我用 ChatGPT 的探索与实践

本文主要介绍在实际的开发过程当中，如何使用GPT帮助开发，优化流程；本文所有代码和脚本均是利用GPT生成。

技术交流群

建了技术答疑、交流群！想要进交流群、资料的同学，可以直接加微信号：mlc2060。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

方式①、添加微信号：mlc2060，备注：技术交流
方式②、微信搜索公众号：机器学习社区，后台回复：技术交流

场景一：写代码

在今年的敏捷团队建设中，我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢？由此我的Runner探索之旅开始了！

使用GPT进行代码开发是许多人做的最多的一件事，只要用自然语言把自己的需求描述清楚，就可以让GTP写出一段可执行的代码段，甚至是完整的应用。而且只要描述得足够明确清晰，产生的代码就不会有bug，非常高效。

举个实际应用的例子，在先前的版本工程有一个需求，要求对落地页的提示黄条UI进行改版，具体的需求描述为：

图1.具体需求描述

UI设计稿：

图2.UI设计稿

这是一个相当简单的需求，准备利用Flutter进行开发，现在假设有一个对dart语言不是很了解的开发者，甚至是从没有Flutter开发基础的人，通过GPT也可以进行这种简单的开发工作。在对GPT进行描述的时候，要尽量用通顺的语言将自己的需求描述清楚，并且将关键的信息点名：

图3.需求描述语言示意

这样GPT就可以帮助生成所需要的视图代码：

图4.生成代码示意

这对于没有接触过dart开发语言的开发者非常友好，由于可以任意指定编程语言，所以理论上，所有人都可以胜任全平台开发的工作。

总结了在使用GPT进行代码开发时的重点：

1. 主要信息一定要表达明确，如语言类型，目标类型、宽、高、颜色、字号、间距等数值。

2. 想象自己是产品经理或者是设计师，不用拘泥于专业术语，例如UIview、Segment、标签等等，尽量使用自然语言表达。

3. 不要存在自相矛盾的描述，100%会产生bug。

4. 有些同学在描述需求的时候容易紧张，造成语句不通。在描述的时候完全可以不要着急，慢慢措辞。

5. 不要涉密！不要涉密！不要涉密！GPT说到底是一个外部工具软件，不是一个什么问题都可以问的“树洞”，涉及到商业机密的问题都不可以拿来询问。

场景二：写脚本

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。

这是经常拿来使用的应用场景，对于一些重复性较高的劳动，编写脚本显然是最好的选择，甚至有同学认为，未来的发展方向就是脚本编写代码。脚本的开发完全也可以交由GPT来进行。比如有一个需求，由于接入主站基础库，有一些工具类的类名产生了冲突，这种情况下需要进行全工程的类名替换，这种场景就很适合使用脚本。

图5.写脚本应用场景示意

一般情况下写这样一个脚本至少需要1～2个小时左右，熟练的大佬也需要半个小时左右，但是使用GPT，几秒钟就可以生成符合要求的脚本。总结一下的几种非常适合使用脚本来处理的应用场景：

1. 全工程级别的名称替换

2. APP图片名称替换

3. 单元测试

4. 转换自然语言

这里说一下转换自然语言的作用，作为开发者，更习惯的是输入关键数值来得到结果，但是GPT需要的是自然语言的描述，毕竟叫“chat”嘛，所以可以耍个小心机：用一个简单的脚本，输入数值，输出自然语言描述，然后将描述转达给GPT。

width = int(input("请输入宽度："))
height = int(input("请输入高度："))
color = input("请输入颜色：")

view = '#' * width + '\n'
view += ('#' + ' ' * (width - 2) + '#\n') * (height - 2)
view += '#' * width

description = f"生成一个宽度为{width}，高度为{height}的视图，使用{color}颜色填充。"

print(view)
print(description)

