文章目录
- 一、前言
- 二、认识了解 DevChat
- 2.1 什么是 DevChat
- 2.2 DevChat 优势以及特点
- 2.2.1 精准控制提示上下文
- 2.1.2 简单的扩展机制
- 2.1.3 多种大模型任选
- 三、构建安装 DevChat
- 3.1 注册 DevChat
- 3.2 DevChat 插件安装指南
- 3.2.1 在 Windows 上安装git（如已安装，可跳过该步骤）
- 3.2.2 在 VS Code 中安装插件
- 3.2.3 设置Access Key
- 四、DevChat 实践操作案例
- 4.1 优化整个代码文件
- 4.2 使用 DevChat 进行代码审计
- 五、文末总结
一、前言
本次评测聚焦于 VSCode 插件 DevChat，为开发者提供即时通信功能，提高编程效率。文章深入探讨了插件的安装、使用和特性，通过代码示例详细说明其在开发过程中的实际帮助。在软件开发领域，VS Code 作为灵活而功能强大的编辑器，通过丰富的插件满足各类开发需求。对于对 GPT 感兴趣的人，推荐使用 DevChat，这款基于 GPT-4 的聊天式编程辅助工具。与 ChatGPT 不同，DevChat 直接为 VS Code 提供插件，使得在编程环境中与之对话更加便捷。
二、认识了解 DevChat
2.1 什么是 DevChat
DevChat是一个集成了多种主流大模型的AI编程工具,专注于提升程序员的编程效率。它整合了ChatGPT、Codex等热门AI大模型,支持自然语言编程、代码编写、代码生成、代码补全等功能。Devchat最大的优势是一站式服务,集成热门大模型，并且可以根据需求随心切换，省去了选择和整合不同AI模型的麻烦，无需过多配置就可以快速上手,从而全面提升开发效率。产品务实高效，近期还在QCon全球软件大会亮相，斩获众多圈内开发者的好评
2.2 DevChat 优势以及特点
尽管有许多AI编码工具可用，但我们基于通过生成数万行代码积累的实际见解开发了DevChat。DevChat做出了以下的独特的设计选择。
2.2.1 精准控制提示上下文
对上下文的精准掌控是有效使用人工智能的关键。例如，假设你希望AI为一个函数生成一些测试用例。瓶颈不在于制定请求本身或嵌入给 AI 的指令，比如“你是一个很棒的测试者”。相反，对于请求而言，被称为上下文的所需信息是最关键的因素。在这种情况下，上下文可能不仅涵盖被测试的函数，还包括它调用的任何其他主要函数，这可能影响测试用例。此外，上下文还可能包括一个类似的工作测试用例，以帮助 AI 理解和复制测试用例在你特定环境中的设置和格式。
我们发现大多数其他“智能”或“自动”工具倾向于过度猜测用户需要将什么放入提示中，目的是减轻用户的工作量。这通常导致比 LLMs 能够有效处理的更多噪音。DevChat 将控制权交还给人类以实现真正的生产力，并提供用户友好的方法来简化上下文选择。在实践中，人类仍然是驾驶员，只有在提供清晰请求和适当上下文的情况下，AI 才能真正发挥作用。
2.1.2 简单的扩展机制
为了满足你的需求，你不必学习特定编程语言的新框架。提示应该对用户可见且易于编辑，而不是隐藏在复杂的框架中。
自定义你的提示，建立适合你和团队的工作库。将自己的提示模板轻松集成到 DevChat 中，无需进行大量工程努力或陡峭的学习曲线。你不需要一个复杂的框架来让 AI 为你工作。只需使用操作你文件系统的标准编辑器即可。
2.1.3 多种大模型任选
现阶段 DevChat 支持多种大模型，现阶段可以看到支持 GPT-4（OpenAI）、GPT-3（OpenAI）、Claude-2 等。
从下图可以看到，支持的模型种类很多：
三、构建安装 DevChat
3.1 注册 DevChat
直接访问官方网站进行注册
DevChat 官方网站：https://www.devchat.ai/
输入注册信息进行注册
注册成功后，在你的邮箱内会收到注册成功的提示邮件，类似如下，请保存该邮件，如果没有收到，先去垃圾箱检查一下，可能会被误判为垃圾邮件了。里面包含一个 Access Key 信息，要保存好，后面会使用到。
3.2 DevChat 插件安装指南
3.2.1 在 Windows 上安装git（如已安装，可跳过该步骤）
环境中需要安装 Git 依赖，安装方法可以参考我以前的博文：[Git & GitHub] Windows安装git和环境变量配置
完成安装后，在命令行终端运行git --version返回版本号表明成功。
3.2.2 在 VS Code 中安装插件
在 VS Code 插件市场中搜索devchat，如下图，点击安装（或访问 Visual Studio Marketplace，点击 Install）。
安装可能持续若干分钟（在这里我确实等了几分钟）
完成安装后的提示：如下图
3.2.3 设置Access Key
在访问 https://web.devchat.ai/ 注册的账号后，会收到邮件，里面会带有 Access Key（上文有提示），完整复制粘贴到 VS Code 中，具体方法为：
点击左下角管理（“齿轮”图标），命令面板（Command Palette），在弹出的命令面板中输入devchat key，点击如下命令后，如下图：
在弹出的输入框中粘贴进 DevChat Access Key，回车。右下方状态栏 DevChat 前出现如下对勾，表明安装配置完成
到此步骤，我们已经将 DevChat 成功安装到 VS Code 中，接下来我们实际操作一下，来体验 DevChat 的强大。
四、DevChat 实践操作案例
4.1 优化整个代码文件
在这个例子里，我们可以直接讲某一个代码文件，添加到 DevChat 中，之后让 DevChat 直接进行分析，得到代码策略。
如下图所示，直接右键点击代码文件，添加到 DevChat 中
在下图可以看到，我们添加的代码文件，并且在聊天框中，可以直接添加输入你想做的事情，之后让 DevChat 进行优化代码，并且 DevChat 给出了建议方案。
DevChat 给出的建议参考如下。
你的代码写得不错，只有一小部分可以进一步优化，具体的优化点如下：
- 数据库操作分离：
你可以将数据库连接配置项抽象为一个函数，如此可以在三个执行数据库操作的函数中复用。同时你可以使用with语句，这样在语句结束之后，连接和游标就会自动关闭，无需手动关闭。
- 路径拼接：
你可以使用 os.path.join(path, i) 来代替 path + '/' + i，这样可以避免在不同操作系统上出现的路径分隔符不统一的问题。
以下为对应的优化代码：
import pymysql
import pandas as pd
import os
import wordcloud
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
# MySQL数据库连接配置
db_config = {
'host': "gz-cynosdbmysql-grp-d27hp6vl.sql.tencentcdb.com",
'port': 27529,
