emu

Gera o código para uma descrição do programa solicitada pelo usuário usando o Azure OpenAI API GPT-3.5-Turbo.

Alterações/adições de código são adicionadas em uma base por menu-apraca.

Se o programa jogar quando executado, os erros de log serão enviados para modelos GPT, Code ou Text-Davinci para depuração.

---

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+ Python necessário Pacotes necessários: consulte requisitos.txt Adicione este pacote ao seu sys.path

Mudança de caminho necessária: Altere o caminho para o seu ambiente Python em config.json: por exemplo, "python_env_path": "/home/sergio/anaconda3/bin/python" para o caminho do valor de Env atual para "Python"

---

Autenticação: crie diretório "creds" na raiz deste projeto e salve em ele amostra_self_config.py. Renomeie este arquivo py para self_config.py e insira seus pontos de extremidade, nomes e teclas de modelo/implantação. Projeto testado com a API do Azure Openai. API Openai não testada.

---

Configurando o modelo e a temperatura do OpenAI por solicitação:

• As chaves do modelo para a classe de classe Azure_openai_model e Openai_model devem corresponder às teclas do modelo usadas em self_config.py
• Defina a API que corresponde ao modelo, por exemplo, request_argparse_api = model_api.azure_openai_api
• Defina o modelo para cada tipo de solicitação, por exemplo: model_request_argparse = (azure_openai_model.gpt35_deployment_name, azure_openai_model.gpt35_model_name)
• Defina a temperatura do modelo para cada tipo de solicitação, por exemplo: Model_request_argparse_temperature = 0.7

---

Execução deste programa: AT COMMAND LINE ./EMU_CLI.PY mostra o menu:

 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 o prompt de cada solicitação: em config_dir/config.py Toggle bool show_request

Se você achar isso útil, pode me comprar um café :)