低代码平台 开源(低代码开发平台 开源)

转自公众号:腾讯云开发者
http://mp.weixin.qq.com/s?__biz=MzI2NDU4OTExOQ==&mid=2247631401&idx=1&sn=8cb7ec503833b643e8203b8b71a3f225

低代码平台 开源(低代码开发平台 开源)

??腾小云导读

GPT 出现之后,很多人推测大量的软件都会因为其出现而重写。本文主要是低代码平台与 ChatGPT 结合的一些思考以及实践。期望与各位读者一起搭上 AI 这列快车,为开发提提速~
??
1 背景
2 Demo 演示
3 思路
    3.1 ChatGPT+代码生成工具结合模式
    3.2 ChatGPT 代码生成现状
    3.3 现阶段可行的思路
    3.4 案例
4 设计实现
    4.1 架构分层
    4.2 插件化
    4.3 研发调整
5 总结

01

背景

从探索模型驱动开发开始,我一直在思考一个问题:“软件,是否可以用更简单、更人性化的方式生成”,ChatGPT 给我了一个肯定的回答。

我们此前根据领域模型在生成代码方面进行了一些探索,希望用建模时间高倍率置换编码时间。随着代码工具的不断完善,效率提升越来越难,因为模型是抽象的而实现是具体的,模型所承载的信息并不足以直接生成代码,一定需要来补充信息,这部分工作工具无法替“人”来完成。

低代码平台 开源(低代码开发平台 开源)

直到体验了 ChatGPT,在震惊于它强大的能力同时,我们也就“如何将 ChatGPT 引入我们的代码生成工具来提升研发效能”进行了思考,并且快速搭建了一些 Demo 验证效果。

02

Demo 演示

“Talk is cheap. Show me the code”,先看效果:

视频中类图、分析序列图来源于 UMLChina

这里演示了工具基于领域模型生成代码的流程,在第3到5步工具集成了一个基于 ChatGPT 接口实现的插件,该插件自动提取模型中的中文类名、成员变量名、成员函数中文名,然后将中文名以及翻译用途、命名风格输入到 ChatGPT 得到翻译结果,并自动填充回工具,最后生成代码。

这里仅仅是简单地使用了 ChatGPT 的翻译能力,却给我们带来了巨大的提升,想象一下一个项目数十个类名、数百个成员变量名以及函数名需要根据中文翻译为英文,有些词还要使用翻译软件翻译后再根据使用用途(类名使用名词或者名词短语、方法名使用动词)转换词性,然后调整为大驼峰或者下划线连接等风格,这是多么无趣和繁琐的工作,而现在只需要一键填充,然后做微小调整即可。

仅接入了 ChatGPT 的翻译能力就提效如此明显,那如果将 ChatGPT 的能力封装为一个一个插件嵌入到整个研发过程,那会达到什么效果呢?

03

思路

   3.1 ChatGPT+代码生成工具结合模式

   3.1.1 模式一:直接生成软件


这种模式让 ChatGPT 理解人类语言并编写软件,例如 ChatGPT 完全可以生成一个可运行的贪吃蛇小游戏,当然严格意义上这种模式并不是 ChatGPT 和代码生成工具结合,因为根本不需要代码生成工具参与,这无疑是最简单、最自然的软件开发方式。
遗憾的是通过测试发现:ChatGPT 现阶段并不能直接通过对话编写出完整的、复杂的软件,因为软件有自己的核心域知识,而且不同的团队都有自己的规范、环境等要求,例如谷歌使用 gRPC 框架、部署在谷歌云,而亚马逊的研发框架和部署环境与谷歌完全不同。我们不可能将这些信息全部输入到 ChatGPT(这些信息太多了,通过会话描述这些信息需要大量的工作,除了考虑性能以外也担心敏感信息泄露问题)。现阶段该模式无法实现。我想,尽管 AutoGPT 的出现说明 AI 确实可以从0到1完成一个项目,但我想没有人敢将它生成的项目直接应用于生产环境。

   3.1.2 模式二:生成代码片段

通过会话将代码上下文信息输入到 ChatGPT,它基于这些信息完善、编辑代码,例如 Copilot 插件就是该模式。测试发现 ChatGPT 生成代码片段的质量比较高且比较稳定。

该模式和模式一的区别是代码是“工具”将 ChatGPT 生成的“代码片段”进行组织,最终形成完整的软件。

   3.1.3 模式三:生成DSL

将自然语言转换为 DSL ,然后基于 DSL 生成代码或者软件,这种模式和方案二的区别是 ChatGPT 不直接生成代码,代码是由工具根据 ChatGPT 生成的 DSL 生成。ChatGPT 生成 DSL 相对稳定,这种模式生成的代码质量相对前两种模式更加可靠。

   3.2 ChatGPT 代码生成现状

“知彼知己,百战不殆”,我们首先要对 ChatGPT 的能力有个清晰认识,这样才能选择正确的模式。我们阅读了一些 GPT-4 能力测评论文,也做了大量的实验验证,说几个有意思的点:
  • ChatGPT 是“懂”代码的,给出一段代码可以正确的添加注释,甚至还可以根据上下文优化变量命名、完善代码;

  • ChatGPT 是会“猜”代码的,仅仅给出一个函数声明,它可以根据函数命名、参数命名猜测函数的功能,并生成测试用例;

  • ChatGPT 生成通用代码(例如基础库)比较容易,但是生成特定领域的代码可能不符合该领域的最佳实践;

  • ChatGPT 生成代码质量和使用者有关,输入越准确生成代码质量越高,输入内容过多或者过少都会导致生成结果变差。

在实际场景中我们写代码所依赖的信息非常多,除了当前文件的上下文还可能跨文件、跨系统、跨仓库……但是由于 ChatGPT 对输入长度的限制,将所有依赖信息输入到 ChatGPT 是不现实的(时间成本、敏感代码泄露);另外一个问题是交互模式,如果代码是离线生成还好,但如果是“和 ChatGPT 结对编程”对实时性要求是非常高的,想象一下如果 Copilot 每次生成提示都需要1分钟你还会用吗?

