使用ChatGPT/New Bing提升日常工作效率

柠檬卷
3,276 阅读7分钟

访问方式

目前可以访问/使用gpt模型的方式主要有以下几种，大部分需要使用科学上网：

  1. ChatGPT官网
  • 免费用户只能使用GPT3.5模型，目前响应较慢，且在高峰时段几乎不可用;
  • Plus用户可以使用GPT4.0模型，响应较快，效果较好，20美元一个月，但也限制使用频率（25条/3小时）;
  • 数据为历史数据，暂不支持图片/网页识别，后续会通过插件形式支持
  1. openai-api
  • 官方接口调用，可以植入代码，可玩性拓展性强;
  • 按模型/tokens数量计费;
  1. New Bing
  • 交互较好，可以结合网页/实时搜索结果等信息
  • 每次对话有条数限制，目前已经拓展到15-20条
  1. 国内其他封装的接口，本质都是3.5的接口，目前大多也都被封禁了

应用场景

因为本人是程序员，所以就从程序员的角度和大家分享一下近一个多月来的使用经验。在许多地方，chatgpt确实能帮助我节省很多时间。注：为了信息安全，以下场景都是从工作中抽象出来的场景

一、代码生成

1.1 Mysql 数据库场景

作为sql boy，第一个想到的场景就是sql相关的，看看chatgpt能做到什么程度

1.1.1 sql建表

可以让chatgpt帮忙建表，并给出测试数据，从结果来看是可以准确给出的。表的字段全面，类型准确，完全符合日常使用，稍作调整即可满足业务需要。示例数据中，订单号是按照测试日期排列，支付方式包含alipay和wechat_pay等，语义精准。 create_table_gpt.jpeg 同时，我也对文心一言做了测试，可以看到，给出的结果有些简单，全部是数值类型，给出的测试数据也全部是1，还有提升空间 create_table_yiyan.jpeg

1.1.2 增删改查

CRUD程序员，create，read，update和delete就是工作的大部分了，这部分让gpt来做做看 可以看出gpt准确理解了我的要求，并且每一类给出四个不同的示例，字段也与自己之前建表一致。 crud_gpt.jpeg 而在这一言对题目的理解就开始出现偏差了 crud_yiyan.png

1.1.3 写慢SQL

我们每天都会不停的写大量的慢SQL，gpt也不例外，让他来写几个慢sql看看 我们要求他写出5个不同类型的慢SQL，他也都给出来了，而且给出了慢sql的原因 hard_sql_gpt.png

1.1.4 优化慢SQL

高级的sql boy不仅会写sql，还要能优化慢sql，为了确认他是否真的搞懂这些慢sql，我们试图让他优化一下。 结果还是很好的，其中很多方法都是实际工程中用到的方法，比如分页查询，使用缓存（汇总表）把实时计算转换成离线计算等。 hard_sql_tune_1.png

hard_sql_tune_2.png

1.1.5 彩蛋

看到这里我想删库跑路了，不过这两个笑话还是比较冷的。。。。 sql_joke.png

1.2 PySpark场景

最近日常工作中，涉及到大数据机器学习场景多了起来，所以要接触pyspark，但之前在这个方面的经验很少，让gpt来帮忙。

1.2.1 建表

这次的建表也准确理解了含义，即使复杂的语义，列表类型的数据也能准确给出；并且中文部门与英文部门也准确对应 pyspark_table.png

1.2.2 展开某一列

这里随便选择了一个场景，对某一列进行展开 pyspark_explode.png

1.2.3 表join

为了给他增加难度，我要求另一个表包含table_66，table_88，但不含table_4。然后与展开后的表做了join，也准确记住了展开后的表格，并且也知道关联后的结果如何。能准确说出结果不含table_4的原因

pyspark_join.png

二、项目设计

既然简单的函数可以写了，那么对于项目工程，我们可以拆分成不同的模块交给他去做。这里我虚构了一个场景。只要你把你的项目拆分的足够清晰，并且表达清楚，chatgpt是可以短时间给你一个开箱即用的函数的。大部分情况下稍作修改也可以满足需求了。

