Passer aux informations sur le produit
Utilisation de ChatGPT dans le développement logiciel
Utilisation de ChatGPT dans le développement logiciel
Description
Introduction au livre
Les développeurs qui exploitent l'IA survivront.

Un développeur chevronné, fort de 40 ans d'expérience, vous montre comment utiliser ChatGPT efficacement.
Nous poserons des questions sur ChatGPT dans divers domaines, notamment la génération de code, le développement piloté par les tests, le débogage, le développement d'applications et la rédaction de documentation. Nous verrons comment des outils d'IA tels que le refactoring, l'automatisation de la documentation, l'API ChatGPT et LangChain peuvent vous aider à résoudre ces problèmes plus rapidement et avec plus de précision. Devenons des développeurs efficaces à l'ère de l'IA.

  • Vous pouvez consulter un aperçu du contenu du livre.
    Aperçu

indice
Préface du traducteur x
Avis du lecteur bêta xii
Début xiv
Remerciements xvi
À propos de ce livre xvii

CHAPITRE 1 Que pouvez-vous faire avec ChatGPT ? 1

1.1 Que pouvez-vous faire avec ChatGPT ? 2
__1.1.1 ChatGPT comme secrétaire 5
__1.1.2 ChatGPT comme mon collègue 7
__1.1.3 Utilisation de ChatGPT dans le processus de développement 8
1.2 Comment est-ce possible ? 10
__1.2.1 La naissance des Transformers 10
__1.2.2 Jetons un coup d'œil rapide ? 11
1.2.3 Décomposition et ordonnancement des jetons 12
1.2.4 Qu’est-ce que la focalisation de l’attention ? 13
__1.2.5 Attentions simples et multiples 15
1.2.6 Connexion du contexte généré par l'encodeur au décodeur 17
__1.2.7 Plus de peur ! L'attention est tout ce dont vous avez besoin 18
__1.2.8 Comment GPT génère-t-il des phrases ? 19

CHAPITRE 2 APPLICATIONS EN PROGRAMMATION 23

2.1 Génération automatique de code 24
__2.1.1 Déléguer les tâches que vous comprenez mais pour lesquelles vous n'êtes pas doué 25
__2.1.2 Demande en petites quantités 28
__2.1.3 Génération de code de test pour les fonctions également 31
__2.1.4 Empilage étape par étape 33
2.2 Contre-mesures en cas d'erreur 33
__2.2.1 Mesures de correction d'erreurs de base 33
__2.2.2 Comment gérer les erreurs récurrentes 35
__2.2.3 Si l'erreur n'est toujours pas résolue, 35
2.3 À propos de la classification 36
__2.3.1 Accès à la génération de code à partir des diagrammes de classes 40
2.4 Génération de code avec des tables de transition d'état 43
__2.4.1 Accès à la génération de code à partir des tables de transition d'état 44
2.5 Obtenez des suggestions de modèles de conception (50)
__2.5.1 Trouver le bon modèle de conception 52
2.6 Réception des suggestions de l'algorithme 54
2.7 Empilage étape par étape 70
2.8 Conversion de code 80
__2.8.1 N'ayez pas peur des différentes versions de SQL 81
__2.8.2 Vous pouvez facilement apprendre un autre langage de programmation (ou plusieurs langages) 83
__2.8.3 Conversion de code pour fonctionner dans d'autres langages ​​86
__2.8.4 Est-ce possible ? 90
2.9 Éléments à surveiller dans les cas de test 93

CHAPITRE 3 : Utilisation du refactoring 95

3.1 Refactorisation légère pendant votre temps libre 97
__3.1.1 Décomposition de fonctions 97
3.1.2 Amélioration des noms de variables et de fonctions 99
__3.1.3 Suppression des doublons 100
3.2 Annotations et documentation 102
__3.2.1 Demande d'ajout de commentaires en ligne 102
__3.2.2 Demande d'ajout de documentation de fonction 104
3.3 Vérification des vulnérabilités de sécurité 107
3.4 Améliorations de la gestion des exceptions et de la complétude logique 112
__3.4.1 Améliorations de la gestion des exceptions 112
3.4.2 Vérification et amélioration de la complétude logique 114

CHAPITRE 4 CRÉATION AUTOMATIQUE DE DOCUMENTS 117

4.1 Création automatique de diapositives PowerPoint 118
4.2 Création automatique de documents Word 124
4.3 Création automatique de documents Excel liés 127
4.4 Création d'une architecture cloud à l'aide de diagrammes 134
4.5 Création d'un diagramme entité-relation à l'aide de dbdiagram.io 139

