Flutter ChatGPT代碼生成器方案概念

Posted on 2023-02-10 by WalkonNet

ChatGPT

ChatGPT 作為一個自然語言處理工具，已經火瞭一段時間。對待 ChatGPT 不同人有著不同的看法，新事物的出現必然如此。利益相關者形成抗拒和狂熱兩極；嘩眾取寵者蹭蹭熱度，問些花活，博人眼球；獵奇者嘗嘗鮮，起哄者挑挑火；實用派在思考新事物的價值和勞動力：

對於那些拿 ChatGPT 當百科全書來用的，或詢問哲學問題的朋友，我隻想說：

對於一個問題，用錯誤的工具去處理得出錯誤的結果，是一件很正常的事。

1. ChatGPT 的特點和劣勢

ChatGPT 最大的特點是基礎的語義分析，讓計算機對自然語言進行處理並輸出。在一段會話中，上下文是有效的，所以可以類似於交流。

問這個問題，它會怎麼回答？

這種獵奇的心理，會讓一部分人期望嘗試；有稀奇古怪或愚蠢的回答，也可以滿足人類對人工智障的優越感；分享問答，也讓 ChatGPT 擁有一絲的社交屬性。蹭熱度、獵奇、起哄三者可以用它填充一塊內心的空虛，也僅止步於此。

ChatGPT 目前的劣勢也很明顯，由於數據是幾年前的，所以時效性不強；對很多問題回答的精準度並不高，對於盲目相信的人，或判別力較差的朋友並不友好；最後一點，非常重要：對於工具而言，如果對其依賴性太高，脫離工具時，會讓人的主觀能動性降低。

h3>2. 代碼的生成與規則誘導

如下所示，讓它生成一個 Dart 的 User 類：

生成一個 dart 類 User，字段為 : 可空 int 型 age 、final 非空 String 型 username 默認值為 “unknown”

雖然代碼給出瞭，但是可以看出，這是空安全之前的代碼。可能很多人到這裡，覺得數據陳舊沒什麼用途，就拜拜瞭您嘞。

但它是一個有會話上下文的自然語言處理工具，你可以讓它理解一些概念。就像一個新員工，上班第一天出瞭一點小錯誤，你是立刻開除他，還是告訴他該怎麼正確處理。如下所示，給瞭它一個概念：

Dart 新版本中可空類型定義時，其後需要加 ?

如下所示，你就可以在當前的會話環境中讓它生成更多字段的類型：

用 Dart 新版本生成一個 dart 類 User，字段為: final 非空 int 型 age ， final 非空 String 型 username 默認值為 “unknown” ， final 非空 int 型 height，可空 String型info,final 非空 int 型 roleId

如果存在問題，可以繼續進行指正。比如：

用 Dart 新版本，有默認值的字段不需要使用 required 關鍵字，其他非空字段需要

所以對於 ChatGPT 而言，我們可以把它看成一個有一些基礎知識的，可為我們免費服務的員工，簡稱：奴隸。當它做錯事時，你罵它，責備它，拋棄它是毫無意義的，因為它是機器。我們需要去誘導它理解，在當前工作環境中正確的事。

這樣在當前會話中，它就可以理解你訴說的規則，當用它創建其他類時，他就不會再犯錯。並且不排除它會基於你的規則，去完善自身的 知識儲備 ，當眾多的人用正確的規則去誘導它，這就是一個善意的正反饋。

3. 解決方案的概念

這裡從生成的代碼 不支持空安全 到 支持空安全，其實隻用瞭幾句話。第一句是反饋測試，看看它的 默認知識儲備

生成一個 dart 類 User，字段為 : 可空 int 型 age 、final 非空 String 型 username 默認值為 “unknown”

