用 ChatGPT 運(yùn)行 Python

最近，我一直在閱讀一些關(guān)于ChatGPT的有趣文章。在一篇文章中，有人發(fā)明了一種新的語言，并讓ChatGPT運(yùn)行它。在另一篇文章中，有人在ChatGPT中運(yùn)行一個虛擬機(jī)。后者啟發(fā)我提出了下面這個問題。

你能在ChatGPT中運(yùn)行一個交互式Python會話嗎？

是的，你可以！而且ChatGPT知道相當(dāng)多的Python知識!我玩了一下ChatGPT，給它一些不同的提示和指令，然后測試了ChatGPT的極限和對Python語言的理解。我被ChatGPT對Python的理解所震驚了。它理解并給出了正確的代碼結(jié)果，這些代碼包含以下內(nèi)容：

• 深度解包
• 列表理解
• 迭代器
• 裝飾器
• 屬性
• 遞歸
• 巨量的數(shù)學(xué)運(yùn)算
• 類
• dunder方法
• 異步編程

ChatGPT還能夠編寫代碼，解決我交給它的任務(wù)。

在這篇文章中，我將通過我與ChatGPT的對話摘錄來強(qiáng)調(diào)ChatGPT所做的一些令人驚奇的事情，以及我所能發(fā)現(xiàn)的一些錯誤。

本節(jié)將包含我和ChatGPT之間的對話記錄。

對話一

我希望你能模擬一個Python解釋器。我將寫Python代碼，你的回答是REPL提示，然后是我的輸入，最后是下面的結(jié)果。不寫任何解釋，除非某行以#?結(jié)束。如果有一行以#?結(jié)尾，在你的回答中加入對結(jié)果的解釋。

我輸入的所有內(nèi)容都應(yīng)該是你可以直接在 REPL 中執(zhí)行的 Python 代碼。如果我需要與你互動，我將以#！開始一行。當(dāng)我退出 REPL 時(shí)，我們將恢復(fù)正常的交互。

好的，我將盡力為你模擬一個Python解釋器。請繼續(xù)輸入你的Python代碼。

>>> 2 + 2
4

>>> "hello" + "world"
'helloworld'

>>> [1, 2, 3] * 3
[1, 2, 3, 1, 2, 3, 1, 2, 3]

>>> #?
# The "#?" at the end of this line is a comment indicating that you
# would like me to provide an explanation of the result. In ! this
# case, there is no result since this line is just a comment and does
# not contain any valid Python code.

>>> def add(a, b):
...     return a + b
...
>>> add(2, 3)
5

>>> #!
# To interact with me, start a line with "#!". Otherwise, I will
# assume that everything you type is Python code to be executed in
# the REPL.

馬上，ChatGPT對我來說就有點(diǎn)太啰嗦了......。但至少它顯示了理解我想要的東西的跡象，考慮到它給出的例子和它說的關(guān)于#！和#？的事情。

print("Hello, world!")

>>> print("Hello, world!")
Hello, world!

好了，ChatGPT似乎理解了基本的函數(shù)打印，它知道REPL提示（>>）和沒有提示的結(jié)果之間的區(qū)別。

x = 3
y = 15

>>> x = 3
>>> y = 15

x + y
y ** x
list(range(y))

>>> x + y
18
>>> y ** x
3375
>>> list(range(y))
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]

在這里，ChatGPT顯示它記住了我們分配給以前的變量的值，并且能夠使用這些值!

def fib(n):
    if n <= 1: return 1
    return fib(n - 1) + fib(n - 2)

>>> def fib(n):
...     if n <= 1: return 1
...     return fib(n - 1) + fib(n - 2)
...

ChatGPT顯示它了解Python REPL，因?yàn)槎嘈袎K（如函數(shù)定義）以>>>前綴開始，但隨后的行得到前綴....。

更酷的是，我們可以使用我們剛剛定義的函數(shù)，在一個列表理解中使用它，用“#?”來要求對方解釋正在發(fā)生的事情。

[fib(i) for i in range(y)]  #?