CHAPITRE 5 Suggestions pour diverses méthodes de développement 145

5.1 Conception et implémentation axées sur le domaine 147
5.2 Développement piloté par les tests et implémentation pilotée par les tests 165
5.3 ChatGPT et l'approche de développement logiciel 175

CHAPITRE 6 L’utilisation dans le processus d’apprentissage 177

6.1 Apprentissage spécifique au domaine 178
6.1.1 Début de l'expérience d'apprentissage 179
__6.1.2 [Étape 1] Délimiter le domaine d'apprentissage 179
__6.1.3 [Étape 2] Choisir un thème d'apprentissage 181
__6.1.4 [Étape 3] Apprentissage pratique avec le code généré 183
__6.1.5 [Étape 4] Vérification après l'apprentissage du code 189
__6.1.6 [Étape 5] Approfondir et comprendre la signification 190
__6.1.7 [Étape 6] Approfondissement des fonctions pour des applications concrètes 190
__6.1.8 [Étape 7] Le tuteur de Socrate (GPT-4 uniquement) 192
__6.1.9 [Étape 8] Exploiter le dialogue infini 193
6.2 Apprentissage des langages de programmation 194
6.2.1 [Étape 1] Comprendre les caractéristiques de la langue cible 195
__6.2.2 [Étape 2] Configuration de l'environnement d'exploitation 196
__6.2.3 [Étape 3] Création d'un aide-mémoire linguistique 198
__6.2.4 [Étape 4] Comprendre la version 199
6.2.5 [Étape 5] Organisation par la méthode du dialogue socratique 205
6.3 ChatGPT 206 pour accélérer l'apprentissage

CHAPITRE 7 Utilisation de l'API ChatGPT 207

7.1 La méthode d'utilisation la plus élémentaire 208
__7.1.1 Émission de clés API 208
7.1.2 Le code le plus simple : 211
__7.1.3 Affichage des résultats sous forme de flux 213
__7.1.4 Chatbotisation 214
7.2 Relier le contexte au résumé 216
7.3 Interrogation des bases de données internes en langage naturel 222
7.4 Assistance utilisateur liée aux bases de données internes 232
7.4.1 Répartition des rôles 232

CHAPITRE 8 : Gestion des données longues avec ChatGPT 245

8.1 Gestion des données longues avec LlamaIndex 247
8.1.1 Expérience des liens avec des données externes longues 247
8.1.2 Comment ça marche ? 256
8.1.3 Utilisation du chargeur 256
8.2 Traitement des données longues avec Langchain 261
8.2.1 Stockage et chargement de l'index 266
8.2.2 Utilisation du chargeur 268
8.2.3 Conseils pour la gestion des textes longs dans ChatGPT 271

CHAPITRE 9 Automatisation des processus avec LangChain 275

9.1 Structure de la chaîne de Lang 276
9.2 Relier les tâches par des chaînes 278
__9.2.1 Essayez-le 279
__9.2.2 Requête avec une seule chaîne 280
__9.2.3 Connexion d'une chaîne unique 282
__9.2.4 Connexion immédiate avec SimpleSequentialChain 285
__9.2.5 Obtention de résultats multiples avec SequentialChain 287
9.3 Exemple de chatbot basé sur des chaînes 290
__9.3.1 Chatbot de base utilisant Langchain 291
__9.3.2 Méthode de requête SQL 293
__9.3.3 Implémentation du chatbot 296
9.4 Exécution de code à l'aide d'agents 304
__9.4.1 Création automatique PowerPoint 304
__9.4.2 Création automatique de diagrammes de configuration cloud à l'aide de Diagrams 307
__9.4.3 Création automatique de graphiques 309
9.5 Automatisation des décisions/de l'exécution/des processus à l'aide d'agents 311
__9.5.1 Un exemple simple de résolution automatique de puzzles 311
__9.5.2 Réponse aux recherches Web 316
__9.5.3 Intégration des recherches dans les bases de données d'index 319
__9.5.4 Recherche de documents PDF 322
__9.5.5 Création de plusieurs bases de données d'index, chacune avec un outil distinct 324
__9.5.6 Intégration des recherches dans les bases de données SQL 329
9.6 Chatbot Version finale utilisant l'agent 332
__9.6.1 Exemple de dialogue 336
__9.6.2 Quel rapport avec quoi que ce soit ? 342

