emu

Genera el código para una descripción del programa solicitada por el usuario utilizando Azure OpenAI API GPT-3.5-TURBO.

Los cambios/adiciones de código se agregan por base por menú-Api-Request.

Si el programa se lanza cuando se ejecuta, los errores de registro se envían a los modelos GPT, Code o Text-Davinci para la depuración.

---

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+ Pitenos requeridos de Python: consulte Requisitos.txt Agregue este paquete a su sys.path

Cambio de ruta requerido: Cambie la ruta a su entorno Python en config.json: por ejemplo, "python_env_path": "/home/sergio/anaconda3/bin/python" para la ruta del valor de set actual en "python"

---

Autenticación: Cree directorio "Creds" en la raíz de este proyecto y guarde en él sample_self_config.py. Cambie el nombre de este archivo PY a self_config.py e ingrese sus puntos finales, modelos/nombres y claves de implementación. Proyecto probado con Azure Openai API. API Operai no probada.

---

Configuración del modelo OpenAI y la temperatura por solicitud:

• Las teclas de modelo para la clase clase Azure_openai_model y OpenAI_Model deben hacer coincidir las teclas del modelo utilizadas en self_config.py
• Establecer API que corresponda al modelo, por ejemplo, request_argparse_api = model_api.azure_openai_api
• Establecer modelo para cada tipo de solicitud, por ejemplo: model_request_argparse = (Azure_openai_model.gpt35_deployment_name, Azure_openai_model.gpt35_model_name)
• Establezca la temperatura del modelo para cada tipo de solicitud, por ejemplo: model_request_argparse_temperature = 0.7

---

Ejecución de este programa: At Command Line ./emu_cli.py muestra el menú:

 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: 

---

Alternar para mostrar el solicitante de cada solicitud: en config_dir/config.py toggle bool show_request

Si encuentra esto útil, puede comprarme un café :)