Flutter & ChatGPT | 代码生成器

ChatGPT 作为一个自然语言处理工具，已经火了一段时间。对待 ChatGPT 不同人有着不同的看法，新事物的出现必然如此。利益相关者形成 抵制 和 狂热 两极；哗众取宠者蹭蹭热度，问些花活，博人眼球；猎奇者尝尝鲜，起哄者挑挑火；实用派在思考新事物的价值和劳动力：

对于那些拿 ChatGPT 当百科全书来用的，或询问哲学问题的朋友，我只想说：

对于一个问题，用错误的工具去处理得出错误的结果，是一件很正常的事。

1. ChatGPT 的特点和劣势

ChatGPT 最大的特点是基础的语义分析，让计算机对自然语言进行处理并输出。在一段会话中，上下文是有效的，所以可以类似于交流。

问这个问题，它会怎么回答？

这种猎奇的心理，会让一部分人期望尝试；有稀奇古怪或愚蠢的回答，也可以满足人类对人工智障的优越感；分享问答，也让 ChatGPT 拥有一丝的社交属性。蹭热度、猎奇、起哄三者可以用它填充一块内心的空虚，也仅止步于此。

ChatGPT 目前的劣势也很明显，由于数据是几年前的，所以时效性不强；对很多问题回答的精准度并不高，对于盲目相信的人，或判别力较差的朋友并不友好；最后一点，非常重要：对于工具而言，如果对其依赖性太高，脱离工具时，会让人的主观能动性降低。

2. 代码的生成与规则诱导

如下所示，让它生成一个 Dart 的 User 类：

生成一个 dart 类 User， 字段为 : 可空 int 型 age 、final 非空 String 型 username 默认值为 “unknown”

虽然代码给出了，但是可以看出，这是空安全之前的代码。可能很多人到这里，觉得数据陈旧没什么用途，就拜拜了您嘞。

但它是一个有会话上下文的自然语言处理工具，你可以让它理解一些概念。就像一个新员工，上班第一天出了一点小错误，你是立刻开除他，还是告诉他该怎么正确处理。如下所示，给了它一个概念：

Dart 新版本中可空类型定义时，其后需要加 ?

如下所示，你就可以在当前的会话环境中让它生成更多字段的类型：

用 Dart 新版本生成一个 dart 类 User，字段为: final 非空 int 型 age ， final 非空 String 型 username 默认值为 “unknown” ， final 非空 int 型 height，可空 String型info,final 非空 int 型 roleId

如果存在问题，可以继续进行指正。比如 ：

用 Dart 新版本，有默认值的字段不需要使用 required 关键字，其他非空字段需要

所以对于 ChatGPT 而言，我们可以把它看成一个有一些基础知识的，可为我们免费服务的员工，简称：奴隶。当它做错事时，你骂它，责备它，抛弃它是毫无意义的，因为它是机器。我们需要去 诱导 它理解，在当前工作环境中正确的事。

这样在当前会话中，它就可以理解你诉说的规则，当用它创建其他类时，他就不会再犯错。并且不排除它会基于你的规则，去完善自身的 知识储备 ，当众多的人用正确的规则去 诱导 它，这就是一个善意的正反馈。

3. 解决方案的概念

这里从生成的代码 不支持空安全 到 支持空安全，其实只用了几句话。第一句是反馈测试，看看它的 默认知识储备

生成一个 dart 类 User， 字段为 : 可空 int 型 age 、final 非空 String 型 username 默认值为 “unknown”

当它的输出不满足我们的需求时，再进行 诱导 ：

Dart 新版本中可空类型定义时，其后需要加 ?

用 Dart 新版本，有默认值的字段不需要使用 required 关键字，其他非空字段需要

在诱导完成之后，它就可以给出满足需求的输出。这种诱导后提供的会话环境，输出是相对稳定的，完成特定的任务。这就是为不确定的输出，添加规则，使其输出趋近 幂等性 。一旦一项可以处理任务的工具有这种性质，就可以面向任何人使用。可以称这种诱导过程为解决某一问题的一种 解决方案。

比如上面的三句话就是：根据类信息生成 Dart 数据类型，并支持空安全。在当前环境下，就可以基于这种方案去处理同类的任务：

用 Dart 新版本生成一个 dart 类 TaskResult，字段为: final 非空 int 型 cost ， final 非空 String 型 taskName 默认值为 “unknown” ， final 非空 int 型 count，可空 String型taskInfo,final 非空 String型 taskCode

你拷贝代码后，就是可用的：

4. Dart 数据类生成器完善

上面生成 Dart 数据类比较简单，下面继续拓展，比如对于数据类型而言 copyWith 、toJson 、fromJson 的方法自己写起来比较麻烦。如果现在告诉它：

为上面的类提供 copyWith、toJson 、 fromJson 方法

它会进行提供，说明它具有这个 默认知识储备 ，但可以看到 copyWith 方法中的字段不符合空安全：

此时可以训练它的 类型可空 的意识，让它主动处理类似的问题，也可以直白的告诉它

将上面的 copyWith 方法入参类型后加 ? 号

这样生成的 TaskResult 类就可以使用了：

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 toJson() {

    return {

      'cost': cost,

      'taskName': taskName,

      'count': count,

      'taskInfo': taskInfo,

      'taskCode': taskCode,

    };

  }


  static TaskResult fromJson(Map 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. 代码生成字符串 与 ChatGPT 生成字符串

对于一些相对固定的代码，可以使用代码逻辑，拼接字符串来生成。如下所示，通过对类结构的抽象化，使用对象进行配置，输出字符串。我们来思考一下，这和 ChatGPT 生成代码的区别。

首先，使用代码生成代码是一种完全的 幂等行为 。也就是说任何人、在任何时间、任何空间下，使用相同的输入，都可以获取到相同的输出，是绝对精准的。其产生代码的行为逻辑是完全可控的，人的内心是期待确定性的。

而 ChatGPT 对自然语言的理解，你可以用语言去引导它输出一些你的需求，比如 ：

以json 格式生成 10 句连续的中文对话，key 为 content包括。另外 time 字段为时间戳 ，type 字段1,2 随机

其实没有什么孰强孰弱，只是使用场景的不同而已。刀在不同人的手里有不同的用法，人是生产生活的主体，工具只有服务的属性。驾驭工具，让它产生实用的价值，才是工具存在的意义。好了，本文到这里就扯完了，感谢观看 ~