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運行它。在另一篇文章中，有人在ChatGPT中運行一個虛擬機。后者啟發(fā)我提出了下面這個問題。
(資料圖)
你能在ChatGPT中運行一個交互式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，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 + 24
>>> "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 = 3y = 15
>>> x = 3>>> y = 15
x + yy ** xlist(range(y))
>>> x + y18>>> y ** x3375>>> 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，因為多行塊（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的for循環(huán)。難道ChatGPT會讓我的列表變得毫無用處嗎?。?/p>
在這一點上，我想知道我們運行的是什么Python版本。
import syssys.version_info
>>> import sys>>> sys.version_infosys.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這個提醒。1 / 0
>>> 1 / 0Traceback (most recent call last): File "", line 1, in ZeroDivisionError: division by zero這段代碼試圖用1除以0，這在Python中是不允許的，因為它會導(dǎo)致除以零的錯誤。當(dāng)你試圖用一個數(shù)字除以 0 時，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 "", line 1, in NameError: name "prnt" is not defined這段代碼引發(fā)了一個 NameError，因為 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，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，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值的 get() 方法來指定一個在沒有找到鍵時要返回的值。
在這一點上，我放棄了這次對話，因為我無法讓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，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 + b15>>> # 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)01234>>> # 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 += 101234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 pairwisefor a, b in pairwise(range(10)): print(a + b, end = ", ")
讓我們更上一層樓，從標準庫中導(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)1517192123252729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?。它只是給出了錯誤的結(jié)果，因為這一次的結(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，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，因為itertools.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)1357911131517
終于來了!這就是正確的結(jié)果!
from itertools import teedef 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)3691215182124
當(dāng)我得到這個輸出時，我差點從椅子上摔下來。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現(xiàn)triplewise，這是pairwise的一個概括。然后，它成功地用它來計算第一個三倍數(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。它沒有實現(xiàn)可能的最佳（遞歸）版本的fib，但至少實現(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 "", line 1, in File " ", line 6, in fib File " ", 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算斐波那契數(shù)。對于計算大的斐波那契數(shù)來說，這是一種非常緩慢和低效的方法，因為它需要多次重新計算相同的數(shù)值。為了更有效地計算第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，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)，因為它看起來很可信。但它與正確的結(jié)果相差甚遠，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.valueprint(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特殊方法的實現(xiàn)，當(dāng)兩個MyInt對象使用+運算符時，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，會創(chuàng)建兩個MyInt對象，其值分別為5和14.5。＋運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) + 14.5Traceback (most recent call last): File "", line 1, in TypeError: unsupported operand type(s) for +: "MyInt" and "float"由于+運算符沒有被定義為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)是浮點數(shù)的情況，或者在執(zhí)行加法之前將浮點數(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，下面的表達式就會有效。>>> MyInt(5) + 14.519.5另外，在執(zhí)行加法之前，你可以將浮點運算轉(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) + 14.5Traceback (most recent call last): File "", line 1, in File " ", 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，我的下一個請求超時了，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。永遠不要即興發(fā)揮。永遠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候，我會用#！來開始一行。1 / 0
>>> 1 / 0Traceback (most recent call last): File "", line 1, in 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 會認為我已經(jīng)完成了對該類的定義。
o = ObjWithProperty()o.valueo.value
>>> o = ObjWithProperty()>>> o.valueGenerating a new value.6>>> o.value6
ChatGPT了解房產(chǎn)的運作方式!
ObjWithProperty().valueObjWithProperty().value
>>> ObjWithProperty().valueGenerating a new value.7>>> ObjWithProperty().valueGenerating 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？
@decoratordef add(a, b, c=0): return a + b + cadd(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.wrapper at 0x7f876b2d27b8>
的確如此!這正是add在你自己的Python REPL中的模樣!
import asyncioasync 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())BCAChatGPT甚至還能理解異步代碼!三個標簽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現(xiàn)來計算的，還是它只是理解斐波那契計算斐波那契數(shù)，同時，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，你將在一個獨特的代碼塊內(nèi)顯示提示、我的輸入和正確的輸出。x = 5y = 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，用來生成一堆素數(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明白我們在生成素數(shù)，并生成了一堆素數(shù)！它從上面的神秘單行字中明白了這一點。而且它從上面顯示的神秘的單行字中理解了這一點!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，因為它應(yīng)該一直到59029。
然后，我又超時了......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。永遠不要即興發(fā)揮。永遠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候，我會用#！來開始一行。head, *tail = (my_list := list(map(str, range(10))))tailmy_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算符！這一點令人印象深刻。相當(dāng)令人印象深刻!
- 點擊下方閱讀原文加入社區(qū)會員 -