类似于这种转换脚本，可以更高效地使用GPT。

场景三：与实际业务结合

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕

几种将GPT与实际业务结合的设想：

导购

把ChatGPT的服务集成到搜索功能中，在用户进行搜索的时候，利用他强大的功能给出用户购买的意见，对于还没有想好买不买，买那个，甚至没有想好买什么的用户，给出导向性的意见，促进转化率。

软文创作

项目中有软性广告文章展示的适用场景，相比起人工创作写作，ChatGPT不仅更为高效，还能结合大数据趋势，给出用户更感兴趣的文章类型。创作优惠活动推荐，商品评价，新品新闻等等文章，使用ChatGPT大有可为。

反向活动推荐

不能决定用户询问ChatGPT时他会给出什么样的答案，但是可以根据他的答案做反向推演，他推荐什么，我们就顺势做什么活动，这样既能利用ChatGPT带来的红利，又可以省去预测用户兴趣点带来的开销和风险。

售后

ChatGPT本质上是一个对话型的人工智能，使用他接入售后系统实际上最为合适，有了他的帮助，可以预见：用户抱怨机器人客服答非所问，无法解决问题，以及人工客服成本高昂的问题，将成为历史。

这几种设想每一个都是可以投入实际应用并落地的，也都有相当的使用价值，甚至于每一个都可以单独拿来参加“黑客马拉松”。接下来主要介绍如何利用GPT进行618大促导购。

首先，用户对某种商品进行搜索，主要是通过搜索栏，在要将GPT接入搜索进行引导，就要自己搭建一套基础环境，将用户输入的关键词传递给GPT，再把GPT输出的结果展示给用户，基础环境的作用除了作为调用GPT的“服务器”，最后可以对用户的输入，以及GPT的输出进行“加工”，包装上“京东20周年庆”、“618大促”的相关信息，最终实现“大促导购”的目的。

第一部分：对用户的输入进行包装，比如对用户的关键词包上一层“用京东搜索”的外衣：

def search_keyword(keyword):
    url="https://search.jd.com/Search?keyword={keyword}"
    response = requests.get(url)
    soup = BeautifulSoup(response.text, "html.parser")

    #提取相关介绍
    introduction = soup.select_one(".p-parameter").get_text(strip=True)
    return introduction

#用户输入关键词
user_input = input("请输入关键词："）

#调用函数进行搜索和提取介绍
result = search_keyword(user_input)

prompt="打开京东网站，618大促活动商品里搜索 {user_input}，并给出其相关介绍"
#这里的prompt既为向GTP提问的问题，由于GPT接受的是自然语言，所以这里我们可以任意的添加我们想要的导向性描述，例如“618大促活动商品”、“618精选活动”、“京东20周年庆优惠”等等

第二部分：将包装好的文案作为入参，调用GPT的API进行请求：

api_endpoint = "https://api.openai.com/v1/chat/completions"
access_token = "你的access_token"

params = {
    "messages": [{"role": "user", "content": prompt}],
    "temperature": 0.7,
    "model": "gpt-3.5-turbo"
}
headers = {
    "Authorization": "Bearer {access_token}",
    "Content-Type": "application/json"
}
response = requests.post(api_endpoint, headers=headers, json=params)

第三部分：对GPT返回的结果进行解析，并按照需求进行展示：

if response.status_code == 200:
    response_text = json.loads(response.text)["choices"][0]["message"]["content"]
    ＃ 输出结果
    print("为您在京东推荐了如下结果: {response_text}")
    print("您商品的相关介绍：{result}”）
else:
    print(f"error: {response.status_code} - {response.text}")

发散思维：GTP接受的是自然语言询问，所以在向他提问的问题中，可以任意地添加想要的限定信息，甚至可以结合配置系统，将“618大促活动商品”、“618精选活动”、“京东20周年庆优惠”等活动作为配置信息组合进prompt参数字段，实现动态配置活动导购。

总结

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目

本篇ChatGPT的探索与实践的应用篇就为大家介绍到这里，算是抛砖引玉，希望可以为大家带来一些启发，在后续的工作中提供便利，特别是逢618和双十一大促时，能够充分利用其特性，创造更多的可能性！