GPT4结对编程实战，鹅厂一线研发真实使用感受
GPT4结对编程实战，鹅厂一线研发真实使用感受
?腾小云导读
ChatGPT4相比ChatGPT3.5在逻辑推理能力上有很大的进步，其代码生成能力颇为优越。因此作者尝试在工作中某些不涉密的基础工作上，应用ChatGPT4来提升研发效率，简单尝试之后发现其在不少场景是有效的。本文将向大家展示如何充分利用 ChatGPT-4 结合结对编程方法，在研发过程中实现显著的效率提升。
重要提示：大家在做相应尝试的时候，一定要注意信息安全。
?看目录，点收藏
1 场景一：正则表达式编写
2 场景二：重构代码
3 场景三：实现业务逻辑
4 场景四：改bug与写单测
5 场景五：取名字
6?总结
01、场景一：场景正则表达式编写
我所在的团队负责某可观测平台的研发。PromQL 是可观测领域常用的查询语言，Protobuf 这种协议有自带基于正则表达式的参数检查器，因此我们需要写一个正则表达式，来检测 PromQL 的合法性，以便于尽早的发现不合法的 PromQL，抛出错误、降低底层引擎的压力。
对于这个需求，按个人经验来说我认为至少得花超过一小时编码及单元测试。得翻阅不少 PromQL 手册、正则表达式的手册。我们试着把这个任务交给 ChatGPT4：
ChatGPT4 写了一个很复杂的表达式，并且告诉我们这个需求是不合理的，完美的语法检测得要实现一个语法分析器，而不是正则表达式。
这里我完善了我的需求：我们在接入层的正则应该在乎精确率，忽略召回率，旨在尽早发现一部份错误，而不是全部错误：
这一次的输出看上去还不错。但是我懒、不想仔细看，我又不放心它写。所以我要求它自己写个单测，进行充分的自测：
ChatGPT4 写的单测非常 readability，它还知道表驱动的方式写测试数据。咱们把代码 run 起来：
有一个测试用例没过，我们可以把这种情况告诉 ChatGPT4，让它自己解决：
ChatGPT4 说：要解决这个问题，必须引入更复杂的表达式。然而这不是我们想要的结果，因此我们还是选择了更简单的正则表达式交付需求，做一些简单的检查，更复杂的检查就交给 promql 语法解析器去做。
所以我花5分钟，发现了需求的不合理，选择了最符合业务需求的方案，并且还写完了我们想要的正则表达式。并且代码非常 readability，同时有单测。
02、场景二：重构代码
我们写代码的过程中，往往会因为疏忽，而产出各种「bug 和坏味道」。我们来试试 ChatGPT4 能帮我们做什么。下面随机找了一段我们代码仓库里面的不涉密基础代码，发给ChatGPT4：
package?strings
import?(
"fmt"
"regexp"
"strconv"
)
var?reOfByte = regexp.MustCompile(`(\d+)([GgMmKkBb]?)`)
// ParseByteNumber 解析带有容量的字符串
func?ParseByteNumber(s string)?int64?{
??arr := reOfByte.FindAllStringSubmatch(s, -1)
if?len(arr) < 1?|| len(arr[0]) < 3?{
return?-1
??}
??n, err := strconv.Atoi(arr[0][1])
if?err != nil?{
return?-2
??}
if?n <= 0?{
return?-3
??}
switch?arr[0][2] {
case?"G", "g":
return?int64(n) * (1024?* 1024?* 1024)
case?"M", "m":
return?int64(n) * (1024?* 1024)
case?"K", "k":
return?int64(n) * (1024)
case?"B", "b", "":
return?int64(n)
default:
return?-4
