Inference Unlimited

بناء أداتك الخاص لتوليد الكود باستخدام LLM

في هذه الأيام، عندما تصبح الذكاء الاصطناعي أكثر متاحة، يتساءل العديد من الأشخاص عن كيفية استغلال إمكانيات النماذج اللغوية الكبيرة (LLM) لتأutomation كتابة الكود. في هذا المقال، سأقدم دليلًا عمليًا لبناء أداتك الخاص لتوليد الكود باستخدام LLM.

المقدمة

النماذج اللغوية الكبيرة، مثل Mistral، قادرة على توليد الكود في مختلف لغات البرمجة. يمكن استخدام هذه النماذج لتطوير أدوات تساعد المبرمجين في عملهم اليومي. في هذا المقال، سنناقش كيفية بناء مثل هذه الأداة خطوة بخطوة.

اختيار النموذج

الخطوة الأولى هي اختيار النموذج المناسب. يمكنك اختيار أحد النماذج المفتوحة المصدر المتاحة أو استخدام واجهة برمجة التطبيقات (API) التي تقدمها مزودي السحابة. في هذا المثال، سنستخدم نموذج Mistral.

بناء الأداة الأساسية

1. تثبيت المكتبات المطلوبة

لبدء العمل، نحتاج إلى عدة مكتبات. في هذا المثال، سنستخدم مكتبة transformers لتحميل النموذج وtorch للحسابات.

pip install transformers torch

2. تحميل النموذج

بعد ذلك، نحميل نموذج Mistral.

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "mistral"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

3. توليد الكود

الآن، يمكننا كتابة دالة تولد الكود بناءً على التوجيه المقدم.

def generate_code(prompt):
    inputs = tokenizer(prompt, return_tensors="pt")
    outputs = model.generate(**inputs, max_length=100)
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

4. اختبار الأداة

لنتجرب أداتنا، من خلال توليد كود Python بسيط.

prompt = "اكتب دالة تضيف رقمين."
print(generate_code(prompt))

توسيع الوظائف

1. إضافة السياق

يمكن توسيع أداتنا من خلال إضافة سياق يساعد النموذج على فهم نوع الكود الذي يجب توليده.

def generate_code_with_context(prompt, context):
    full_prompt = f"{context}\n\n{prompt}"
    return generate_code(full_prompt)

2. تحسين جودة الكود المولد

لتحسين جودة الكود المولد، يمكن إضافة آلية التحقق وإصلاح الأخطاء.

def verify_and_fix_code(code):
    verification_prompt = f"تحقق من هذا الكود وإصلاح الأخطاء:\n\n{code}"
    return generate_code(verification_prompt)

نشر الأداة

1. إنشاء واجهة المستخدم

يمكن إنشاء واجهة المستخدم البسيطة التي تتيح استخدام الأداة بسهولة.

def main():
    print("مرحبًا بكم في أداة توليد الكود!")
    while True:
        prompt = input("أدخل التوجيه (أو 'exit' لإنهاء): ")
        if prompt.lower() == 'exit':
            break
        code = generate_code(prompt)
        print("\nالكود المولد:")
        print(code)
        print("\n")

if __name__ == "__main__":
    main()

2. نشر على الخادم

لتوفير الأداة للآخرين، يمكن نشرها على الخادم. يمكن استخدام مكتبة Flask لإنشاء واجهة برمجة التطبيقات (API) بسيطة.

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/generate', methods=['POST'])
def generate():
    data = request.json
    prompt = data.get('prompt', '')
    code = generate_code(prompt)
    return jsonify({'code': code})

if __name__ == '__main__':
    app.run(debug=True)

الخاتمة

في هذا المقال، ناقشنا كيفية بناء أداتك الخاص لتوليد الكود باستخدام النماذج اللغوية الكبيرة. أظهرنا كيفية تحميل النموذج وتوليد الكود وتوسيع وظائف الأداة. يمكن تطوير هذه الأداة أكثر من خلال إضافة المزيد من الوظائف وتحسين جودة الكود المولد.

مثال الكود

إليك مثال الكود الكامل الذي يمكن استخدامه كنقطة بداية لأداتك الخاص.

from transformers import AutoModelForCausalLM, AutoTokenizer
from flask import Flask, request, jsonify

# تحميل النموذج
model_name = "mistral"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# توليد الكود
def generate_code(prompt):
    inputs = tokenizer(prompt, return_tensors="pt")
    outputs = model.generate(**inputs, max_length=100)
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

# واجهة API
app = Flask(__name__)

@app.route('/generate', methods=['POST'])
def generate_api():
    data = request.json
    prompt = data.get('prompt', '')
    code = generate_code(prompt)
    return jsonify({'code': code})

if __name__ == '__main__':
    app.run(debug=True)

الاستنتاجات

بناء أداتك الخاص لتوليد الكود باستخدام LLM هو مهمة مثيرة يمكن أن تسهل بشكل كبير عمل المبرمجين. بفضل توفر النماذج اللغوية المتقدمة مثل Mistral، يمكن لأي شخص إنشاء أداته الخاصة، مخصصة لاحتياجاته الفردية.