編譯 | 伊風(fēng)

出品 | 51CTO技術(shù)棧（微信號：blog51cto）

編者按：資深開發(fā)者詹姆斯·拉米雷茲長文分享，講述了他使用ChatGPT學(xué)習(xí)Go語言，導(dǎo)航Kolide API并構(gòu)建復(fù)雜的Steampipe插件的經(jīng)驗。在這個過程中，他深化了對AI輔助編程的認識。

開發(fā)者（包括我自己在內(nèi)）更喜歡邊做邊學(xué)。這是我與LLM合作的指導(dǎo)原則之一，也可以說是最重要的一項：因為你在面向任務(wù)的教學(xué)時刻中獲取知識，學(xué)習(xí)不是前瞻性的——它是即時的和可觸摸的。

當一位經(jīng)驗豐富的開發(fā)者與LLM合作時，它的機器智能支持和增強了你的人類智能。

對我來說，好處是顯而易見的。在LLM時代為Steampipe編寫ODBC插件感覺比我之前沒有這種幫助時要容易得多。但這顯然是一個主觀評價，因此我在尋找一個機會與另一位插件開發(fā)者比較筆記時，詹姆斯·拉米雷茲在我們社區(qū)的Slack中宣布為Kolide API構(gòu)建了一個新插件。

我邀請他告訴我他構(gòu)建插件的經(jīng)驗，他很慷慨地和我一起進行了一次長時間的與ChatGPT的對話，他在對話中熟悉了三個新的技術(shù)知識領(lǐng)域：Kolide API、Go語言和Steampipe插件架構(gòu)。

作為一個額外的挑戰(zhàn)：雖然插件開發(fā)者通常會為他們的插件目標API找到合適的Go SDK，但這里并非如此。因此，需要為Kolide API創(chuàng)建一個Go包裝器，然后將其集成到插件中。

1、測試ChatGPT的Go能力

詹姆斯開始進行一些熱身練習(xí)。首先，為了測試ChatGPT的Go能力，他提供了一對他編寫的調(diào)用相關(guān)API /devices/ 和 /devices/ID 的Go函數(shù)，并要求對其進行重構(gòu)，以隔離在兩者之間共享邏輯。

接下來，他探索了使用簡單的可變參數(shù)與更復(fù)雜的函數(shù)選項模式來處理函數(shù)的可選參數(shù)，并確定簡單的方法——使用一個Search結(jié)構(gòu)的切片來封裝Kolide的查詢參數(shù)的字段/運算符/值樣式——就足夠了。他要求一個函數(shù)來將該Search結(jié)構(gòu)的切片序列化為一個REST URL，然后完善了ChatGPT提出的版本，創(chuàng)建了一個最終的serializeSearches，增加了對將友好名稱映射到參數(shù)并使用字符串構(gòu)建器的支持。

其中一些改進，，包括使用字符串構(gòu)建器，都是由一個名為CodeRabbit的AI驅(qū)動的機器人提出的，它提供了有用的代碼審查。他說，這種反饋有助于你和你的團隊專注于大局，因為它處理了細節(jié)，并經(jīng)常（雖然不總是）提供可提交的建議。

它還采取了更廣泛的視角來總結(jié)拉取請求，并評估關(guān)閉的PR是否解決了其鏈接問題中陳述的目標。

2、映射運算符

詹姆斯繼續(xù)探討如何將Steampipe運算符（如QualOperatorEqual）映射到Kolide運算符（如Equals）。在這里，ChatGPT建議的方法也被證明是一種應(yīng)該丟棄的方法，完全可以采用一個更干凈簡單的方法。

但正如詹姆斯在我們的采訪中確認的那樣，由于你最終會對可拋棄的版本進行迭代，因此能夠生成合理的迭代而不是手工編寫它們會很有幫助。在這個過程中，他正在學(xué)習(xí)基本的Go習(xí)慣用法。

詹姆斯：

Go中有do-while循環(huán)嗎？

ChatGPT：

沒有，但是……

詹姆斯：

Go中有三元運算符嗎？

ChatGPT：

沒有，但是……

詹姆斯：

如何將內(nèi)容附加到map[string]string？

ChatGPT：

像這樣……

3、通過反射增強的訪問者模式

在消化了基礎(chǔ)知識并為Kolide API開發(fā)了一個Go客戶端之后，詹姆斯準備著手處理插件開發(fā)的真正工作：定義表，將從API包裝器返回的Go類型映射到管理對這些表的SQL查詢的Steampipe模式。

