Matthew Berman 的 ChatGPT 编程工作流：构建、测试与迭代

ChatGPT 改变了我构建软件的方式，我预计学会使用 AI 的开发者会提高生产力。我认为不会使用的人将失业，这是个人预测，并非既定结果。我也根据自己的体验描述了十倍生产力提升；这段教程没有测量或证明普遍适用的生产力倍数。

我把开发者看作指挥：描述工作、引导模型，并检查它的产出。对编程和项目结构有基本了解会有所帮助。我建议从 Python 入手，边做边学，包括询问 ChatGPT 文件应放在哪里，同时要认识到生成的代码仍需理解和检查。

在这次 2023 年 4 月的演示中，我用 ChatGPT 中的 GPT-4 辅助编写代码，而应用本身调用 GPT-3.5 Turbo。我讨论了当时可用的消息与上下文限制，包括每三小时 25 条消息的上限以及不同的 token 限制。这些数字和模型可用性只适用于当时，并非当前规格。

随着代码库增长，在提示中提供全部上下文会越来越难。清晰的文件和方法名称有助于表达意图，简洁的描述也能概括周边代码。但这些做法不能保证模型知道省略的文件实际做了什么：如果回答依赖具体细节，就应提供相关上下文。

演示项目是一个通过 OpenAI API 提问的 Python 命令行界面。界面运行在我的电脑上，但模型通过 API 远程调用。编写文件之前，我请 ChatGPT 给出高层计划、文件结构和代码大纲，并指定使用 GPT-3.5 Turbo 和 Python。

ChatGPT 建议使用 OpenAI 软件包。在 VS Code 中，我创建项目文件夹，安装依赖，并添加 `chatgpt.py`、`requirements.txt` 和 `.env` 文件。requirements 文件记录依赖，环境文件保存 API 密钥。视频中的命令和 SDK 写法属于 2023 年版本，复制使用前应查阅当前文档。

我创建一个秘密 API 密钥并放入环境文件。我在视频中表示，会在发布前轮换画面中显示的密钥。一般来说，应避免将密钥放进源代码管理、截图和提示；如果密钥泄露，应撤销或轮换。随后，我把生成的代码框架复制到 Python 文件，并选择已安装依赖的 Python 解释器。

ChatGPT 提供了调用 API 的函数，但我注意到第一条建议使用的是较旧模型，而不是我要求的 GPT-3.5 Turbo。要求它切换模型后，第二条建议仍沿用了旧的 API 写法。这说明看似合理的回答需要检查，不能自动接受。

我将 GPT-3.5 Turbo API 文档中的相关示例复制到对话里，要求给出正确用法。修改后的版本采用了当时使用的 chat-completion 写法。我替换该方法并更新主函数，让应用维护对话历史。API 接口会变化，因此不能假定这段历史代码今天无需修改就能运行。

脚本加载环境文件和 API 密钥，初始化客户端，然后启动命令行循环。我在 VS Code 中运行它，要求写一首十词的 AI 诗；回答不足十词，但确认了界面能够响应。然后我要求生成数到 100 的 Python 代码，它返回了使用 `range(1, 101)` 的循环。

生成的代码可能有错，因此要阅读并运行测试。助手也可能过于轻易地遵循错误建议。如果希望获得替代方案而非盲目执行，应明确要求它讨论你提出的方法并建议更好的做法。这种讨论会有所帮助，但判断建议是否合理仍是你的责任。

助手可以将此前消息作为上下文，所以我不会每一轮都重复整个项目。但上下文有限，也不能保证它一直保留所有信息。当回答反复提出错误建议或不再符合代码时，应重新提供相关文件和细节，而不是假定助手仍掌握全部内容。

为了演示调试，我故意把模型名称改成无效的 GPT-3.0 Turbo，然后重新运行脚本。应用产生了错误堆栈。我把错误输出复制到 ChatGPT 并请求帮助；它识别出模型名称问题，并建议使用 GPT-3.5 Turbo。实际分享日志时，应先移除 API 密钥及其他敏感信息。

调试循环很直接：编写代码、测试、提供错误和相关上下文、应用建议的修复，然后再次测试。我把模型名称改回去，重新运行诗歌请求。有用的错误消息可以直接指出问题，但 AI 给出的诊断仍需验证。

接下来我询问 ChatGPT 可以添加哪些功能来扩展应用。它建议保存对话历史、支持多用户、富媒体、个性化、模拟打字、翻译、语音和外部 API 等选项。我选择模拟打字，并要求给出实现方法。

第一个建议使用 `time.sleep` 延迟聊天机器人的回复。我添加建议的导入和方法，替换主函数并运行程序。它先显示正在输入的消息，再显示回复，但这不完全符合我的意思：我希望文字本身逐渐出现。

我进一步说明，希望模拟有人正在输入回复。ChatGPT 建议在每个字符之间加入延迟，逐字显示回复。我添加新的输入和显示函数，更新主循环并再次测试。这次字符逐渐出现；这是视觉模拟，与将模型回复按块流式传输并不相同。

随着项目变大，应选择解释当前任务所必需的代码部分，并在需要时提供。经过练习，你会了解助手何时丢失上下文，以及哪些建议需要更仔细的检查。我也期待 GitHub Copilot X，希望它能让项目上下文更易于处理；这一期待反映了录制时的情况。