OpenAI Code Interpreter 的开源实现：GPT Code UI_openai codegpt

本篇文章聊聊 OpenAI Code Interpreter 的一众开源实现方案中，获得较多支持者，但暂时还比较早期的项目：GPT Code UI。

写在前面

这篇文章本该更早的时候发布，但是 LLaMA2 发布后实在心痒难忍，于是就拖了一阵。结合 LLaMA2 的本地私有化部署和运行的能力，接下来这类应用或许都有会一些不同于以往的有趣的玩法，还是非常期待的。

Code Interpreter是一个潜力巨大的功能，或者说方向，不过目前的体验一言难尽，不论是 OpenAI 还是开源软件。

本文中介绍的项目，目前依旧还在早期，不论是实现细节还是架构上都有比较多的这样或那样的问题，但开源世界里，软件的进化，可能会比想象中的要快的多，可以适当保持期待。

演示所使用的容器方案，代码和镜像已经上传至 GitHub 和 DockerHub，有需要的同学可以自取，别忘记“一键三连”：

soulteary/docker-code-interpreter

后续，我会将看到的类似的 Code Interpreter 类型的开源项目都收集到这个项目中，并附加干净 & 稳定的容器镜像。

本篇文章中，我们先来使用社区原版的软件，配合 OpenAI API 或 Azure OpenAI Service，来完成基础的本地 Code Interpreter 的搭建和运行。

GPT Code UI 的镜像使用

想要使用 GPT Code UI，只需要两步：下载镜像，写配置文件后用 Docker 把服务“拉起来”。

下载 GPT Code UI 容器镜像

使用 Docker 下载我们所需要的镜像文件，由于软件处于早期，变动概率较高，这里我推荐使用带有版本号的下载方式，进行 Docker 镜像的下载：

docker pull soulteary/gpt-code-ui:0.42.35
1

镜像不大，200MB 左右，包含了基础软件和 GPT API 输出代码中常见的 Python PyPI 依赖库。

编写使用 OpenAI API 容器配置

如果你使用的是 OpenAI API 的话，我们可以这样写一个配置文件：

version: "3.8"
services:

  gpt-code-ui:
    image: soulteary/gpt-code-ui:0.42.35
    environment:
      OPENAI_API_KEY: "YOUR_TOKEN"
      API_PORT: 5010
      WEB_PORT: 8080
      SNAKEMQ_PORT: 8765
      APP_HOST: "0.0.0.0"
      # optional: if you want to use proxy
      # HTTPS_PROXY: "http://host.docker.internal:1234"
    ports:
      - "8080:8080"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

将上面的内容保存为 docker-compose.yml，然后使用 docker compose up 启动服务。

接着，在浏览器中访问 http://localhost:8080 或者 http://你的IP:8080 就能够看到默认的服务页面了。

界面中的 Kernel is ready. 代表着服务运行就绪，我们可以开始玩了。

额外注意的是，如果你的服务部署在国内，应该需要配置 HTTPS_PROXY 来确保访问 OpenAI API 正常。

编写使用 Azure OpenAI API 容器配置

如果你使用的是 Azure 的 OpenAI API 服务，那么配置需要稍稍调整下：

version: "3.8"
services:

  gpt-code-ui:
    image: soulteary/gpt-code-ui:0.42.35
    environment:
      OPENAI_API_KEY: "YOUR_TOKEN"
      OPENAI_API_TYPE: "azure"
      OPENAI_BASE_URL: "https://YOUR_DOMAIN.openai.azure.com/"
      OPENAI_API_VERSION: 2023-03-15-preview
      AZURE_OPENAI_DEPLOYMENT: "gpt-35-turbo"
      API_PORT: 5010
      WEB_PORT: 8080
      SNAKEMQ_PORT: 8765
      APP_HOST: "0.0.0.0"
      # optional: if you want to use proxy
      # HTTPS_PROXY: "http://host.docker.internal:1234"
    ports:
      - "8080:8080"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

还是将配置保存为 docker-compose.yml，然后使用 docker compose up 启动起来，就可以通过浏览器访问你的服务了。

GPT Code UI 的使用

我估计没有使用过 ChatGPT Code Interpreter 功能的同学，在启动起来服务之后，会有一些懵圈。接下来，我们来一起试试这个服务的基础使用。

想要比较舒服的使用这类软件，我们首先需要一个合适的“数据集”，我从网上随手搜了一个“电视主机游戏销售数据”，你可以在浏览器里打开这个数据集文件，并将数据集保存为 vgsales.csv。

我们在 GPT Code UI 中上传这个数据集后。能够看的程序会自动解析 CSV 数据集中的表头，告诉我们可以用哪些字段来玩。

File vgsales.csv uploaded successfully.
The file contains the following columns: Rank, Name, Platform, Year, Genre, Publisher, NA_Sales, EU_Sales, JP_Sales, Other_Sales, Global_Sales
1
2

接着，我们可以随便输入点啥，比如问问它销量前十的游戏是啥：“show top 10 games”。

然后，我们就能够看到它去结合这个数据集，生成的获取销量前十的游戏的代码了：

import pandas as pd
import os

# get the most recently uploaded file
files = os.listdir()
files.sort(key=os.path.getmtime)
latest_file = files[-1]

# read in the csv file as a pandas dataframe
df = pd.read_csv(latest_file)

# show top 10 games by global sales
top_10 = df[['Name', 'Global_Sales']].sort_values(by='Global_Sales', ascending=False).head(10)
print(top_10)

# if code modifies or produces a file, print link to download it
print("<a href='/download?file=" + latest_file + "'>Download file</a>")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

