โมเดลภาษาขนาดใหญ่ (LLMS) เช่น GPT-4 ได้รับการใช้งานมากขึ้นเพื่อทำงานการเข้ารหัสที่หลากหลายใน Python โดยอัตโนมัตินำเสนอประสิทธิภาพและความสะดวกในการดำเนินกิจกรรมการเขียนโปรแกรมที่ซับซ้อนหรือซ้ำ ๆ ต่อไปนี้เป็นตัวอย่างในโลกแห่งความเป็นจริงและสถานการณ์ทั่วไปที่ LLM ถูกนำไปใช้กับเวิร์กโฟลว์การเข้ารหัสอัตโนมัติโดยใช้ Python:
แอปพลิเคชั่นทั่วไปหนึ่งแอปพลิเคชันคือการแปลงและการจัดการรูปแบบข้อมูลโดยอัตโนมัติ ตัวอย่างเช่นผู้ใช้จัดการกับตาราง HTML และจำเป็นต้องแปลงเป็นไฟล์ JSON เพื่อจัดการหรือนำข้อมูลกลับมาใช้ใหม่ได้อย่างง่ายดาย โดยการอธิบายอินพุตที่แน่นอน (ตาราง HTML) และเอาต์พุตที่ต้องการ (ไฟล์ JSON) LLM สามารถสร้างสคริปต์ Python โดยอัตโนมัติซึ่งจัดการการแยกวิเคราะห์ HTML และจัดโครงสร้างข้อมูลในรูปแบบ JSON สิ่งนี้จะช่วยขจัดความจำเป็นในการเข้ารหัสด้วยตนเองและช่วยให้แม้แต่โปรแกรมที่ไม่ใช่โปรแกรมการเปลี่ยนแปลงดังกล่าวได้อย่างมีประสิทธิภาพ ในทำนองเดียวกันการแยกข้อมูลเฉพาะเช่นที่อยู่อีเมลจากไฟล์ข้อความเป็นงานอัตโนมัติที่พบบ่อย การให้พรอมต์ที่ขอให้สคริปต์ Python ระบุและรวบรวมที่อยู่อีเมลโดยใช้นิพจน์ทั่วไปช่วยให้ LLM สามารถสร้างรหัสเฉพาะเพื่อทำการสกัดนี้โดยอัตโนมัติและบันทึกผลลัพธ์ในรูปแบบที่ใช้งานได้
การใช้ LLM ที่มีค่าอีกอย่างหนึ่งคือการวิเคราะห์การตอบแบบสำรวจที่เก็บไว้ในไฟล์ CSV ตัวอย่างเช่นการนับคำตอบที่เกิดขึ้นเช่น "ใช่" หรือ "ไม่" สำหรับคำถามเฉพาะเป็นงานที่น่าเบื่อเมื่อทำด้วยตนเอง โดยการสอน LLM เพื่อสร้างรหัส Python ที่อ่าน CSV และนับการตอบแบบสำรวจผู้ใช้จะได้รับโซลูชันทันทีที่อาจต้องใช้ความรู้และเวลาในการพัฒนา รูปแบบของการใช้ LLMS นี้เพื่อสร้างรหัสสำหรับการสรุปข้อมูลอย่างง่ายหรืองานการแปลงเป็นที่แพร่หลายในบริบทการดูแลระบบและการวิเคราะห์
นักพัฒนายังใช้ LLM เพื่อเร่งการเขียนฟังก์ชั่น Python ที่กำหนดเองเพื่อวัตถุประสงค์ขั้นสูงและเฉพาะเจาะจง โดยละเอียดพร้อมที่จะระบุลายเซ็นฟังก์ชั่นและพฤติกรรมมักจะให้รหัสการทำงานได้อย่างรวดเร็ว ตัวอย่างเช่นเวิร์กโฟลว์หนึ่งที่เกี่ยวข้องกับการขอฟังก์ชัน Python