas vertingas LLMS naudojimas yra automatizuojant CSV failuose saugomų apklausų atsakymų analizę. Pvz., Atsakymų, tokių kaip „taip“ arba „ne“, skaičiavimas konkrečiuose klausimuose yra varginanti užduotis, kai tai atliekama rankiniu būdu. Nurodydamas LLM gaminti „Python“ kodą, kuris nuskaito CSV ir sustiprina apklausos atsakymus, vartotojas gauna tiesioginį sprendimą, kuriam priešingu atveju prireiktų žinių apie programavimą ir laiką. Šis LLMS naudojimo modelis, norint generuoti kodą paprastam duomenų apibendrinimui ar transformacijos užduotims, yra plačiai paplitęs administraciniame ir analitiniame kontekste.
Kūrėjai taip pat panaudojo LLM, norėdami pagreitinti pasirinktinių „Python“ funkcijų rašymą pažengusiems ir specifiniams tikslams. Išsamus raginimas, nurodantis funkcijos parašą ir elgesį, dažnai greitai sukuria funkcinį kodą. Pvz., Vienoje darbo eigoje buvo prašoma asinchroninio „Python“ funkcijos atsisiųsti failą į laikiną katalogą, patikrinti jo dydį ir patvirtinti pagrįstumo patikrinimus naudojant „SQLite“ komandas. LLM greitai sukūrė kodą, sutaupydamas nemažą laiką, palyginti su rankiniu būdu tyrimais ir tikslaus funkcionalumo tyrimais ir įgyvendinimu. Šis pavyzdys parodo, kaip LLMS gali veikti kaip skaitmeninio kodavimo padėjėjai, greitai verčiant aukšto lygio aprašymus į veikiančias, išbandytas funkcijas, optimizuotas tam tikroms bibliotekoms, tokioms kaip „Asyncio“ ir „HTTPX“.
Testavimo ir patvirtinimo kodo generavimas yra dar viena sritis, kurioje šviečia LLM. Sukūrę pagrindinį kodą, kūrėjai dažnai ragina LLM rašyti vienetų testus naudodamiesi populiariomis rėmais, tokiais kaip „Pytest“. Ši tandeminė karta užtikrina, kad automatizuotas kodas būtų sukurtas ne tik, bet ir pateikiamas su patikrinimo procedūromis, padidina patikimumą ir padidina programinės įrangos kūrimo gyvavimo ciklą. LLM gebėjimas atsiminti bendrą geriausią praktiką, tvarkyti išimties scenarijus ir pridėti dokumentaciją dar labiau padidina kodo kokybę.
Automatinio kodo pakeitimo ir refaktavimo tyrimai taip pat pabrėžia LLM galią. Tokie įrankiai, kaip „Pycraft“, naudoja LLM, kad sugeneruotų kelis kodo variantus, kad būtų nurodytos programavimo idiomos, apimančios nematytus variantus su skirtingais sintaksiniais stiliais. Šis požiūris palengvina automatizuotus kodo modifikacijas, klaidų taisymą ir reagavimą, kuris prisitaiko prie kūrėjo ketinimų, užtikrinant teisingumą ir pritaikomumą. Naudojant statinius ir dinaminius testus, sistema filtruoja naudingus variantus iš klaidingų, parodydami, kaip LLMS gali automatizuoti sudėtingas programinės įrangos inžinerijos užduotis, ne tik rašant izoliuotus scenarijus.
Darbo vietos automatizavime daugelis panaudojo LLM, kad būtų galima atlikti įprastas, bet įtakingas užduotis. Profesinės aplinkos pavyzdžiai apima URL ar kitų metaduomenų ištraukimo automatizavimą iš „Code“ saugyklų įsipareigojimo istorijų, ataskaitų generavimo ir administracinių scenarijų, kurie supaprastina kasdienes operacijas, kūrimas. Derindami LLM sukurtus „Python“ scenarijus su esamais duomenimis ir kodo turtu, vartotojai praneša apie daug laiko sutaupytus laiko ir pagerintą efektyvumą, dažnai sužavėdami kolegas, susijusius su automatinių sprendimų, pagamintų naudojant natūralių kalbų raginimus, rafinuotumu.
Be to, kai kurie projektai įgyvendina didelius veiksmų modelius (LAMS), kai vartotojai apibrėžia pasirinktinius „Python“ veiksmus, integruotus su LLM, kad jie atliktų sluoksniuotas ir sudėtingas užduotis. Šie „Python“ koduoti moduliai įgalina neekspertus remtis sudėtingesniu funkcionalumu tiesiog naudodamiesi natūralių kalbų komandomis, tarpininkaujančiomis per LLMS, padidindami automatikos apimtį į įvairias problemines sritis. Šiuose scenarijuose dažniausiai naudojami „Python“ paketai yra „BeautifulSoup“, skirta grandyti, urllib3, HTTP skambučių užklausas ir „Pyyaml“ konfigūracijos tvarkymui.
Kita praktinė sfera yra agentų, kurie automatiškai generuoja, vykdys, patikrina, tikrina ir derinimo kodą, sukūrimas. Sistemos, derinančios LLM su vykdymo aplinka, sukuria ciklines darbo eigas, kai agentas rašo kodą tam, kad išspręstų nurodytą užduotį, vykdo ją, kad patikrintų sėkmę ar klaidą, ir, jei reikia, pakartotinai peržiūri kodą, kol bus pasiektas numatytas rezultatas. Šios automatizuotos kodo generavimo ir grįžtamojo ryšio kilpos parodo, kaip LLM pratęsia savo naudojimą nuo autonominio kodo rašymo iki išsamios užduoties sprendimo automatizavimo su minimalia žmogaus priežiūra.
Apibendrinant galima pasakyti, kad realaus pasaulio kodavimo užduočių automatizavimo pavyzdžiai Python mieste yra::
- Struktūrizuotų duomenų, tokių kaip HTML lentelės, paverčia JSON.
- Ištraukiant konkrečią informaciją, tokią kaip el. Laiškai iš tekstinių failų.
- Apibendrinant ar skaičiuojant atsakymus pagal CSV pagrįstus apklausos duomenis.
- Sudėtingų asinchroninių funkcijų generavimas su patvirtinimu ir klaidų tvarkymu.
- automatiškai rašyti vieneto testus, kad patikrintumėte sugeneruotą kodą.
- Automatizavimas kodo refaktoravimas ir klaidų pataisos naudojant sintaksinių variantų generavimą.
- URL arba metaduomenų ištraukimas iš versijos valdymo sistemos įsipareigojimo istorijos.
-Vartotojo įvedamų veiksmų modulių diegimas LLM varomose automatikos sistemose.
-Kodų generavimo ir vykdymo agentų, kurie savarankiškai patikslina jų išvestis, įgyvendinimas.