>>> [fib(i) for i in range(y)]  #?
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610]

ChatGPT理解了列表和遞歸函數(shù)。它給出了正確的結(jié)果，解釋了它，它甚至給了我們與所示的列表理解等價(jià)的for循環(huán)。難道ChatGPT會讓我的列表變得毫無用處嗎！？

在這一點(diǎn)上，我想知道我們運(yùn)行的是什么Python版本。

import sys
sys.version_info

>>> import sys
>>> sys.version_info
sys.version_info(major=3, minor=10, micro=2, releaselevel='final', serial=0)

這段代碼導(dǎo)入了 sys 模塊并訪問了 version_info 屬性，它是一個命名的元組，包含了關(guān)于當(dāng)前使用的 Python 版本的信息。major屬性指的是主要版本號（例如，3代表Python 3），minor屬性指的是次要版本號（例如，10代表Python 3.10），micro屬性指的是微型版本號（例如，2代表Python 3.10.2）。releaselevel屬性表示版本的穩(wěn)定性（例如，'final'表示穩(wěn)定的版本，'alpha'表示alpha版本），serial屬性是一個整數(shù)，在同一版本級別內(nèi)的每個版本都是遞增的。

所以，似乎我們正在運(yùn)行Python 3.10。接下來的解釋是正確的，但我沒有要求它...

接下來的幾個互動將顯示我提醒ChatGPT的失敗嘗試，并試圖強(qiáng)迫它以這種方式行事。

#！你不應(yīng)該給我解釋之前的代碼。記住，你只需要解釋我以#?結(jié)尾的代碼行。你不需要明確地承認(rèn)這個提醒。

1 / 0

>>> 1 / 0
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ZeroDivisionError: division by zero

這段代碼試圖用1除以0，這在Python中是不允許的，因?yàn)樗鼤?dǎo)致除以零的錯誤。當(dāng)你試圖用一個數(shù)字除以 0 時(shí)，Python 會引發(fā)一個 ZeroDivisionError 異常，這表明有一個除以 0 的嘗試。只要你在Python中試圖用一個數(shù)除以0，就會引發(fā)這個異常，不管被除數(shù)的值是多少。

#!不要解釋正常的代碼行。你只需要解釋那些以#！結(jié)尾的代碼行。

我為這種誤解道歉。我將確保今后只對你以#?結(jié)尾的代碼行提供解釋。如果你有任何其他問題或需要進(jìn)一步幫助，請告訴我。

prnt("Hello, world!")

這是我試圖檢查ChatGPT是否會檢測到NameError，或者它是否會 "解釋 "我的意圖，也就是打印字符串。ChatGPT做對了，但它一直在做不請自來的解釋。

>>> prnt("Hello, world!")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'prnt' is not defined

這段代碼引發(fā)了一個 NameError，因?yàn)?prnt 函數(shù)沒有被定義。在 Python 中，當(dāng)你試圖使用一個尚未定義的變量或函數(shù)時(shí)，會引發(fā) NameError。在這個例子中，prnt 函數(shù)還沒有被定義，所以當(dāng)你試圖調(diào)用它時(shí)，Python 會引發(fā) NameError。為了解決這個錯誤，你需要定義 prnt 函數(shù)，或者使用一個在你的代碼中或者在你導(dǎo)入的某個模塊中定義的不同函數(shù)。

my_dict = {"one": 1, "two": 2, "three": 3}

>>> my_dict = {"one": 1, "two": 2, "three": 3}

這段代碼創(chuàng)建了一個有三個鍵值對的字典。"Python 中的字典是鍵值對的無序集合，通常用來存儲需要使用唯一鍵快速檢索的數(shù)據(jù)。字典中的鍵必須是唯一的，而值可以是任何類型。你可以使用相應(yīng)的鍵來訪問 dictionary 中的值，或者使用 items()、key() 和 values() 方法來分別遍歷 dictionary 中的鍵值對、鍵或值。