แบบอะซิงโครนัสเพื่อดาวน์โหลดไฟล์ไปยังไดเรกทอรีชั่วคราวตรวจสอบขนาดของมันและยืนยันการตรวจสอบความถูกต้องโดยใช้คำสั่ง SQLite LLM ผลิตรหัสอย่างรวดเร็วประหยัดเวลาอย่างมากเมื่อเทียบกับการวิจัยด้วยตนเองและการใช้ฟังก์ชันการทำงานที่แม่นยำ ตัวอย่างนี้แสดงให้เห็นว่า LLMs สามารถทำหน้าที่เป็นผู้ช่วยการเข้ารหัสดิจิตอลแปลคำอธิบายระดับสูงอย่างรวดเร็วในการทำงานฟังก์ชั่นทดสอบที่ได้รับการปรับให้เหมาะสมสำหรับไลบรารีเฉพาะเช่น Asyncio และ HTTPX
การทดสอบและการสร้างรหัสการตรวจสอบความถูกต้องเป็นอีกพื้นที่หนึ่งที่ LLMS ส่องแสง หลังจากสร้างรหัสหลักนักพัฒนามักจะแจ้งให้ LLM เขียนการทดสอบหน่วยโดยใช้เฟรมเวิร์กยอดนิยมเช่น pytest การสร้างแบบตีคู่นี้ทำให้มั่นใจได้ว่ารหัสอัตโนมัติไม่เพียง แต่ผลิต แต่ยังมาพร้อมกับขั้นตอนการตรวจสอบเพิ่มความน่าเชื่อถือและเร่งความเร็วในการพัฒนาซอฟต์แวร์ ความสามารถของ LLM ในการจดจำแนวทางปฏิบัติที่ดีที่สุดทั่วไปจัดการสถานการณ์ข้อยกเว้นและเพิ่มเอกสารเพิ่มเติมช่วยเพิ่มคุณภาพของรหัส
การวิจัยในการเปลี่ยนแปลงรหัสอัตโนมัติและการปรับโครงสร้างยังเน้นถึงพลังของ LLM เครื่องมือเช่น Pycraft ใช้ LLM เพื่อสร้างตัวแปรหลายรหัสสำหรับสำนวนการเขียนโปรแกรมที่กำหนดครอบคลุมตัวแปรที่มองไม่เห็นด้วยรูปแบบวากยสัมพันธ์ที่แตกต่างกัน วิธีการนี้อำนวยความสะดวกในการปรับเปลี่ยนรหัสอัตโนมัติการแก้ไขข้อผิดพลาดและการปรับโครงสร้างใหม่ที่ปรับให้เข้ากับความตั้งใจของนักพัฒนาในขณะที่มั่นใจในความถูกต้องและการบังคับใช้ การใช้การทดสอบแบบคงที่และแบบไดนามิกระบบจะกรองตัวแปรที่มีประโยชน์จากแบบที่ผิดพลาดแสดงให้เห็นว่า LLMS สามารถทำงานด้านวิศวกรรมซอฟต์แวร์ที่ซับซ้อนได้โดยอัตโนมัตินอกเหนือจากการเขียนสคริปต์ที่แยกได้
ในที่ทำงานอัตโนมัติหลายคนได้ควบคุม LLMs สำหรับงานประจำ แต่มีผลกระทบ ตัวอย่างที่รายงานในสภาพแวดล้อมระดับมืออาชีพรวมถึงการสกัด URL หรือข้อมูลเมตาอื่น ๆ โดยอัตโนมัติจากประวัติศาสตร์การกระทำในที่เก็บรหัสการสร้างรายงานและการสร้างสคริปต์การดูแลระบบที่ทำให้การดำเนินงานประจำวันง่ายขึ้น ด้วยการรวมสคริปต์ Python ที่สร้างขึ้นด้วย LLM เข้ากับข้อมูลที่มีอยู่และสินทรัพย์รหัสผู้ใช้รายงานการประหยัดเวลาอย่างมีนัยสำคัญและประสิทธิภาพที่ดีขึ้นมักจะสร้างความประทับใจให้กับเพื่อนร่วมงานด้วยความซับซ้อนของโซลูชันอัตโนมัติที่ผลิตโดยใช้พรอมต์ภาษาธรรมชาติ