En conclusion 343
Recherche 346

Image détaillée
Image détaillée 1

Dans le livre
Lors de l'écriture de code de test en Python, pytest est la solution la plus courante, mais son utilisation dans Google Colab est peu pratique.
Étant donné que pytest est principalement utilisé pour rechercher des fichiers, puis trouver et exécuter du code de test, il n'est pas adapté aux environnements d'exécution au niveau de la cellule tels que Google Colab.
En revanche, unittest, une norme Python, peut être exécuté cellule par cellule, ce qui facilite son utilisation dans Google Colab.
(...) argv=['first-arg-is-ignored'] est un paramètre factice qui n'est pas réellement utilisé.
Dans un script Python classique, le premier élément de argv est le nom du script, et nous utilisons des arguments factices pour imiter ce même comportement.

--- p.93

Python possède une chaîne de caractères spéciale appelée docstring qui permet d'intégrer de la documentation dans les fonctions, les classes et les modules.
Une chaîne de caractères entourée de triples guillemets (« ») écrite immédiatement en dessous de la définition de la fonction.
Cette chaîne de documentation permet en fait d'afficher la description de la fonction.
(...) Cette fonctionnalité est très pratique car elle vous permet de connaître la description de la fonction, comment l'utiliser et comment spécifier ses paramètres.
La figure 3.1 montre la fonction open() décrite dans Google Colab.
Si vous tapez « ouvrir ? » dans une cellule, un écran d'aide s'ouvrira avec une explication.
En revanche, si vous exécutez help(open), une description s'affichera dans la cellule de résultat.

--- p.104

Le contenu du diagramme peut sembler compliqué au premier abord, mais il est en réalité très simple.
En examinant InventoryService, les actions que l'utilisateur souhaite effectuer sont exprimées sous forme de méthodes, et les domaines sont Product, Warehouse, Quantity et Inventory.
C’est dans ce domaine que les utilisateurs (ou ceux qui utilisent le système) sont directement impliqués et que cela a des implications commerciales.
Lorsque vous discutez avec les utilisateurs, gardez simplement à l'esprit que c'est une situation courante.
C'est le langage universel des énigmes mentionnées précédemment.
/ Sur cette base, en discutant avec les utilisateurs et en ajoutant et en retirant ce qui doit être retranché, la précision du diagramme de composition des classes augmente.
Grâce aux méthodes présentées jusqu'à présent, nous pouvons réaliser le processus de conception d'un plan basé sur la conception pilotée par le domaine en langage naturel coréen, de production d'un diagramme de classes, puis de son amélioration sur cette base.

--- p.153

L'exécution de la commande cargo run seule crée un exécutable dans le répertoire target/debug, mais il ne s'agit pas d'un exécutable pour la version finale.
Enfin, vous pouvez constater que le binaire optimisé est construit avec le même nom que le nom du projet dans le répertoire target/release par la commande cargo build --release.
(...) Un code simple crée un exécutable avec rustc, et si une bibliothèque externe est nécessaire, spécifiez la dépendance dans le fichier Cargo.toml, puis créez un exécutable avec cargo run et exécutez-le.
À ce stade, nous avons appris que l'exécutable de débogage est créé dans le répertoire debug, et que l'exécutable optimisé pour la publication est créé avec cargo build --release.

--- p.204

Le coréen étant une langue plus appropriée pour tester les recherches en coréen, interrogeons cette fois-ci les données coréennes en coréen.
Nous utiliserons ici la Constitution de la République de Corée comme exemple.
Cliquez sur l'icône de sauvegarde à la page 3 de la Constitution de la République de Corée dans le Centre national d'information juridique, comme indiqué dans la figure 8.5, pour enregistrer le contenu de la Constitution au format de fichier .doc.
Téléchargez le fichier Word nommé « Constitution de la République de Corée (Constitution) (n° 00010) (19880225).doc ».
Puisqu'il s'agit d'un fichier Word, si vous souhaitez l'utiliser comme base de données, enregistrez-le au format texte en utilisant l'encodage UTF-8.
Après avoir ouvert le fichier, enregistrez-le en tant que fichier texte brut basé sur UTF-8, comme indiqué dans la figure 8.6.
À ce stade, nommez le fichier en korean_constitution.txt.