像所有的插件開發(fā)者一樣，他從一個可以列出一組資源的表開始，然后通過添加過濾器和分頁來增強它。在添加了第二個表之后，是時候考慮如何抽象出常見的模式和行為了。最終的結(jié)果是對訪問者模式的一種優(yōu)雅實現(xiàn)。這里是對應(yīng)于表kolide_device和kolide_issue的Steampipe List函數(shù)。

圖片

這是所有插件表都使用的通用listAnything函數(shù)。

圖片

通過這種設(shè)置，向插件添加一個新表幾乎完全是聲明性的：你只需要定義模式，以及形成在SQL查詢中的where（或join）子句和API級別過濾器之間的橋梁的KeyColumns和相關(guān)運算符。

然后，你編寫一個小的List函數(shù)，定義一個訪問者，并將其傳遞給通用的listAnything函數(shù)，該函數(shù)封裝了查詢參數(shù)的編組、連接到API客戶端、調(diào)用API、將響應(yīng)解包成一個集合，并對集合進行迭代以將項目流式傳輸?shù)絊teampipe的外部數(shù)據(jù)包裝器。

詹姆斯使用ChatGPT啟動了Go中訪問者模式的習(xí)慣實現(xiàn)。這意味著學(xué)習(xí)如何為訪問者函數(shù)定義一個類型，然后聲明一個函數(shù)來滿足該類型。

每個表的訪問者封裝了對API客戶端的調(diào)用，并返回一個接口。這都相當通用，但是訪問者的響應(yīng)是特定于包裝的API響應(yīng)的Go類型，這意味著必須為每個表編寫一個不同的List函數(shù)。如何避免這種情況？詹姆斯問道：“res變量上的字段引用需要是在執(zhí)行時指定的可變類型。你能提出一個方法嗎？”

ChatGPT的建議是使用反射，以便像listAnything(ctx, d, h, “kolide_device.listDevices”, visitor, “Devices”)這樣的調(diào)用可以傳遞一個名稱（“Devices”），該名稱使listAnything能夠以一種與類型無關(guān)的方式訪問響應(yīng)結(jié)構(gòu)的字段，例如這里的Devices字段。詹姆斯接受了這個建議。

圖片

有了這個，listAnything終于名副其實地成為了一個完全通用的Steampipe List函數(shù)。這個解決方案節(jié)省了反射的使用，并保留了Go在API層和Steampipe層中的強類型檢查。

4、LLM協(xié)助到底意味著什么？

這絕對不意味著一個LLM在回答類似“請為Kolide API創(chuàng)建Steampipe插件”這樣的提示時編寫了一個體現(xiàn)復(fù)雜設(shè)計模式的插件。

對我來說，以及對詹姆斯來說，大模型輔助編程意味著更有趣的事情：“讓我們討論一下為Kolide API編寫插件的過程?！边@就像與一個橡皮鴨交談，以便大聲思考需求和策略（編者注：“橡皮鴨”（Rubber Duck Debugging）是一個流行的術(shù)語，它指的是一種調(diào)試技術(shù)，其中開發(fā)者通過向一個假想的聽眾（在這個比喻中是一只橡皮鴨）解釋他們的代碼來解決問題）。LLM正是一個會回答的橡皮鴨。

有時候，回答是直接適用的，有時候不是，但無論如何，它們通?？梢詭椭愀逦厮伎?。

作為一名具有廣泛經(jīng)驗的高級軟件工程師，詹姆斯本來可以自己解決這個問題，但這可能需要更長的時間。他本來會花費大量的時間閱讀文章和文檔，而不是通過實踐學(xué)習(xí)。而且可能沒有那么多的時間！正如我現(xiàn)在從許多其他人那里聽到的，LLM提供的加速往往是有了一個想法和能夠執(zhí)行它之間的差異。

詹姆斯還提到了一個我沒有考慮過的開源角度。在LLM之前，他不會完全以公開方式進行這項工作。“我會一直保持私密，直到我感覺更自信，”他說，“但這一次從一開始就是公開的，我很高興它能夠公開?！边@使得與Turbot團隊更早地而不是更晚地進行接觸成為可能。

這不是一個自動化的故事，而是一個增強的故事。當像詹姆斯·拉米雷茲這樣經(jīng)驗豐富的開發(fā)者與LLM合作時，它的機器智能支持和增強了他的人類智能。兩者共同努力——不僅僅是為了編寫代碼，更重要的是為了思考架構(gòu)和設(shè)計。

來源： 51CTO技術(shù)棧