นอกจากนี้บางโครงการใช้โมเดลแอ็คชั่นขนาดใหญ่ (LAM) ซึ่งผู้ใช้กำหนดการกระทำของ Python แบบกำหนดเองที่รวมเข้ากับ LLM เพื่อดำเนินงานแบบเลเยอร์และซับซ้อน โมดูลที่เข้ารหัส Python เหล่านี้ช่วยให้ผู้ที่ไม่ได้ใช้งานได้เรียกใช้ฟังก์ชันการทำงานที่ซับซ้อนเพียงแค่ใช้คำสั่งภาษาธรรมชาติผ่าน LLMS ขยายขอบเขตของระบบอัตโนมัติไปยังโดเมนปัญหาที่หลากหลาย แพ็คเกจ Python ที่ใช้กันทั่วไปในสถานการณ์เหล่านี้รวมถึง BeautifulSoup สำหรับการขูด, urllib3, คำขอสำหรับการโทร HTTP และ Pyyaml สำหรับการจัดการการกำหนดค่า
อีกขอบเขตหนึ่งคือการสร้างตัวแทนที่สร้างดำเนินการตรวจสอบและดีบั๊กโดยอัตโนมัติ ระบบที่รวม LLMs เข้ากับสภาพแวดล้อมการดำเนินการสร้างเวิร์กโฟลว์วงจรที่ตัวแทนเขียนรหัสเพื่อแก้ปัญหาที่กำหนดเรียกใช้เพื่อตรวจสอบความสำเร็จหรือข้อผิดพลาดและหากจำเป็นให้แก้ไขรหัสซ้ำ ๆ จนกว่าจะได้ผลลัพธ์ที่ตั้งใจไว้ การสร้างรหัสอัตโนมัติและลูปข้อเสนอแนะเหล่านี้เป็นตัวอย่างที่ LLMS ขยายการใช้งานจากการเขียนโค้ดแบบสแตนด์อโลนเพื่อให้ระบบอัตโนมัติในการแก้ปัญหาเสร็จสมบูรณ์ด้วยการกำกับดูแลของมนุษย์น้อยที่สุด
โดยสรุปตัวอย่างในโลกแห่งความเป็นจริงของงานการเข้ารหัสอัตโนมัติกับ LLMS ใน Python รวมถึง:
- การแปลงข้อมูลที่มีโครงสร้างเช่นตาราง HTML เป็น JSON
- การแยกข้อมูลเฉพาะเช่นอีเมลจากไฟล์ข้อความ
- สรุปหรือนับการตอบสนองภายในข้อมูลการสำรวจที่ใช้ CSV
- การสร้างฟังก์ชั่นอะซิงโครนัสที่ซับซ้อนด้วยการตรวจสอบความถูกต้องและการจัดการข้อผิดพลาด
- เขียนการทดสอบหน่วยโดยอัตโนมัติเพื่อตรวจสอบรหัสที่สร้างขึ้น
- การปรับเปลี่ยนรหัสอัตโนมัติและการแก้ไขข้อผิดพลาดโดยใช้การสร้างตัวแปรทางไวยากรณ์
- การสกัด URL หรือข้อมูลเมตาจากระบบควบคุมเวอร์ชันกระทำประวัติศาสตร์
-การปรับใช้โมดูลการกระทำที่ผู้ใช้กำหนดเองได้ในกรอบระบบอัตโนมัติที่ขับเคลื่อนด้วย LLM
-การใช้งานตัวแทนการสร้างรหัสการตรวจสอบการตรวจสอบซึ่งจะปรับแต่งเอาต์พุตของพวกเขาด้วยตนเอง