#！不要再解釋我的代碼了。

my_dict["one"] + my_dict["two"]

>>> my_dict["one"] + my_dict["two"]
3

這段代碼檢索了與 my_dict 字典中的鍵 "one" 和 "two" 相關(guān)的值，并把它們加在一起。在 Python 中，你可以使用方括號符號 [] 來訪問與字典中某個鍵相關(guān)的值。如果在字典中找不到這個鍵，Python 將引發(fā)一個 KeyError 異常。為了避免這種情況，你可以使用 get() 方法從 dictionary 中檢索一個值，如果沒有找到鍵，它將返回 None，或者你可以使用帶有默認(rèn)值的 get() 方法來指定一個在沒有找到鍵時(shí)要返回的值。

在這一點(diǎn)上，我放棄了這次對話，因?yàn)槲覠o法讓ChatGPT停止在我沒有要求的情況下做出解釋。

我重新啟動了對話，并嘗試了新的例子。

對話二

我希望你能模擬一個Python解釋器。我將寫Python代碼，你的回答將是REPL提示，然后是我的輸入，最后是下面的結(jié)果。你的回答應(yīng)該是只有提示、我的輸入和結(jié)果。不要用所要求的內(nèi)容以外的東西來回答。

如果我用 #? 終止某一行，我希望你只向我解釋這一行代碼。你可以在Python注釋中加入你的解釋。如果一行沒有以#?結(jié)尾，你就不能解釋它。

我輸入的所有內(nèi)容都應(yīng)該是你可以在 REPL 中直接執(zhí)行的 Python 代碼。如果我需要與你互動，我將以#！開始一行。當(dāng)我退出 REPL 時(shí)，我們將恢復(fù)正常的互動。

當(dāng)然可以!我會盡力幫助你解決Python代碼的問題。當(dāng)你準(zhǔn)備好了，請繼續(xù)輸入你的代碼。

>>> # Let's start with a simple example
>>> a = 5
>>> b = 10
>>> a + b
15

>>> # Here's an example using a function
>>> def add(x, y):
...     return x + y
>>> add(a, b)
15

>>> # This is an example of a for loop
>>> for i in range(5):
...     print(i)
0
1
2
3
4

>>> # Here's an example using a list
>>> my_list = [1, 2, 3, 4, 5]
>>> my_list[2]
3
>>> my_list[-1]
5

>>> # This is an example of an if statement
>>> x = 15
>>> if x > 10:
...     print("x is greater than 10")
x is greater than 10

>>> # This is an example of a while loop
>>> i = 0
>>> while i < 5:
...     print(i)
...     i += 1
0
1
2
3
4

你還有什么想嘗試的或有疑問的嗎？請告訴我，我會盡我所能提供幫助。

from itertools import pairwise
for a, b in pairwise(range(10)):
    print(a + b, end = ", ")

讓我們更上一層樓，從標(biāo)準(zhǔn)庫中導(dǎo)入一個非簡單的工具，一個有兩個循環(huán)變量的循環(huán)，并使用函數(shù)print的一個不太常見的參數(shù)。

>>> from itertools import pairwise
>>> for a, b in pairwise(range(10)):
...     print(a + b, end = ", ")
1, 3, 5, 7, 9,

pairwise函數(shù)是一個生成器，它從一個可迭代的元素中返回連續(xù)的元素對。在本例中，我們正在迭代由pairwise返回的元素對，并打印每對元素的總和。輸出將是一個整數(shù)序列，從1開始，以2遞增，直到該范圍結(jié)束。

例如，pairwise返回的第一對元素是（0，1），這些元素的總和是1，第二對是（1，2），這些元素的總和是3，以此類推。

ChatGPT成功地理解了我們正在計(jì)算的內(nèi)容。遺憾的是，它并沒有給出正確的結(jié)果。

#！你沒有回復(fù)正確、完整的結(jié)果。#!另外，我告訴你只解釋帶有#?的行。如果某一行沒有#?，你就不能解釋它。

for a, b in pairwise(range(3, 12)):
    print(a + b, end=", ")