??}
}?先让ChatGPT看一眼代码：
ChatGPT4 表示它看懂了。接下来我们给 ChatGPT4 提一下重构的需求，看看ChatGPT4 的表现：
ChatGPT4 这些优化，使得代码 readability 了很多。特别是错误码返回的模块，原来的代码真是天坑。但同时我们也发现这个函数实现是不太符合需求的——它只匹配了 substring。例如 XXXX100KBXXX 这类参数也会被错误匹配。我们把这些情况告诉 GPT4，看看它的表现：
这里我们看到：
GPT4 不仅仅完成了需求，它还做到了兼容浮点数输入，使得返回的精度更高了。例如 1.5MB 实际是 1536B ，按我们最初的实现确实会丢失精度，变成1024B。此外，还帮我们发现了个 BUG。
照例，让它补充一下单测：
通过15分钟的简单交流，我和 ChatGPT 一起完成了这次代码重构。
03、场景三：实现业务逻辑
虽然要求 chatGPT4 一次性给我们交付整个完整需求有点过分，但我们依然可以把需求拆分成小的逻辑单元给chatGPT实现，并要求它编写单测。
这次，我们找了我们项目里面最新的需求来做个实验，让 ChatGPT 帮我们完成需求——做一个事件的聚合能力。我们的可观测平台（伽利略）会收集各个平台的事件数据，聚合之后以更加可视化的方式给用户展示：
在我不断的追加需求细节之后，chatGPT4交付了一个还算可以的成果。但是这里我们发现这段代码有个BUG。当然，我是不会自己动手修复的，让GPT4自己来吧：
其交付的整体代码虽然不算特别清晰，但做一些修改还是可以用的。当然我觉得这跟我个人没把需求描述的太清楚也有关系。
04、场景四：改BUG
我们的可观测平台（伽利略）支持自定义指标，底层识别的变量类型是$1,$2,$3这种形式，UI为了用户可读性，是表现为A,B,C。最近出现了一个BUG，A+B+C+D+E+F+G+H+I+J+K配置下去再加载上来之后编程A+B+C+D+E+F+G+H+I+J+B0。
原因K是$11，但是前端转码的实现，是 for 循环遍历处理的，所有处理两位数字有 BUG，转回来识别成了$1和0：
我们把这个问题给ChatGPT，看它怎么解决：
此外，各位开发者通过上面的例子应该能感受到 GPT4 写单测的能力了。它不管是表驱动、测试用例的构造能力、代码的 readability 能力都非常强！此处我们不进行展开赘述了。
05、场景五：取名字
我们知道取变量名和函数名是工程师们最头疼的问题。
这个 ChatGPT4 非常擅长，毕竟这是它的母语呀。例如上面的解析存储容量的函数，它给的建议确实比原名好太多了。
06、总结
说一说我个人关于GPT3和GPT4的使用体验。
当被输入需求，GPT3 仿佛是从网上搜了一些代码组合给我，而 GPT4更能理解我的需求，而且它能根据我的反馈不断的优化它给我的代码。整体来说，GPT4 相比历代，在逻辑推理能力上有了很大的进步，它的代码生成能力更是让我非常震撼。
此外，它在视觉表达、跨领域能力、编程能力等等也有飞跃的进步，此处不展开赘述。如果各位感兴趣，可以在公众号后台回复「GPT-4」，查看完整的测评报告。了解其能力的边界，将有助于各位更好应用。
虽然 GPT 等工具不能完全替代工程师编码，但在很多繁琐且不需要交代太多背景的独立工作上，GPT4 还是完成的非常不错的。作为一个技术人员，尝试下与GPT4结对编程的方式，有可能在某些方面真的能提升自身生产效率。欢迎各位开发者体验。以上是本次分享全部内容，欢迎大家在公众号评论区分享交流。
-End-
原创作者｜胡宸源
技术责编｜胡宸源
你有什么使用ChatGPT的小技巧和心得，欢迎在腾讯云开发者公众号评论区分享讨论。我们将选取1则最有创意的分享，送出腾讯云开发者-文化衫1个（见下图）。5月18日中午12点开奖。
想了解GPT-4完整能力测评（视觉表达、跨领域能力、编程能力等）？在腾讯云开发者公众号后台回复「GPT-4」，查看完整测评报告。