本文主要是介绍AutoDevOps-oups 大模型开发之自动代码生成器,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文章目录
- 前言
- AutoDevOps-oups: AI-Driven Software Development Automation Solution & AI Tools for Software Building
- 介绍1️⃣
- Features and Benefits2️⃣
- 快速开始3️⃣
- 📦 本地部署
- 🚀 Docker 快速部署
- 基本使用4️⃣
- 项目助手 😶
- 项目系统生成🏎
- 后续迭代方向💫
前言
好久没有出来划水了,是的我又回来了,没有办法最近的事情实在是太多了,以至于我没有时间去分析最新的动态和技术,But today the king is comeming back。 接下来的时间里,我将恢复到以前的状态,持续保持技术更新与迭代。那么今天带来的是,最近这段时间编写的代码生成器。接下来的系列博文当中,我们将讲解基本的大模型开发教程,同时如何一步步实现下面的这个项目。当然现在整个项目已经开源,并且已经开源了好几周的,但是请原谅,实在是抽不开身,唉,上班了,很多事情由不得我。在这里奉劝各位一句,饼子终究是饼子,只要不是合同上写的,都不要信。本人就是一个例子,机会再多也怕眼瞎。关于这部分的经历在后续我会给大家分享,望各位以我为警钟,各位在找工作的时候务必擦亮双眼!
好了废话不多说,我们开始!
项目地址Gitee:https://gitee.com/Huterox/auto-dev-ops-oups
项目地址GitHub:https://github.com/Huterox/auto-dev-ops-oups
AutoDevOps-oups: AI-Driven Software Development Automation Solution & AI Tools for Software Building
💡 Get Help - Q&A
介绍1️⃣
AutoDevOps-oups 是一个基于AI的软件开发自动化解决方案,它利用AI技术来辅助软件开发过程,交互组件基于Streamlit开发完成。旨在快速完成逻辑功能开发,完成验证版本开发。
当前版本完全开源,并处于功能验证阶段,我们欢迎广大开发者参与其中,共同完善这个项目。✔ 同时为了便于学习Agent开发,当前项目存在较多轮子组件,便于理解其底层实现思想。
Features and Benefits2️⃣
- 编码问答助手,支持读取本地项目,读取项目目录结构,分析代码依赖,协助用户阅读项目源码🍳
- SQL助手,当前并未对驱动进行抽象封装,暂时只支持MySQL数据库。输入设置数据库连接,即可使用SQL助手,协助分析数据库设计,查询语句编写🐟
- 项目需求助手,Agent将扮演项目经理,协助整理相关项目需求,同时内置Whisper可提取音频文件,后续集成替换为FunASR。
- 工作流实现&项目代码生成,在当前项目,我们实现了一个简易的非可视化工作流(旨在学习工作流底层实现原理),并基于该工作流实现了一个系统代码生成流程。
- 对话式分析项目需求
- 根据需求设计数据库
- 根据数据库设计,生成创建执行代码
- 后端指定技术栈为Python Fast API 前端指定技术栈为Vue3 生成基础系统代码(CURD)
- 基于基础代码与用户确定需求生成需求业务代码
- 对话式修改当前系统代码
- ❌ 暂不支持 😣
- 全自动化流水生成代码,在操作过程当中,我们要求由用户自己切换工作流状态(交互式点击下一步)因为我们无法直接确定当前工作流输出结果是否为用户所需。
后续版本,我们将实现 monitor manger 去自动检测整个workflow的执行结果,以及并行节点组件。 - 考虑到当前模型的性能差异,我们取消了直接将代码生成至基础工程当中,而是采用markdown说明的形式,将系统代码进行输出。这个过程类似于
我们提供积木组件,需要用户按照参考说明进行组装。而不是由我们自动组装,但这一功能并不是不能实现
- 全自动化流水生成代码,在操作过程当中,我们要求由用户自己切换工作流状态(交互式点击下一步)因为我们无法直接确定当前工作流输出结果是否为用户所需。
快速开始3️⃣
注意在开始之前,请准备好你的OpenAI key,这非常重要,在项目根目录创建文件:
api.toml
内容如下:
(注意:请将sk-替换为你的key,同时可以使用相关中转站服务来请求使用OpenAI)
OpenAI中转站🌎
[DEFAULT]
default_key = "sk-"
default_base = "https://api"
default_model = "gpt-4o"
default_temperature = 0.5[WHISPER]
openai_whisper_api = false
faster_whisper_model_default = "tiny"
faster_whisper_model_local = true
faster_whisper_model_local_path = "F:/new/model/tiny"
gpu = false
vad = false
lang = "自动识别"[MORE]
min_vad = 500
beam_size = 5
whisper_prompt = "Please break sentences correctly and retain punctuation."
temperature = 0.5
crf = 23
quality = "medium"
ffmpeg = "libx264"
log = "error"
📦 本地部署
如果你想要本地源码,部署请按照如下操作进行:
-
Python 3.10+ 作者开发环境为3.10版本,因此推荐在本地部署时使用>=3.10版本
-
pip install -r requirements.txt
-
执行指令:
streamlit run /app/main.py --server.port=8080
🚀 Docker 快速部署
同时,我们依然提供了dockerFile,方便用户快速部署。
-
执行指令:
docker build -t AutoDevOps-oups:latest .
docker run -p 8080:8081 AutoDevOps-oups:latest
容器内部服务默认暴露8080~
如果一切顺利,访问浏览器服务器端口,即可进入到软件首页。
软件首页如下图所示:
基本使用4️⃣
这里我们将主要快速介绍当前软件的基本使用。
项目助手 😶
在此之前请确保你已经申请并具备了OpenAI key,并在首页的设置项目当中进行了设置填写。
当你对项目功能存在相关疑问时,你可以询问项目助手。
项目系统生成🏎
其余功能,在对应页面由详细的操作提示,只需要按照相关提示即可进行操作,但是对应系统生成来说,依然存在较多的细节需要注意。
-
流程选定,虽然当前系统只有一个流程,但是在后期将对此模块进行优化,增加新的流程。因此在使用系统生成之前,需要先进入下面的页面选定流程
同时,在选定页面,也将展示流程的执行示意图。
-
系统生成对话,在选定之后(当前只有一个,因此为默认勾选,但不设定,因此需要进入选定页面,设定)
之后进入操作页面如下:
在这里有如下几点需要注意:
- 在右侧边栏,可以查看当前流程的执行示意图。
- 重点注意右侧边的Variable按钮,该按钮可以查看当前流程执行的结果,当切换流程执行为下一步时,该值将覆盖切换,因此请即使查看结果,也请及时保存。
- Describe与Variable实际上是一组CheckButton,当你选择Variable后,后续都会默认执行Variable,也就是,每次自动打开查看结果。如果需要取消请点击Describe。
此设计主要为防呆设计。
后续迭代方向💫
- 增加更多的流程,以满足更多的需求。
- 抽离streamlit实现功能,切换前端技术栈,主要出于以下考量
- 性能考量与项目后续工程化处理
- 集成可视化流程,后端流程引擎可能考虑基于当前流程实现,或基于LangChainFlow进行二次开发
- 系统生成发展方向确定
- 以母港的形式生成系统 1️⃣
- 以组件的形式集成系统 2️⃣
这篇关于AutoDevOps-oups 大模型开发之自动代码生成器的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!