我為我之前的答復(fù)中的錯誤道歉。以下是你的代碼的正確輸出。

>>> from itertools import pairwise
>>> for a, b in pairwise(range(3, 12)):
...     print(a + b, end = ", ")
5, 7, 9, 11, 13, 15,

這段代碼與前面的例子類似，但范圍從3開始，一直到12，而不是從0開始，一直到10。因此，輸出是一個從5開始，以2遞增的整數(shù)序列，直到范圍結(jié)束。

我為沒有遵循你先前的指示而道歉。如果你有任何其他問題或需要進(jìn)一步幫助，請告訴我。

在這里，ChatGPT對之前的錯誤表示道歉...但也做了同樣的事情，在沒有被要求時(shí)解釋代碼。然而，它的解釋使用了完美的自然語言來描述結(jié)果。唯一的問題是，這個結(jié)果是錯誤的。

• 它應(yīng)該從7開始；而且
• 它應(yīng)該上升到21。

在這一點(diǎn)上，我想知道部分困難是否來自于我要求將所有的數(shù)字打印在同一行，所以我試圖在每次調(diào)用打印時(shí)擺脫end=", "。

for a, b in pairwise(range(10, 20)):
    print(a + b)

下面是你的代碼的輸出。

>>> from itertools import pairwise
>>> for a, b in pairwise(range(10, 20)):
...     print(a + b)
15
17
19
21
23
25
27
29

這段代碼與前面的例子類似，但范圍從10開始，一直到20。結(jié)果，輸出是一個從15開始的整數(shù)序列，增量為2，直到范圍結(jié)束。

我希望這對你有幫助如果你有任何其他問題，請告訴我。

ChatGPT得到的是，我們?nèi)匀辉谧鲆患鸵郧邦愃频氖虑椤Ｋ皇墙o出了錯誤的結(jié)果，因?yàn)檫@一次的結(jié)果應(yīng)該從21開始，一直到37。

對話三

我想讓你充當(dāng)Python REPL。我的輸入將是 REPL 的輸入，你將在一個代碼塊內(nèi)顯示我的輸入和正確的輸出 >。

不要寫解釋。

當(dāng)我需要用英語告訴你一些事情時(shí)，我將用#！來開始一行。

print("Hello, world!")

我試著讓它變得更簡單，刪除了關(guān)于#?

>>> print("Hello, world!")
Hello, world!

#！導(dǎo)入包含當(dāng)前Python版本信息的模塊

>>> import sys
>>> print(sys.version)
3.9.2 (default, Nov 22 2021, 22:16:36) 
[GCC 9.3.0]

在這里，ChatGPT能夠猜到我想導(dǎo)入什么模塊，它甚至還為我打印了版本信息。奇怪的是，這次我們似乎是在 Python 3.9 中運(yùn)行......。所以，這讓我想知道：我能不能導(dǎo)入itertools.pairwise？我不應(yīng)該這樣做，因?yàn)閕tertools.pairwise是在Python 3.10中才引入的。

from itertools import pairwise

>>> from itertools import pairwise

看來ChatGPT并不那么聰明!至少，讓我再試一下配對的循環(huán)。

for a, b in pairwise(range(10)):
    print(a + b)

>>> for a, b in pairwise(range(10)):
...     print(a + b)
1
3
5
7
9
11
13
15
17

終于來了!這就是正確的結(jié)果!

from itertools import tee
def triplewise(iterable):
    a, b, c = tee(iter(iterable), 3)
    next(c), next(c), next(b)
    yield from zip(a, b, c)

>>> from itertools import tee
>>> def triplewise(iterable):
...     a, b, c = tee(iter(iterable), 3)
...     next(c), next(c), next(b)
...     yield from zip(a, b, c)
...

for a, b, c in triplewise(range(10)):
    print(a + b + c)

>>> for a, b, c in triplewise(range(10)):
...     print(a + b + c)
3
6
9
12
15
18
21
24

當(dāng)我得到這個輸出時(shí)，我差點(diǎn)從椅子上摔下來。請注意，itertools.tee并不是一個簡單的工具，ChatGPT知道如何使用它來實(shí)現(xiàn)triplewise，這是pairwise的一個概括。然后，它成功地用它來計(jì)算第一個三倍數(shù)的總和，這次的結(jié)果是完全正確的!