为了节约我们的时间，程序会尝试自动执行生成的代码。

只要上一步生成的代码可以被正确执行，我们就都能够看的代码执行后的结果，得到我们想要的数据列表：

                           Name  Global_Sales
6112                 Wii Sports         82.74
122           Super Mario Bros.         40.24
8322             Mario Kart Wii         35.82
9750          Wii Sports Resort         33.00
705    Pokemon Red/Pokemon Blue         31.37
188                      Tetris         30.26
6113      New Super Mario Bros.         30.01
6114                   Wii Play         29.02
9751  New Super Mario Bros. Wii         28.62
108                   Duck Hunt         28.31
Download file
1
2
3
4
5
6
7
8
9
10
11
12

假设我们不需要复制粘贴文本，想要更直观的看到数据之间的差异，可以试试将结果转换为图表。

方法很简单，给他提一个“draw top 10 games”的需求就好，它会自动分析需求，然后生成一个可以绘图的代码片段：

import pandas as pd
import matplotlib.pyplot as plt

# Read the CSV file into a pandas dataframe
df = pd.read_csv("vgsales.csv")

# Sort the dataframe by global sales in descending order
df = df.sort_values("Global_Sales", ascending=False)

# Get the top 10 games by global sales
top_10 = df.head(10)

# Create a bar chart of the top 10 games
plt.bar(top_10["Name"], top_10["Global_Sales"])
plt.xticks(rotation=90)
plt.xlabel("Game Name")
plt.ylabel("Global Sales (millions)")
plt.title("Top 10 Video Games by Global Sales")
plt.show()

# Print link to file if generated
print('<a href="/download?file=top_10_games.png">Download file</a>')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

尝试执行之后，我们就能够得到更直观的结果啦。

上面的例子，都太过简单了，只是针对单一条件的分析。接下来，我们来试着用组合条件来进行数据分析和图表绘制。

比如我们想要获取销量最高的 PSP 动作类游戏，以往如果写代码的话，我们需要告诉他游戏平台是 PSP，游戏类型是动作游戏，排序方法是按照销量数据量，数据条数选择 10 条。

但是，有了 Code Interpreter 和语言模型之后，我们可以提个简单（含糊）的要求 “draw top 10 PSP action games”，模型就会自己分析数据然后生成可以玩的代码了：

import pandas as pd
import matplotlib.pyplot as plt

# read the csv file
df = pd.read_csv('vgsales.csv')

# filter for PSP games and action genre
psp_action = df[(df['Platform'] == 'PSP') & (df['Genre'] == 'Action')]

# sort by global sales and get top 10
top_10 = psp_action.sort_values(by='Global_Sales', ascending=False).head(10)

# create bar chart of top 10 games
plt.bar(top_10['Name'], top_10['Global_Sales'])
plt.xticks(rotation=90)
plt.xlabel('Game Title')
plt.ylabel('Global Sales (in millions)')
plt.title('Top 10 PSP Action Games by Global Sales')
plt.show()

print("<a href='/download?file=top_10_psp_action_games.png'>Download file</a>")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

只要“动动嘴”，说出你想要的，结果“秒秒钟”就出现在你的眼前了，是不是很方便？

其他

目前这个项目还处于比较早期的阶段，从架构设计上、安全性、性能指标和可扩展性等等方面都有比较多的可完善之处。

你在运行的过程中，可能会出现类似这样或者那样的各种问题，比如：

ModuleNotFoundError                       Traceback (most recent call last)
Cell In[2], line 4
      2 import pandas as pd
      3 import numpy as np
----> 4 import dateparser
      5 import matplotlib.pyplot as plt
      6 import geopandas as gpd

ModuleNotFoundError: No module named 'dateparser'
1
2
3
4
5
6
7
8
9

或者一些变量、目录相关的报错，遇到这类问题可以考虑重试下问题，让它再次生成代码，避开之前的坑。

最后

好了，这篇关于开源社区的 Code Interpreter 的介绍就写到这里了。目前，我在同时在积极的为社区的这类项目提供 PR 和建议，希望这类项目能够走的更远。

说起来，自 Code Interpreter 上线后，身边的一众工程师狂喜。然而普通用户似乎并不那么感冒，一如当今已经炙手可热的 ChatGPT，在去年十一月时也只是少数人的狂欢。

个人观点，目前为止它是一个目前依旧被低估的产品，而非一个简单的 Chat 内的工具。多数使用场景，目前还停留在数据分析师和“代码生成和微操优化”上，然而它能带来的远不止如此。

如果你只关注代码，那么你可以当它是一个既能生成代码，又能执行验证，甚至从结果中继续展开的，具备智能的高级程序运行环境。

如果你不在乎代码是如何被生成和执行的，那么你可以当它是官方出品的，一个比 AutoGPT 完成度更高，未来生态和能力更强的高级自动化工具。

如果你不局限于当前的能力，帮助它联上网，让它能够从具体的数据库、知识库中获取信息，以及给予它更强力的代码容器环境，以及更多的 API 访问权限，它会是一个真正的懒人工具：更少的幻觉、更多的准确性和严格的逻辑性，具备执行能力和打通多种软件系统的能力。

–EOF

---

我们有一个小小的折腾群，里面聚集了一些喜欢折腾、彼此坦诚相待的小伙伴。

我们在里面会一起聊聊软硬件、HomeLab、编程上的一些问题，也会在群里不定期的分享一些技术资料。

喜欢折腾的小伙伴，欢迎阅读下面的内容，扫码添加好友。

关于“交友”的一些建议和看法

添加好友时，请备注实名和公司或学校、注明来源和目的，珍惜彼此的时间 声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop博客】