--- p.253

Créez une chaîne avec la fonction LLMChain().
La chaîne créée ici fonctionne indépendamment, mais elle est capable d'interroger et de répondre à des questions comme celle-ci.
Ce n'est pas très différent de la fonction llm() que nous avons utilisée jusqu'à présent, mais nous les connectons comme une seule unité de travail.
L'invite change pour afficher « Ajouter du code de test au code du programme suivant en Python : Trouver les nombres de Fibonacci » lorsque le paramètre donné à chain.run() est affecté à la variable product, et que l'invite modifiée est exécutée.
La chaîne génère du code Python qui exécute la tâche demandée par l'utilisateur.
C'est-à-dire, « travail de programmation ».
Il est également possible d'utiliser ce résultat pour extraire uniquement la partie code et l'exécuter à l'aide de la fonction subprocess() au sein du programme.
--- p.281

Avis de l'éditeur
Comment devenir un développeur performant avec ChatGPT et la programmation en binôme

Lorsque ChatGPT est apparu pour la première fois, le choc initial s'est estompé et les développeurs ont commencé à réfléchir aux possibilités et à l'impact qu'il pourrait engendrer, ce qui a entraîné une avalanche de candidatures.
Et nous sommes arrivés à un point où nous pouvons créer des vidéos en prises de vues réelles avec seulement quelques mots.
Cela s'est produit en moins de deux ans depuis son apparition en novembre 2022.
Les développeurs doivent désormais se préparer à l'évolution des méthodes de développement traditionnelles avec l'avènement de l'IA.

Ce livre présente les résultats d'une réflexion approfondie de l'auteur sur la manière d'utiliser concrètement ChatGPT, une technologie innovante, forte de plus de 40 ans d'expérience en développement.
Nous échangeons de nombreuses questions et réponses avec ChatGPT, notamment sur la manière de combiner différentes méthodologies avec des processus de développement tels que la génération de code, le prototypage, le développement piloté par les tests et le débogage, ainsi que sur la manière de l'utiliser dans la rédaction de documents et le développement d'applications.


Le chapitre 1 présente les concepts de base et le fonctionnement de ChatGPT, et le chapitre 2 présente des méthodes de programmation efficaces utilisant ChatGPT, notamment la génération automatique de code, la gestion des erreurs et la mise en œuvre de modèles de conception.
Le chapitre 3 aborde les méthodes de refactorisation telles que la division des fonctions, l'amélioration des noms de variables et de fonctions, et la suppression du code dupliqué à l'aide de ChatGPT, ainsi que la rédaction de commentaires et de documentation. Le chapitre 4 traite de la génération automatique de documents tels que PowerPoint, Excel et Word à l'aide de ChatGPT, et de la création de diagrammes d'architecture cloud à l'aide de la bibliothèque Python diagrams.


Dans le chapitre 5, nous apprendrons comment utiliser différentes méthodologies de développement, telles que le développement piloté par le domaine et le développement piloté par les tests, dans ChatGPT, et dans le chapitre 6, nous verrons comment utiliser ChatGPT lors de l'apprentissage de langages de programmation, tels que Go et Rust.
Le chapitre 7 explique l'utilisation et la configuration de base de l'API ChatGPT fournie par OpenAI, et appelle la fonction ChatGPT à un service Web.
Au chapitre 8, nous apprendrons comment générer et analyser des données longues à l'aide de ChatGPT et de la bibliothèque RamaIndex.
Enfin, le chapitre 9 explore les concepts de base et la structure de Langchain et présente une méthode d'automatisation des processus combinée avec l'agent de Langchain et les fonctions ChatGPT.


Après avoir lu ce livre, qui présente différentes manières utiles d'utiliser ChatGPT, vous serez en mesure d'optimiser votre efficacité de développement et de créer des logiciels de haute qualité en utilisant ChatGPT comme partenaire de programmation en binôme.

Contenu principal

● Utilisation de l'API ChatGPT
● Traitement des données longues avec RamaIndex et LangChain
● Automatisation des processus avec Langchain
● Programmation, y compris l'écriture de code et la gestion des erreurs
● Refactorisation, incluant l'amélioration des commentaires et de la gestion des exceptions
● Créer des documents tels que PowerPoint, Word et Excel
● Apprendre des langages de programmation tels que Rust et Go
● Lien avec des méthodes de développement telles que DDD et TDD
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 27 septembre 2024
Nombre de pages, poids, dimensions : 372 pages | 742 g | 188 × 245 × 19 mm
- ISBN13 : 9791193926468

Vous aimerez peut-être aussi

카테고리