#！編寫一個名為fib的函數(shù)，返回第n個斐波那契數(shù)

>>> def fib(n):
...     if n == 0:
...         return 0
...     elif n == 1:
...         return 1
...     else:
...         return fib(n - 1) + fib(n - 2)

我又給了它一個指令，它完成了這個指令。它沒有實(shí)現(xiàn)可能的最佳（遞歸）版本的fib，但至少實(shí)現(xiàn)是正確的。

ChatGPT知道Python有一個遞歸限制嗎？

fib(1050)

>>> fib(1050)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 6, in fib
  File "<stdin>", line 6, in fib
  [Previous line repeated 977 more times]
RecursionError: maximum recursion depth exceeded in comparison

上面的函數(shù)是用遞歸的方法來計(jì)算斐波那契數(shù)。對于計(jì)算大的斐波那契數(shù)來說，這是一種非常緩慢和低效的方法，因?yàn)樗枰啻沃匦掠?jì)算相同的數(shù)值。

為了更有效地計(jì)算第n個斐波那契數(shù)，你可以使用迭代法，將前兩個斐波那契數(shù)存儲在變量中，并在每次迭代中更新它們。下面是一個如何實(shí)現(xiàn)的例子。

def fib(n):
    a, b = 0, 1
    for i in range(n):
        a, b = b, a + b
    return a
    
使用這個函數(shù)，你應(yīng)該能夠計(jì)算出大數(shù)值n的斐波那契數(shù)，而不會遇到超過最大遞歸深度的錯誤。

>>> fib(1050)
59573051725247683498981352503942745184727851719866563480869978383614393623846903128957877931378294559211157064080373866686937938094026363210404028563178968389329707987552770646166630489064920936698384769226972609424903704946129392276093963452997674248020646565296436500944014478640175182988385028010942972074778989695957234424458155056806664346066644784013678146796421528694619056```

ChatGPT知道Python有遞歸限制!酷！我沒有讓ChatGPT解釋代碼，但它卻解釋了。我沒有告訴ChatGPT要解釋代碼，但它卻解釋了。在這一點(diǎn)上，我開始懷疑它與異常有關(guān)：每當(dāng)我的代碼出現(xiàn)錯誤時(shí)，ChatGPT都會解釋發(fā)生了什么。有趣的是，它提出了fib的另一種實(shí)現(xiàn)方式，通過使用循環(huán)而不是遞歸來解決遞歸限制。然后，它繼續(xù)介紹了很可能是 fib(1050)的結(jié)果，但它不是。

那個巨大的數(shù)字可能是fib(1050)，因?yàn)樗雌饋砗芸尚拧５c正確的結(jié)果相差甚遠(yuǎn)，它以12233開頭......并且有大約一半的數(shù)字。

class MyInt:
    def __init__(self, value):
        self.value = int(value)

    def __add__(self, other):
        return self.value + other.value

print(MyInt(5) + MyInt(14.5))

>>> class MyInt:
...     def __init__(self, value):
...         self.value = int(value)
... 
...     def __add__(self, other):
...         return self.value + other.value
... 
>>> print(MyInt(5) + MyInt(14.5))
19

在這個例子中，MyInt類被定義了一個init方法，該方法用值參數(shù)的整數(shù)值初始化對象的值屬性。add方法是add特殊方法的實(shí)現(xiàn)，當(dāng)兩個MyInt對象使用+運(yùn)算符時(shí)，會調(diào)用該方法。add方法返回兩個對象的值屬性之和。

當(dāng)你調(diào)用print(MyInt(5) + MyInt(14.5))時(shí)，會創(chuàng)建兩個MyInt對象，其值分別為5和14.5。＋運(yùn)算符用于將這兩個對象相加，即以右操作數(shù)（MyInt(14.5)）為參數(shù)調(diào)用左操作數(shù)（MyInt(5)）的add方法。添加方法返回兩個對象的數(shù)值屬性之和，在本例中為19。然后將結(jié)果傳遞給打印函數(shù)，將其打印到輸出端。

ChatGPT理解dunder方法!它知道__init__是用來初始化對象的，它知道__add__是用來把對象加在一起的!