2.1 构造小函数

2.1.1 创建数据集

stock_gpt.png

2.1.2 数据预处理

我们对历史数据进行异常点检测，并将异常点做一个替换，形成第一个函数 stock_dataprocess_gpt.png

2.1.3 数据预测

第二步，我们让gpt帮忙写一个预测函数 stock_predict_gpt.png

2.1.4 模型评估

第三步，我们让gpt写一个模型评估函数 stock_eval_gpt.png

2.2 整合&优化项目

有了上述简单的函数，就可以基于上面的模块组合起来，形成一整个项目了。

2.2.1 模块组合

stock_project_gpt.png

2.2.2 项目工程优化

从工程上，gpt认为数据量与for循环导致了运行效率低，推荐我们改成向量化并并行计算 stock_tune_1.png

2.2.3 算法优化

对于算法方面，gpt也找到了当前比较领先的两个预测算法，一个是深度学习算法，一个是facebook开源的prophet算法，在实际工作中确实有用到这个算法

stock_tune_2.png

三、代码理解

经常看到同事的代码，里面好多陌生函数，也不知道这个逻辑要干嘛，把示例数据和代码交给ai看一看

3.1 SQL代码阅读

select * from ( select date, job, array_join(slice(split(path, '/'), 1, cardinality(split(path, '/')) -2), '/') as new_path from hdfs.hdfs_path_info where date = '20230401' and operation = 'read' group by date, job, array_join(slice(split(path, '/'), 1, cardinality(split(path, '/')) -2), '/') hdfs_path_info_tmp left join ( select table, table_path, date, table_size from table_raw_info where date = '20230401' ) table_size_info on hdfs_path_info_tmp.newpath = table_size_info.table_path order by table_size desc

这个场景比较简单，多表join的时候很容易把自己看晕，chatgpt帮忙梳理之后，逻辑会更加清晰 code_sql_gpt.png

3.2 python 代码阅读

选了一个最近看到的代码库AnomalyTransformer目前来看gpt的解释还很简单，但对于初学者来说，能对代码有个大概理解。希望后续能实现跨脚本之间的阅读

code_python_gpt.png

四、论文&文档概括

4.1 论文概括

对于一篇新的论文可以让newbing快速帮你概括一下，并且推荐相关领域的类似论文

paper_raw.png

paper_gpt.png

4.2 文档概括

拿一篇github上的文档做测试github文档

doc_github.png

4.2.1 对文档内容总结

doc_summary_gpt.png

4.2.2 对文档内容提问

doc_query_gpt.png

五、陌生领域知识学习

对于程序员来说，经常会接触到陌生的新业务领域，需要对业务知识有一些理解。这个时候可以求助gpt帮忙介绍 比如说，我想去业务做个量化，就可以跟gpt去了解一些基本的知识

qtrade_know_gpt.png

qtrade_detail_gpt.png

六、文档润色&翻译

6.1 周报润色

每周最困扰的就是写周报了，划水了一周，或者不知道怎么表达 week_report_gpt.png

6.2 邮件翻译

一些简单的英语不是问题，但是怎么写的得体就很困难了，那还不如让gpt帮忙给马斯克写一封邮件，假设我在推特的推荐部门工作，希望他不要裁员我。

email_gpt.png

七、对话机器人聊天

剩下就是大家可以自由发挥了，让chatgpt学习各种语气与你对话，问一些有趣的问题。

总结

整体看chatgpt可以帮我们节省大量重复简单的工作，但也存在一些问题：

  1. 连接不稳定，目前比较依赖科学上网，而且openai服务器本身也不稳定，对访问频率限制越来越高
  2. 答案的质量很大程度上取决于问题的质量，good question很重要，学会提问，这也是为什么会有Prompt Engineer的出现与火爆了
  3. 不是100%的可靠！不是100%的可靠！不是100%的可靠！代码类别的回答可以验证，但是其他领域知识类的回答，ai经常会一本正经胡说八道，要谨慎使用
  4. 目前只适用了以上领域，还有更多领域的应用可以尝试，ai的上限是人类的想象力吧

本文正在参加 人工智能创作者扶持计划

avatar
文章
阅读
粉丝