现在的朋友圈几乎全部是有关于chatgpt的消息，好多微信公众号都围绕chatgpt发布各种帖子。

有人说chatgpt就是一个聊天工具，它回复的内容，都是一本正经的胡说八道。还有人说chatgpt的诞生预示着一场更大的工业革命正在发生。

我们心中不免疑问，chatgpt到底是什么？它究竟有怎样不为人知的故事、真的像传说中的那样无所不能吗？

读了刘琼老师编著的《chatgpt AI革命》这本书才明白，chatgpt通俗一点讲就是用于处理对话数据的GPT模型。只是它比早期的聊天机器人更成熟，更加开放和多元化，不仅仅局限于特定的应用场景罢了。

chatgpt当下凭什么这么“火”？

原来，chatgpt具备早期机器人没有的特点：它是一种可以实时与用户进行交互、不用人工介入，可以分析用户提出的需求或疑问，很好的理解情感，实施个性化的客户自助服务，能够更快更好的提升客户体验。

它还支持多种聊天渠道，比如：微信、Skype等。因此，对于刚开始接触chatgpt的人来说，把它看作是一个聊天机器人就好了。

chatgpt的另一个亮点，它的核心技术是人工神经网络的自然语言处理技术，也就是说它使用了GPT的大型深度学习模型。

GPT模型可以通过提供的种子文本生成新的文本，并对文本进行特征提取来进行分类，将源语言文本编码为向量，然后生成目标语言文本，还可以通过对询问文本进行编码并在大量文本库中搜索匹配结果。

形象地说，GPT模型就像一个具备强大的语言学习能力的人。不同的是，它不需要专门背单词和学语法，就能自己通过阅读大量的文本材料来掌握一门语言，达到接近母语者的水平，这听起来真是觉得很不可思议。

如此神奇的chatgpt是谁发明的？

它是由埃隆・马斯克、萨姆・奥尔特曼、格雷格・布罗克曼等知名的技术大佬共同投资，于2015年创建的一家提供人工智能技术服务的公司，名字叫OpenAI。

chatgpt作为OpenAI最新推出的研究成果，它“火”起来的原因不仅在于它的核心技术功能强大，还有越来越逼近人类自然语言的能力。

真的不敢想象，以后凡是人类智慧产生的成果是不是都可能被AI替代？像写作、绘图纸、编程序，制定工作计划等都是当下人们的主要活动。

尤其是以chatgpt为代表的AI生成内容（AIGC）对教育领域的应用和优势，让人不容忽视。好在教师和学生之间有着密切的情感链接，暂时是人工智能所无法取代的，不然真的不知道又会有多少岗位要被替代了。

读完这本书后不由得陷入沉思，人工智能技术通过一次次更新迭代，相信在不远的将来，它拥有的能量估计要用“可怕”来形容了。

《chatgpt AI革命》是一本不可多得的AI类工具书，作者以风趣幽默的语言，把专业的事写的普通人也能轻松看懂，这本书特别适合文字工作者使用，推荐这本书！

golang goroutine 单元测试 golang test编写详解

前言

目前gpt本质上是续写，所以在待测函数函数定义清晰的情况下，单元测试可以适当依赖它进行生成。

收益是什么：

• 辅助生成测试用例&测试代码，降低单元测试编写的心智成本

• 辅助code review，帮助发现代码显式/潜在问题

本文测试环境：

• gpt: gpt-3.5-turbo

• go：go 1.17

本文实践场景：企业微信美图鉴赏机器人

生成单元测试的工作流如下：

1. 选定你的待测函数

2. 分析函数的依赖：结构体定义、repo依赖、repo interface抽象（用fx和wire等依赖注入框架的话会方便很多）

3. 组织prompt，准备施法

4. 吟唱魔法，得到输出单元测试代码

5. copy到ide里面缝缝补补，与预期出入太多的话，调整prompt重来/要求gpt按照某个标准重写（比如：请按照testCases的写法重写组织测试数据）

6. 运行测试用例

话不多说，先上基础prompt：

下面的部分，我按照工作流的繁杂程度，简单区分了下easy/normal/hard情况。

单个函数，并且外部依赖都是开源库，那么直接把代码贴上去就行。

这里我们用图片压缩的独立函数举例： （prompt前摇咒语 + 代码片段）

ChatGPT输出的代码块如下：

放到ide里，完美运行，说明简单函数的单元测试生成还是很强的~

Part2 normal ：里面有一些外部import

有外部定义引入的时候，最好把外部定义直接贴上（不涉及mock）。

这里举例的函数出现了外部依赖 entity.Archichatgpt等定义，所以最好要加上外部定义在输入中：

下面是生成的代码，经过少量修改后可以直接运行：

（因为少输入了一个结构体的定义，导致它猜测了一些字段）

Part3 hard：对外部repo进行mock（gomock举例）

外部依赖越多，prompt template的构建可能就越复杂

ps.实际上gomonkey它也可以写

外部依赖repo的部分，要求gpt使用gomock进行对应repo的mock即可。

外部定义最好进行剪枝。

输出：

生成的代码太长，几点总结：

1.gomock代码可以正常生成，但是外部repo定义最好清晰明了，可以直接把interface定义贴上去，会被认知到。

2.粘贴到ide中，发现主要问题是包名导入问题，简单修改即可

修改后运行成功：

如果需要生成后人工修改量更低的话，需要更精确的上下文信息（包名、函数定义、描述等）

一些痛点

1.需要外部 repo mock的待测函数，需要的上下文很多，并且引入的无关字段需要剪枝避免污染输入

2.一些复杂的私有包，看起来是比较不好支持的（尝试过在prompt中教会他，但是效果不好）

3.一些复杂逻辑和边界情况，ai可能口是心非（写的用例和表述不一致，比如经典的20%*20%=400%，但是他知道这是错的）

4.对于分层不是很清晰的项目，对函数/repo打桩可能很困难，这个时候要描述清楚就比较困难了，gomonkey可能比较适用

其他用法

1.写好测试方法，让gpt帮助扩充用例集

2.code review，下面的代码就是gpt给出的代码建议

ChatGPT给出的优化建议：