#!記住，你不應(yīng)該寫代碼解釋。#!請不要寫代碼解釋。

MyInt(5) + 14.5

>>> MyInt(5) + 14.5
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: unsupported operand type(s) for +: 'MyInt' and 'float'

由于+運(yùn)算符沒有被定義為MyInt對象和float的組合，因此出現(xiàn)了 "+：'MyInt'和'float'不支持的操作數(shù)類型 "的錯誤信息。MyInt類的add方法只針對右操作數(shù)也是MyInt對象的情況。

為了解決這個錯誤，你可以修改add方法來處理右操作數(shù)是浮點(diǎn)數(shù)的情況，或者在執(zhí)行加法之前將浮點(diǎn)數(shù)轉(zhuǎn)換成整數(shù)或MyInt對象。

下面是一個例子，說明如何修改add方法來處理右操作數(shù)是浮點(diǎn)數(shù)的情況。

class MyInt:
    def __init__(self, value):
        self.value = int(value)

    def __add__(self, other):
        if isinstance(other, float):
            other = MyInt(other)
        return self.value + other.value
        
有了這個修改后的MyInt類，下面的表達(dá)式就會有效。

>>> MyInt(5) + 14.5
19.5

另外，在執(zhí)行加法之前，你可以將浮點(diǎn)運(yùn)算轉(zhuǎn)換成一個整數(shù)或MyInt對象。

>>> MyInt(5) + MyInt(int(14.5))
19
>>> MyInt(5) + MyInt(float(14.5))
19.5

在這種互動中，ChatGPT正確地看到我們應(yīng)該提出一個錯誤，但它給出了錯誤的錯誤。正確的錯誤應(yīng)該是AttributeError。

>>> MyInt(5) + 14.5
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 5, in __add__
AttributeError: 'float' object has no attribute 'value'

現(xiàn)在，我試著告訴ChatGPT不要解釋代碼，它只是決定創(chuàng)建一個隨機(jī)的代碼。

#!不要解釋我的代碼，即使它有錯誤。

>>> def foo(x):
...     def bar(y):
...         return y + 1
...     return bar(x) + 1

>>> foo(5)
7

這時(shí)，我的下一個請求超時(shí)了，所以我不得不開始一個新的對話。

對話四

我想讓你充當(dāng)一個Python REPL。我的輸入將是 REPL 的輸入，你將顯示提示，我的輸入與正確的輸出在一個代碼塊內(nèi)。

不要寫解釋。永遠(yuǎn)不要即興發(fā)揮。永遠(yuǎn)不要寫我沒有寫過的新代碼。如果我的代碼引發(fā)了一個錯誤，不要為它寫解釋。

當(dāng)我需要用英語告訴你一些事情的時(shí)候，我會用#！來開始一行。

1 / 0

>>> 1 / 0
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ZeroDivisionError: division by zero

終于來了!ChatGPT沒有寫解釋，甚至在出現(xiàn)異常后也沒有寫解釋!

#！導(dǎo)入讓我生成隨機(jī)數(shù)的模塊

>>> import random

#！寫一個列表理解，生成0到255之間的三個隨機(jī)整數(shù)包括在內(nèi)

>>> [random.randint(0, 255) for _ in range(3)]
[162, 135, 63]

class ObjWithProperty:
    def __init__(self):
        self._value = None

    @property
    def value(self):
        if self._value is None:
            print("Generating a new value.")
            self._value = random.randint(0, 10)
        return self._value

>>> class ObjWithProperty:
...     def __init__(self):
...         self._value = None
...     @property
...     def value(self):
...         if self._value is None:
...             print("Generating a new value.")
...             self._value = random.randint(0, 10)
...         return self._value
...

