Как нейросети помогают писать код на Python: GitHub Copilot, ChatGPT и альтернативы

Расширенные примеры использования ИИ для Python кода

Ниже приведены нестандартные сценарии, демонстрирующие возможности ИИ помощников.

Пример 1: Генерация модульных тестов с помощью GitHub Copilot

Задача: написать тесты для функции, проверяющей палиндром. Copilot предлагает полный набор тестов после написания документации.

Код функции:

def is_palindrome(s: str) -> bool:
    """Возвращает True, если строка является палиндромом (без учёта регистра и пробелов)."""
    cleaned = ''.join(ch.lower() for ch in s if ch.isalnum())
    return cleaned == cleaned[::-1]

После этого пишем комментарий # тесты для is_palindrome и Copilot генерирует:

import unittest

class TestIsPalindrome(unittest.TestCase):
    def test_palindrome_simple(self):
        self.assertTrue(is_palindrome("racecar"))

    def test_palindrome_with_spaces(self):
        self.assertTrue(is_palindrome("A man a plan a canal Panama"))

    def test_non_palindrome(self):
        self.assertFalse(is_palindrome("hello"))

    def test_empty_string(self):
        self.assertTrue(is_palindrome(""))

    def test_palindrome_with_mixed_case(self):
        self.assertTrue(is_palindrome("RaCeCaR"))

Результат выполнения тестов (при условии, что функция определена):

.....
----------------------------------------------------------------------
Ran 5 tests in 0.001s

OK

Пример 2: Рефакторинг старого кода с помощью ChatGPT

Исходный код (неэффективный цикл):

numbers = [1, 2, 3, 4, 5]
squares = []
for n in numbers:
    squares.append(n**2)

Запрос к ChatGPT: Преобразуй этот код в однострочный с map и lambda. Ответ:

squares = list(map(lambda x: x**2, numbers))

Результат (при печати print(squares)):

[1, 4, 9, 16, 25]

Пример 3: Создание сложного FastAPI приложения с помощью Tabnine

После написания from fastapi import FastAPI Tabnine может предложить полный скелет приложения с маршрутами и документацией:

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
async def read_root():
    return {"message": "Hello World"}

@app.post("/items/")
async def create_item(item: dict):
    return {"item": item, "id": 1}

Результат запроса GET к / через curl:

{"message":"Hello World"}

Пример 4: Исправление ошибки с помощью ChatGPT (debugging)

Пользователь предоставляет код с ошибкой:

def divide(a, b):
    return a / b

print(divide(10, 0))

Запрос: Почему возникает ошибка и как её избежать? Ответ ChatGPT:

def divide(a, b):
    if b == 0:
        return "Ошибка: деление на ноль"
    return a / b

Результат после исправления:

Ошибка: деление на ноль

Пример 5: Локальная генерация кода с Code Llama (нестандартный случай)

Использование модели для генерации кода асинхронной выборки данных из базы данных:

Команда для запуска (в терминале после установки библиотек):

python -c "
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained('codellama/CodeLlama-7b-hf', device_map='auto')
tokenizer = AutoTokenizer.from_pretrained('codellama/CodeLlama-7b-hf')
prompt = 'async def fetch_users(user_ids: list[int]) -> list[dict]:'
inputs = tokenizer(prompt, return_tensors='pt')
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
"

Пример сгенерированного кода (сокращён):

async def fetch_users(user_ids: list[int]) -> list[dict]:
    async with aiohttp.ClientSession() as session:
        tasks = []
        for uid in user_ids:
            url = f'https://api.example.com/users/{uid}'
            tasks.append(session.get(url))
        responses = await asyncio.gather(*tasks)
        return [await r.json() for r in responses]