GPT Pilot - 编写 95% 代码的开发工具！

AAI机器之心

已于 2024-05-05 11:25:04 修改

阅读量1.4k

点赞数 46

文章标签： gpt 神经网络人工智能算法深度学习机器学习

于 2024-02-25 10:05:47 首次发布

本文链接：https://blog.csdn.net/AAI666666/article/details/136279322

版权

在这篇博客介绍了GPT-pilot的研发细节，原作者将探讨GPT Pilot的技术内核 —— 一款基于GPT-4编写的开发工具，可以生成生产使用代码的应用。

你有没有想过，95%的应用代码，可以由AI编写，就像《钢铁侠》里的贾维斯一样？

那么，如何实现这个目标呢？

我找到了基于GPT-4开发一个工具——GPT Pilot，能在开发人员的监督下编写出可扩展的应用。

我将向你展示GPT Pilot背后的主要思想，它所依赖的关键概念，以及到编码阶段的工作流程。

目前，GPT Pilot处于初级阶段，只能创建简单的Web应用。然而，我相信之后这将全面覆盖到各种领域。

GPT Pilot是如何工作的？

1、首先，你输入要构建的应用的描述。

然后，GPT Pilot配合LLM（目前为GPT-4）明确应用需求，并最终编写代码。它使用多种AI代理（AI Agents） 来模仿开发机构的工作流程。

在你描述应用后，产品负责人Agent会解析业务规范并向你提问以澄清任何不明确的地方。然后，软件架构师Agent会解析技术需求，并列出将用于构建应用的技术。然后，架构师Agent会根据架构在机器上设置环境。然后，技术团队Agent将应用开发过程分解为开发任务，每个任务需要具备：

任务的描述（这是开发人员代理稍后创建代码的主要描述）
需要编写的自动化测试的描述，以便GPT Pilot可以遵循TDD（测试驱动开发）原则
人类验证的描述，基本上就是你作为人类开发人员，如何检查任务是否成功实施

最后，程序员Agent会逐一接手任务，并开始为应用编写代码。开发者将每个任务分解为较小的步骤，这些是较低级别的技术要求，可能不需要人类审查或自动化测试（例如安装某个包）。

GPT Pilot的三大特点

开发者需要参与创建应用的过程

正如我之前提到的，我认为我们距离一个能通过CLI独立运行并创建任何应用的LLM还有很远的路要走。

然而，GPT-4在编写代码方面表现得出奇地好。我一直在使用ChatGPT来加快我的开发过程 - 特别是当我需要在新的技术上工作，或者需要创建一个独立的脚本时。

我第一次意识到它的强大是在几个月前，我用ChatGPT花了2小时创建了一个Redis代理，通常这会花费20小时从头开发。我在这篇文章中写了整个过程。因此，为了使AI能生成一个完全工作的应用，我们需要让它紧密地与开发者合作，开发者会监督整个开发过程，并充当技术团队的领导，而AI会写大部分的代码。因此，开发人员需要能在任何时候修改代码，而GPT Pilot需要继续使用这些更改（例如添加API密钥或在AI卡住的情况下修复问题）。

以下是发展者可以参与到开发过程中的地方：

每个开发任务完成后，开发人员应该审查它，确保它按预期工作（这是你通常会提交最新更改的时刻）
在每个失败的测试后或者运行的命令后，可能对开发者来说更容易进行调试（例如，如果你的机器上的一个端口被保留，但生成的应用试图使用它，则你需要硬编码另一个端口）
如果AI没有访问外部服务的权限 - 例如，你可能需要从环境中获取并添加API密钥

应用需要分步编码

假设你想创建一个简单的应用，你知道所有你需要编写的内容，并且在你的头脑中存有整个架构。即使在这种情况下，你也不会完全地编写、同时运行和一次性调试所有问题。相反，你会把应用开发分解为更小的任务，执行其中一个（如添加路由），运行它，调试，然后再进行下一个任务。这样，你可以随着问题的出现解决问题。 AI编写代码的情况也应该是这样。

正如人类一样，它肯定会犯错误，因此为了让它方便地进行调试，并且让开发人员理解生成代码中发生了什么，AI不应该一口气吐出整个代码库。相反，应该像开发人员一样，逐步生成和调试应用 - 例如设置路由，添加数据库连接等等。

其他的代码生成器，如Smol Developer和GPT Engineer，工作方式是你写一个关于你想要构建的应用的提示，他们将尝试编写出整个应用，一次性给你整个代码库。

虽然AI很强大，但离一次尝试就能编写出完全工作的应用还很远，所以这些工具给你的代码库是非常难以理解的，更重要的是，要进行调试无比困难。我认为，GPT Pilot如果能逐步创建应用，那么AI和监督它的开发人员将能够更容易地修复问题，整个开发过程将流畅得多。

GPT Pilot需要能进行扩展

GPT Pilot必须能创建大型生产可用的应用，而不仅限于小型应用，其中整个代码库可以装入LLM的上下文中。问题在于，LLM的所有学习都是在上下文中进行的。

或许有一天，LLM可以针对每个具体的项目进行微调，但是现在，这看起来像是一个非常缓慢和多余的过程。 GPT Pilot通过上下文回溯，递归对话和TDD来解决这个问题。

上下文回溯上下文回溯背后的思想相对简单 - 对于解决每个开发任务，第一条消息到LLM的上下文大小必须相对一样。例如，在实现开发任务＃5时，第一条LLM消息的上下文大小必须和任务＃50的第一条消息的上下文大小大体相同。因此，每个任务完成后，需要回溯到第一条消息。

对于GPT Pilot来说，要任务＃5和＃50相同，它必须理解到目前为止的代码，以及所有已编写代码背后的业务上下文，这样，它才能创建针对当前任务的新代码，而不是重写整个应用。但本质上，当GPT Pilot创建代码时，它会为它编写的每个代码块制作伪代码，以及创建的每个文件和文件夹的描述。所以，当我们需要实现每个任务的时候，在一个单独的对话中，我们向LLM展示最新的文件夹/文件结构，它只选择与当前任务相关的代码，然后，我们将只添加该代码到有同样任务需要的实际执行任务的原始对话。

GPT Pilot - 递归对话递归对话是用LLM设置起来的对话，它们是递归使用的方式。例如，如果GPT Pilot检测到一个错误，它需要调试它，但让我们设想在调试过程中出现了另一个错误。那么，GPT Pilot需要先停止调试第一个问题，解决第二个问题，然后回来继续修复第一个问题。对我来说，这是一个重要的概念，我相信，它们需要像这样工作才能使AI构建大型和可扩展的应用。通过回溯上下文和分别说明每个错误，一旦完成最深层的错误修复，我们就会上升在递归中，继续修复错误，直到整个递归都完成。

测试驱动开发（TDD）为了让GPT Pilot扩展代码库，提高质量，改变需求，并添加新功能，它需要能够在不破坏之前编写的代码的前提下生成新代码。达到这个目标的最好方法就是遵循TDD方法。对于GPT Pilot编写的所有代码，它都需要编写测试，检查代码是否按照预期工作，以便每次进行新的更改时，可以运行所有回归测试以检查是否出现任何破坏。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述