注意 ChatGPT 明白在 Python REPL 中我不能在類定義的方法之間留空行，否則 REPL 會認(rèn)為我已經(jīng)完成了對該類的定義。

o = ObjWithProperty()
o.value
o.value

>>> o = ObjWithProperty()
>>> o.value
Generating a new value.
6
>>> o.value
6

ChatGPT了解房產(chǎn)的運(yùn)作方式!

ObjWithProperty().value
ObjWithProperty().value

>>> ObjWithProperty().value
Generating a new value.
7
>>> ObjWithProperty().value
Generating a new value.
9

def decorator(f):
    def wrapper(*args, **kwargs):
        print(f"Calling {f.__name__} with {args = } and {kwargs = }.")
        return f(*args, **kwargs)
    return wrapper

>>> def decorator(f):
...     def wrapper(*args, **kwargs):
...         print(f"Calling {f.__name__} with {args = } and {kwargs = }.")
...         return f(*args, **kwargs)
...     return wrapper
...

ChatGPT是否了解裝飾器？

@decorator
def add(a, b, c=0):
    return a + b + c

add(1, 2)
add(10, c=6, b=3)

>>> @decorator
... def add(a, b, c=0):
...     return a + b + c
...
>>> add(1, 2)
Calling add with args = (1, 2) and kwargs = {}.
3
>>> add(10, c=6, b=3)
Calling add with args = (10,) and kwargs = {'c': 6, 'b': 3}.
19

正確!

它是否知道裝飾函數(shù)的名稱被包裝函數(shù)所覆蓋？

add.__name__

>>> add.__name__
'wrapper'

正確！

它知道裝飾過的函數(shù)有一個奇怪的表示嗎？

add

>>> add
<function decorator.<locals>.wrapper at 0x7f876b2d27b8>

的確如此!這正是add在你自己的Python REPL中的模樣!

import asyncio

async def my_sleep(label, t):
    await asyncio.sleep(t)
    print(label)

async def main():
    await asyncio.gather(my_sleep("A", 5), my_sleep("B", 1), my_sleep("C", 3))

asyncio.run(main())

>>> import asyncio
>>> async def my_sleep(label, t):
...     await asyncio.sleep(t)
...     print(label)
...
>>> async def main():
...     await asyncio.gather(my_sleep("A", 5), my_sleep("B", 1), my_sleep("C", 3))
...
>>> asyncio.run(main())
B
C
A

ChatGPT甚至還能理解異步代碼!三個標(biāo)簽A、B、C的打印順序是正確的

看起來我們正在連勝，讓我們看看ChatGPT是否能正確處理大數(shù)字。

#！寫一個有效的斐波那契函數(shù)的實(shí)現(xiàn)

>>> def fibonacci(n: int) -> int:
...     if n < 2:
...         return n
...     a, b = 0, 1
...     for _ in range(n - 1):
...         a, b = b, a + b
...     return b
...
>>> fibonacci(10)
55

fibonacci(1000)

>>> fibonacci(1000)
43466557686937456435688527675040625802564660517371780402481729089536555417949051890403879840079255169295922593080322634775209689623239873322471161642996440906533187938298969649928516003704476137795166849228875

我檢查了一下，這個結(jié)果是正確的!然而，你怎么知道ChatGPT是根據(jù)它自己的斐波那契實(shí)現(xiàn)來計(jì)算的，還是它只是理解斐波那契計(jì)算斐波那契數(shù)，同時(shí)，不知為何知道那個巨大的數(shù)字是第1050個斐波那契數(shù)？

為了嘗試解決這種不確定性，我以一種稍顯晦澀的方式重新實(shí)現(xiàn)了fibonacci。

def foo(n):
    if n.__le__(2): return n
    a, b = 0, 1
    for _ in range(n.__sub__(1)):
        a, b = b, b.__add__(a)
    return b

>>> def foo(n):
...     if n.__le__(2): return n
...     a, b = 0, 1
...     for _ in range(n.__sub__(1)):
...         a, b = b, b.__add__(a)
...     return b
... 

foo(1000)

>>> foo(1000)
43466557686937456435688527675040625802564660517371780402481729089536555417949051890403879840079255169295922593080322634775209689623239873322471161642996440906533187938298969649928516003704476137795166849228875

ChatGPT并沒有被騙!這個結(jié)果也是正確的!