當它的輸出不滿足我們的需求時，再進行誘導：

Dart 新版本中可空類型定義時，其後需要加 ?
用 Dart 新版本，有默認值的字段不需要使用 required 關鍵字，其他非空字段需要

在誘導完成之後，它就可以給出滿足需求的輸出。這種誘導後提供的會話環境，輸出是相對穩定的，完成特定的任務。這就是為不確定的輸出，添加規則，使其輸出趨近 冪等性 。一旦一項可以處理任務的工具有這種性質，就可以面向任何人使用。可以稱這種誘導過程為解決某一問題的一種 解決方案。

比如上面的三句話就是：根據類信息生成 Dart 數據類型，並支持空安全。在當前環境下，就可以基於這種方案去處理同類的任務：

用 Dart 新版本生成一個 dart 類 TaskResult，字段為: final 非空 int 型 cost ， final 非空 String 型 taskName 默認值為 “unknown” ， final 非空 int 型 count，可空 String型taskInfo,final 非空 String型 taskCode

你拷貝代碼後，就是可用的：

4. Dart 數據類生成器完善

上面生成 Dart 數據類比較簡單，下面繼續拓展，比如對於數據類型而言 copyWith 、toJson 、fromJson 的方法自己寫起來比較麻煩。如果現在告訴它：

為上面的類提供 copyWith、toJson 、 fromJson 方法

它會進行提供，說明它具有這個 默認知識儲備 ，但可以看到 copyWith 方法中的字段不符合空安全：

此時可以訓練它的 類型可空 的意識，讓它主動處理類似的問題，也可以直白的告訴它

將上面的 copyWith 方法入參類型後加 ? 號

這樣生成的 TaskResult 類就可以使用瞭：

class TaskResult {
  final int cost;
  final String taskName;
  final int count;
  final String? taskInfo;
  final String taskCode;
  TaskResult({
    required this.cost,
    this.taskName = 'unknown',
    required this.count,
    this.taskInfo,
    required this.taskCode,
  });
  TaskResult copyWith({
    int? cost,
    String? taskName,
    int? count,
    String? taskInfo,
    String? taskCode,
  }) {
    return TaskResult(
      cost: cost ?? this.cost,
      taskName: taskName ?? this.taskName,
      count: count ?? this.count,
      taskInfo: taskInfo ?? this.taskInfo,
      taskCode: taskCode ?? this.taskCode,
    );
  }
  Map<String, dynamic> toJson() {
    return {
      'cost': cost,
      'taskName': taskName,
      'count': count,
      'taskInfo': taskInfo,
      'taskCode': taskCode,
    };
  }
  static TaskResult fromJson(Map<String, dynamic> json) {
    return TaskResult(
      cost: json['cost'] as int,
      taskName: json['taskName'] as String,
      count: json['count'] as int,
      taskInfo: json['taskInfo'] as String,
      taskCode: json['taskCode'] as String,
    );
  }
}

5. 代碼生成字符串與 ChatGPT 生成字符串

對於一些相對固定的代碼，可以使用代碼邏輯，拼接字符串來生成。如下所示，通過對類結構的抽象化，使用對象進行配置，輸出字符串。我們來思考一下，這和 ChatGPT 生成代碼的區別。

首先，使用代碼生成代碼是一種完全的 冪等行為 。也就是說任何人、在任何時間、任何空間下，使用相同的輸入，都可以獲取到相同的輸出，是絕對精準的。其產生代碼的行為邏輯是完全可控的，人的內心是期待確定性的。

而 ChatGPT 對自然語言的理解，你可以用語言去引導它輸出一些你的需求，比如：

以json 格式生成 10 句連續的中文對話，key 為 content包括。另外 time 字段為時間戳，type 字段1,2 隨機

其實沒有什麼孰強孰弱，隻是使用場景的不同而已。刀在不同人的手裡有不同的用法，人是生產生活的主體，工具隻有服務的屬性。駕馭工具，讓它產生實用的價值，才是工具存在的意義。好瞭，本文到這裡就扯完瞭，感謝觀看 ~

以上就是Flutter ChatGPT代碼生成器方案概念的詳細內容，更多關於Flutter ChatGPT代碼生成器的資料請關註WalkonNet其它相關文章！

Flutter ChatGPT代碼生成器方案概念

目錄