Автоматическое создание скриптов Python: подходы и примеры

Расширенные примеры генерации кода Python

Представлены более сложные и неочевидные сценарии с полными реализациями и выводами.

Пример 1: Диалоговая генерация с многошаговым уточнением через OpenAI

Запрос: «создай скрипт, который читает CSV и строит гистограмму». Модель может предложить код, а затем пользователь уточняет: «используй seaborn вместо matplotlib».

import openai

openai.api_key = "sk-..."
messages = [
    {"role": "user", "content": "Напиши скрипт на Python, который загружает данные из CSV файла 'data.csv' (столбцы: name, age, salary) и строит гистограмму колонки age."}
]
response = openai.ChatCompletion.create(model="gpt-4", messages=messages)
first_code = response.choices[0].message.content
print("Первый вариант:")
print(first_code)

messages.append({"role": "user", "content": "Замени matplotlib на seaborn и добавь заголовок графика."})
response = openai.ChatCompletion.create(model="gpt-4", messages=messages)
second_code = response.choices[0].message.content
print("\nУлучшенная версия:")
print(second_code)

Первый вариант:
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')
plt.hist(df['age'])
plt.show()

Улучшенная версия:
import pandas as pd
import seaborn as sns

df = pd.read_csv('data.csv')
sns.histplot(data=df, x='age')
plt.title('Распределение возраста')
plt.show()

Пример 2: Генерация асинхронного кода с помощью модели CodeGen

Модель CodeGen может генерировать код с ключевыми словами async/await. Запрос на создание веб-скрейпера с aiohttp.

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-2B-mono")
model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-2B-mono")

prompt = "async def fetch_urls(urls):\n    \"\"\"Fetch multiple URLs concurrently using aiohttp\"\"\""
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200, do_sample=True, temperature=0.4)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

async def fetch_urls(urls):
    """Fetch multiple URLs concurrently using aiohttp"""
    import aiohttp
    async with aiohttp.ClientSession() as session:
        tasks = [session.get(url) for url in urls]
        responses = await asyncio.gather(*tasks)
        return responses

Пример 3: Создание фабрики кода на основе декораторов и метапрограммирования

Здесь не используется нейросеть, но реализуется автоматическая генерация getter/setter методов для класса на основе аннотаций.

def auto_properties(**types):
    def wrapper(cls):
        for name, typ in types.items():
            setattr(cls, name, property(
                lambda self, n=name: getattr(self, '_'+n),
                lambda self, val, n=name, t=typ: setattr(self, '_'+n, t(val))
            ))
        return cls
    return wrapper

@auto_properties(name=str, age=int, salary=float)
class Employee:
    def __init__(self, name, age, salary):
        self._name = name
        self._age = age
        self._salary = salary

emp = Employee("Anna", 30, 50000.50)
print(emp.name, emp.age, emp.salary)
emp.salary = 55000
print(emp.salary)

Anna 30 50000.5
55000.0

Пример 4: Генерация кода через RAG (Retrieval Augmented Generation) с локальной базой примеров

Для специфичной предметной области (например, генерация кода для работы с API Яндекс.Метрики) можно извлекать похожие примеры из локального хранилища и добавлять их в промпт.

import chromadb
from openai import OpenAI

client = OpenAI(api_key="...")
collection = chromadb.Client().create_collection("code_examples")
# Предполагается, что коллекция заполнена парами (описание, код)
results = collection.query(query_texts=["получить список счетчиков метрики"], n_results=2)
context = "\n".join([res['code'] for res in results['metadatas'][0]])

prompt = f"Используя следующие примеры:\n{context}\nНапиши код для получения списка целей счётчика."
response = client.chat.completions.create(model="gpt-4", messages=[{"role":"user", "content": prompt}])
print(response.choices[0].message.content)

(пример вывода зависит от содержимого БД, но обычно это корректный код с авторизацией и обработкой ответа)