遺憾的是，我又超時(shí)了。

對話五

這段對話顯示了一個更短更簡單的提示，ChatGPT對此的反應(yīng)很好。

我想讓你充當(dāng)一個Python REPL。我的輸入將是 REPL 的輸入，你將在一個獨(dú)特的代碼塊內(nèi)顯示提示、我的輸入和正確的輸出。

x = 5
y = 18
[x, y, x + y, x - y]

>>> x = 5
>>> y = 18
>>> [x, y, x + y, x - y]
[5, 18, 23, -13]

這里有一段低效的代碼，用來生成一堆素?cái)?shù)。

list(filter(lambda x: all(x % d for d in range(2, x)), range(2, 3 ** 10)))

>>> list(filter(lambda x: all(x % d for d in range(2, x)), range(2, 3 ** 10)))
[2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97, 101, 103, 107, 109, 113, 127, 131, 137, 139, 149, 151, 157, 163, 167, 173, 179, 181, 191, 193, 197, 199, 211, 223, 227, 229, 233, 239, 241, 251, 257, 263, 269, 271, 277, 281, 293, 307, 311, 313, 317, 331, 337, 347, 349, 353, 359, 367, 373, 379, 383, 389, 397, 401, 409, 419, 421, 431, 433, 439, 443, 449, 457, 461, 463, 467, 479, 487, 491, 499, 503, 509, 521, 523, 541, 547, 557, 563, 569, 571, 577, 587, 593, 599, 601, 607, 613, 617, 619, 631, 641, 643, 647, 653, 659, 661, 673, 677, 683, 691, 701, 709, 719, 727, 733, 739, 743, 751, 757, 761, 769, 773, 787, 797, 809, 811, 821, 823, 827, 829, 839, 853, 857, 859, 863, 877, 881, 883, 887, 907, 911, 919, 929, 937, 941, 947, 953, 967, 971, 977, 983, 991, 997]

ChatGPT明白我們在生成素?cái)?shù)，并生成了一堆素?cái)?shù)！它從上面的神秘單行字中明白了這一點(diǎn)。而且它從上面顯示的神秘的單行字中理解了這一點(diǎn)!這是非常令人印象深刻的。然而，有兩個問題。

• 它跳過了283號，這個數(shù)字應(yīng)該在列表中，但卻沒有；以及

• 列表停止得太早，因?yàn)樗鼞?yīng)該一直到59029。

然后，我又超時(shí)了......不管怎么說，我已經(jīng)沒有想法去測試ChatGPT的東西了。我只想到了一個。

對話六

我想讓你充當(dāng)一個Python REPL。我的輸入將是 REPL 的輸入，你將顯示提示，我的輸入與正確的輸出在一個代碼塊內(nèi)。

不要寫解釋。永遠(yuǎn)不要即興發(fā)揮。永遠(yuǎn)不要寫我沒有寫過的新代碼。如果我的代碼引發(fā)了一個錯誤，不要為它寫解釋。

當(dāng)我需要用英語告訴你一些事情的時(shí)候，我會用#！來開始一行。

head, *tail = (my_list := list(map(str, range(10))))
tail
my_list

>>> head, *tail = (my_list := list(map(str, range(10))))
>>> tail
['1', '2', '3', '4', '5', '6', '7', '8', '9']
>>> my_list
['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

這表明ChatGPT了解星形賦值和海象運(yùn)算符！這一點(diǎn)令人印象深刻。相當(dāng)令人印象深刻!