emu

Generiert den Code für eine vom Benutzer angeforderte Programmbeschreibung mithilfe von Azure OpenAI API GPT-3.5-Turbo.

Code Änderungen/Ergänzungen werden jeweils pro-menu-api-request hinzugefügt.

Wenn das Programm beim Ausführen ausgelöst wird, werden Protokollfehler für Debugug an GPT-, Code- oder Text-Davin-Modelle gesendet.

---

code_assistant_in_python_serviced_by_chatgpt._code-davinci._text-davinci.original.mp4

---

 Repo file structure:

.
├── config_dir                 #file configuration
      ├── config.json                #project files, paths, token limits metadata 
      ├── config.py                  #set by user API, model, temperature for each request
├── credentials                #credentials folder for OpenAI API
│   └── self_config.py              #Azure OpenAI API credentials & model names metadata
                                    #Move sample_self_config.py to self_config.py and fill data
├── emu_cli.py                  #run this module to run the program
├── feature_common.py 	        #common methods for feature requests to API
├── feature_manager.py          #manager for each feature requested by user in the menu
├── ft_operations               #non-API requests directory
│   ├── op_loadcode.py 		      #loads code from local file to apply code change requests to it
│   ├── op_run_program.py 	      #run the code
├── ft_requests                 #feature text requests directory
│   ├── feature_request_argparse.py 		#standard add argparse request
│   ├── feature_request_custom_req.py 		#user enters custom system and request prompt
│   ├── feature_request_debuglogs.py 		#send logs from running the program to API to debug error found in logs
│   ├── feature_request_docstrings.py 		#add docstrings
│   ├── feature_request_excpt_and_log.py        #add exception handling and logs to the code
│   ├── feature_request_rawcode.py              #generate initial code from a program description
├── log_list_handler.py 										
├── project                      #project output directory
│   ├── module.log 
│   ├── module.py                  #code requested stored here and versioned
├── prompt_txt                   #prompt specs directory for each request
│   ├── clean_json_rq.py
│   ├── custom_req.py
│   ├── debug_rq.py
│   ├── docstrings_rq.py
│   ├── error_hndl_logging_rq.py
│   ├── input_and_argparse_rq.py
│   ├── raw_code_rq.py
├── README.md
├── requirements.txt
├── sample_self_config.py
├── tools                         #file and request management utilities directory
│   ├── file_management.py
│   └── request_utils.py
├── user_interaction.py           #user interaction class

---

Python v3.10+ Erforderliche Python Erforderliche Pakete: Siehe Anforderungen

Pfadänderung erforderlich: Wechseln Sie den Pfad in Ihre Python -Umgebung unter config.json: z.

---

Authentifizierung: Erstellen Sie das Verzeichnis "Creds" zum Stamm dieses Projekts und speichern Sie in IT sample_self_config.py. Benennen Sie diese PY -Datei in self_config.py um und geben Sie Ihre Endpunkte, Modell-/Bereitstellungsnamen und -tasten ein. Projekt getestet mit Azure Openai API. Ungetestete Openai -API.

---

Konfigurieren von OpenAI -Modell und Temperatur pro Anforderung:

• Modellschlüssel für die Klasse der Klasse azure_openai_model und openai_model müssen mit Modellschlüssel übereinstimmen, die in self self_config.py verwendet werden
• Stellen Sie die API ein, die dem Modell entspricht, z.
• Setzen Sie das Modell für jeden Anforderungsart, z. B. model_request_argparse = (azure_openai_model.gpt35_deployment_name, azure_openai_model.gpt35_model_name)
• Setzen Sie die Modelltemperatur für jeden Anforderungsart, z. B. model_request_argparse_temperature = 0,7

---

Ausführung dieses Programms: In der Befehlszeile ./emu_cli.py zeigt das Menü:

 1.  Generate Raw Code
        Request model for code according to a description you provide.
2.  Load Raw Code Script From File
3.  Add Argparse
4.  Exception Handling and Logging
5.  User Custom Request
        Requirement: code to be already loaded. Expected JSON response as specified in custom_req.py json_required_format variable.
6.  Run Program And Request Repair of Debug Logs
        Run the program and upon errors send the log error captured for the model to amend the code accordingly.
7.  Add Docstrings To Program Code.
8.  Set Menu Sequence
9.  Run All
10. Exit

Choose your request: 

---

Schalten Sie um, um die Eingabeaufforderung für alle Anforderungen anzuzeigen: unter config_dir/config.py Toggle bool show_request

Wenn Sie dies hilfreich finden, können Sie mir einen Kaffee kaufen :)