Нейросети как инструмент для написания кода на Python: от простых запросов до сложных решений

Расширенные примеры использования

Генерация класса с методами и док-строками

import openai

openai.api_key = "YOUR_API_KEY"

prompt = "Создай класс Python для управления библиотекой книг.\nКласс должен содержать:\n- атрибуты: список книг\n- методы: добавить книгу, удалить книгу, найти по названию, вывести все книги\n- каждая книга - объект с полями title, author, year\n- док-строки для методов\n\nТолько код, без пояснений."

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "Ты опытный Python-разработчик."},
        {"role": "user", "content": prompt}
    ],
    temperature=0.7
)

print(response.choices[0].message.content)

class Book:
    def __init__(self, title, author, year):
        self.title = title
        self.author = author
        self.year = year

class Library:
    def __init__(self):
        self.books = []

    def add_book(self, book):
        """Добавляет книгу в библиотеку."""
        self.books.append(book)

    def remove_book(self, title):
        """Удаляет книгу по названию."""
        self.books = [b for b in self.books if b.title != title]

    def find_by_title(self, title):
        """Ищет книгу по названию."""
        for book in self.books:
            if book.title == title:
                return book
        return None

    def list_books(self):
        """Выводит все книги."""
        for book in self.books:
            print(f"{book.title} by {book.author} ({book.year})")

Пояснение: запрос сформулирован детально, модель сгенерировала полный код с классами и док-строками.

Генерация юнит-тестов для существующей функции

import openai

openai.api_key = "YOUR_API_KEY"

function_code = "def factorial(n):\n    if n < 0:\n        raise ValueError(\"Factorial not defined for negative numbers\")\n    return 1 if n == 0 else n * factorial(n-1)\n"

prompt = "Напиши набор тестов pytest для следующей функции:\n" + function_code + "\nТесты должны покрывать нормальные случаи, граничные и ошибочные."

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.5
)

print(response.choices[0].message.content)

import pytest

def test_factorial_zero():
    assert factorial(0) == 1

def test_factorial_one():
    assert factorial(1) == 1

def test_factorial_positive():
    assert factorial(5) == 120
    assert factorial(3) == 6

def test_factorial_negative():
    with pytest.raises(ValueError):
        factorial(-1)

def test_factorial_large():
    assert factorial(10) == 3628800

Использование стриминга для пошагового вывода кода

import openai

openai.api_key = "YOUR_API_KEY"

stream = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Напиши функцию сортировки списка пузырьком с пояснениями в комментариях."}],
    stream=True,
    temperature=0.3
)

for chunk in stream:
    if 'content' in chunk['choices'][0]['delta']:
        print(chunk['choices'][0]['delta']['content'], end='')

Результат выводится постепенно, удобно для отображения длинных ответов.

Генерация кода с использованием локальной модели StarCoder

from transformers import AutoTokenizer, AutoModelForCausalLM

model_name = "bigcode/starcoder"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map="auto")

prompt = "def read_csv_file(filename):\n    import csv\n    with open(filename, 'r') as f:\n        reader = csv.reader(f)\n        data = list(reader)\n    return data\n\ndef write_json(data, filename):\n    import json\n"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(inputs.input_ids, max_new_tokens=150, temperature=0.4)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Пояснение: модель StarCoder специализирована на коде, может генерировать большие фрагменты.

Настройка параметров генерации для уменьшения случайности

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Напиши функцию, которая проверяет, является ли строка палиндромом"}],
    temperature=0.1,
    top_p=0.95,
    frequency_penalty=0.0,
    presence_penalty=0.0,
    max_tokens=200
)
print(response.choices[0].message.content)

При низкой температуре модель выбирает наиболее вероятные токены, код становится предсказуемым.