   3.3 现阶段可行的思路

结合上述信息,我们认为尽管目前 GPT4 能力非常强大,但是并不能做到全自动生成应用,尤其是针对某个行业需要匹配该行业的最佳实践和领域知识,需要遵循团队研发规范。这些是 ChatGPT 现阶段所无法做到的。那基于 ChatGPT 现有的能力,如何嵌入到代码生成工具中呢?我作了一些粗浅的思考:
  • 利用 ChatGPT 辅助生成 DSL,将 DSL 导入到低代码平台生成符合团队规范的业务代码;

  • 将第一步生成的代码输入到 ChatGPT,由 ChatGPT 根据上下文补充生成代码片段并填充到对应位置;

低代码平台 开源(低代码开发平台 开源)

读到这里也许会有疑问,这明显就是模式二和模式三的结合,为什么要分两次让 ChatGPT 生成代码呢?我下面用一个案例进行详细解释。

   3.4 案例

   3.4.1 信息提取

低代码平台 开源(低代码开发平台 开源)
如上图所示,这是系统用例“接收车位状态变化”的分析序列图,通过分析序列图我们可以得到如下信息:
· 控制类有一个方法为“停车收费”;
· 控制类的“停车收费”方法依赖实体类“泊位”;
· 分析序列图中的实体类的成员变量可以在类图中得到,所有指向该实体的箭头都映射为一个方法;
· 可以根据分析序列图得到控制类和实体类方法的伪代码,例如“来车”的伪代码如下:

int 泊位::来车(){
  // 1、取值班人员
  排班(时间).取值班人员(值班人员序号);
  if(失败){
    打印日志
    返回失败错误码
  }
  return 0
}

   3.4.2 构建DSL生成代码

显然上述信息并不足以生成代码,以“泊位::来车”这段伪代码为例,要想映射为一段符合C++语法的代码,至少还需要完善下面这些信息:
  • 翻译,伪代码中的单词都要翻译为英文;

  • 补充字段类型,时间字段是什么类型;

  • 模式配置,例如“取值班人员”方法失败怎么定义?根据返回码判断还是根据某个出参判断;

做完这些工作后,我们才能将上述伪代码使用结构化的语言描述以便生成代码,例如:
{
    \\\"return_type\\\":\\\"int\\\",
    \\\"function_name\\\":\\\"ArriveCar\\\",
    \\\"param\\\":[],
    \\\"impl\\\":[
        {
            \\\"entity\\\":\\\"Scheduling\\\",
            \\\"function\\\":\\\"GetShiftPersonnel\\\",
            \\\"return_type\\\":\\\"int\\\",
            \\\"param\\\":[
                {
                    \\\"type\\\":\\\"int\\\",
                    \\\"name\\\":\\\"number\\\"
                }
            ]
        }
    ]
}


事实上需要配置的信息远远不止这些,而且完成这些工作的知识都在“人脑”中,只能人来完成 构建可以生成的代码的 DSL 并不简单。当然我们可以通过一些方法来减少人的工作:例如将填空题修改为选择题(大多数配置都是勾选操作而不用输入文字)、总结最佳实践添加默认选择项(例如成员变量默认不生成Get函数)等等,然而始终有一部分工作是繁琐、重复、低效且需要人来完成的,例如上述步骤中的中文根据使用情景不同翻译为不同词性、不同格式的英文单词。而这部分工作就需要引入 ChatGPT 来完成,由人来翻译500个中文词可能需要50分钟(10个/分钟),而让 ChatGPT 来翻译仅需要几秒钟。

低代码平台 开源(低代码开发平台 开源)

   3.4.3 完善代码


经过第一步从模型提取信息、第二步将信息转换为生成代码所需要的 DSL ,这时候我们就可以生成代码了,下面是我们生成的代码目录的一个案例:

低代码平台 开源(低代码开发平台 开源)

我们打开上述目录中的头文件、PROTO 文件不仅满意的点了点头。但当我们点开泊车类的 .cpp 文件见到下面内容不仅吐槽:生成的代码并不能直接运行!

// 来车
int ParkingSpace::ArriveCar() {
  //// MDD-TAG-BEGIN:[flow][slot-ArriveCar][函数实现]
  int ret = 0;
  // 取值班人员
  Scheduling scheduling (/*请填充参数*/);
  ret = scheduling.GetShiftPersonnel(number);
  if (ret != 0) {
    LOG_VERR(\\\"--->>错误事件名<<---\\\", ret, \\\"GetShiftPersonnel_ERR\\\");
    return ret;
  }
  return ret;
  //// MDD-TAG-

原创文章,作者:网络技术联盟站,如若转载,请注明出处:https://www.sudun.com/ask/34677.html

(0)
网络技术联盟站的头像网络技术联盟站
上一篇 2024年4月15日
下一篇 2024年4月15日

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注