'user': "root",
'password': "TDSQL-C.@GMbe#P!",
'database': 'experience-12',
}
def get_connection_cursor():
# 建立MySQL数据库连接
conn = pymysql.connect(**db_config)
cursor = conn.cursor()
return conn, cursor
def create_table(table_name, columns):
with get_connection_cursor() as (conn, cursor):
query = f"CREATE TABLE IF NOT EXISTS {table_name} ("
for col_name, col_type in columns.items():
query += f"{col_name} {col_type}, "
query = query.rstrip(", ")
query += ")"
cursor.execute(query)
conn.commit()
def excelTomysql():
path = '词频'
files = [os.path.join(path, i) for i in os.listdir(path)]
for file_path in files:
print(file_path)
filename = os.path.basename(file_path)
table_name = os.path.splitext(filename)[0]
data = pd.read_excel(file_path, engine="openpyxl", header=0)
columns = {col: "VARCHAR(255)" for col in data.columns}
create_table(table_name, columns)
save_to_mysql(data, table_name)
print(filename + ' uploaded and saved to MySQL successfully')
def save_to_mysql(data, table_name):
with get_connection_cursor() as (conn, cursor):
for index, row in data.iterrows():
query = f"INSERT INTO {table_name} ("
for col_name in data.columns:
query += f"{col_name}, "
query = query.rstrip(", ")
query += ") VALUES ("
values = tuple(row)
query += ("%s, " * len(values)).rstrip(", ")
query += ")"
cursor.execute(query, values)
conn.commit()
def query_data():
with get_connection_cursor() as (conn, cursor):
cursor.execute("SHOW TABLES")
tables = cursor.fetchall()
data = []
dic_list = []
table_name_list = []
for table in tables:
table_name = table[0]
table_name_list.append(table_name)
query = f"SELECT * FROM {table_name}"
with get_connection_cursor() as (conn, cursor):
cursor.execute(query)
result = cursor.fetchall()
if len(result) > 0:
columns = [desc[0] for desc in cursor.description]
table_data = [{columns[i]: row[i] for i in range(len(columns))} for row in result]
data.extend(table_data)
dic = {}
for i in data:
dic[i['word']] = float(i['count'])
dic_list.append(dic)
conn.commit()
cursor.close()
conn.close()
return dic_list, table_name_list
if __name__ == '__main__':
excelTomysql()
print("excel写入到mysql成功！")
result_list, table_name_list = query_data()
print("从mysql获取数据成功！")
for i in range(len(result_list)):
maskImage = np.array(Image.open('background.PNG'))
wc = wordcloud.WordCloud(
font_path='PingFangBold.ttf',
mask=maskImage,
max_words=500,
max_font_size=100)
wc.generate_from_frequencies(result_list[i])
wc.to_file("词云图/{}.png".format(table_name_list[i]))
print("生成的词云图【{}】已经保存成功！".format(table_name_list[i] + '.png'))
plt.imshow(wc)
plt.axis('off')
plt.show()
4.2 使用 DevChat 进行代码审计
另一个推荐的比较强大的功能是，可以利用 DevChat 对 PR 的代码进行代码审计操作。
下面我们来演示如何用 DevChat 对分支：adapt-prompt-for-3.5-instruct 进行代码审计操作
我们在 DevChat 窗口中，给出所要审计的分支关键词等信息，对代码分支进行 Review。
效果如下图：
DevChat 会给出专业的 Review 建议点，返回给用户，如下图所示：
五、文末总结
在本文中，我们介绍了 DevChat，探讨了其在开发过程中的重要性和优势。通过精准控制提示上下文、简单的扩展机制以及多种大模型任选，DevChat为开发者提供了强大的工具，助力优化整个代码文件并进行高效的代码审计。通过详细的构建安装步骤，我们帮助读者轻松入门，并展示了在实际操作中如何利用 DevChat 提升开发效率。无论是注册、插件安装，还是设置 Access Key，我们提供了清晰的指南。希望这篇文章能够成为你在 DevChat 使用过程中的有力伙伴，让你在开发中更加游刃有余。
