ChatGPT函数调用初体验：让ChatGPT具备抓取网页文本的能力

import requests
from bs4 import BeautifulSoup

def is_target_tag(tag):
    target_tags = ['p', 'code', 'h1', 'h2', 'h2', 'h3', 'h4', 'h5']
    return tag.name in target_tags

def get_text_from_url(url):
    response = requests.get(url, headers=headers)
    html = response.text
    soup = BeautifulSoup(html, 'html.parser')
    extracted_tags = soup.find_all(is_target_tag)
    res_text = '' 
    for tag in extracted_tags:
        res_text = res_text + tag.get_text(strip=True) + '\n'
    return res_text

functions = [
    {
        "name": "getText",
        "description": "抓取url对应的网页里的文本内容",
        "parameters": {
            "type": "object",
            "properties": {
                "url": {
                    "type": "string",
                    "description": "网址url",
                }
            },
            "required": ["url"],
        },
    }
]

available_functions = {
    "get_text_from_url": get_text_from_url,
} 

import os
import openai
import json
openai.api_key = os.getenv("OPENAI_API_KEY")

def chat(content):
    messages = [
        {"role": "user", "content": content}
    ]
    response1 = openai.ChatCompletion.create(
        model="gpt-3.5-turbo-0613",
        messages=messages,
        functions=functions,
        function_call="auto"
    )
    response_message = response1["choices"][0]["message"]
    rtn_message = response1["choices"][0]["message"]
    # 如果ChatGPT返回结果会告诉你，是否需要调用函数，我们只需要根据它返回的函数名、参数调起对应的函数
    # 然后将函数的返回结果再给到ChatGPT，让他进行下一步的操作  
    if response_message.get("function_call"):
        # 找到需要调用的函数，并将ChatGPT给的参数传进去 
        function_name = response_message["function_call"]["name"]
        fuction_to_call = available_functions[function_name]
        function_args = json.loads(response_message["function_call"]["arguments"])
        # 用这种方式可以调起任意python函数，不用像官网那样还要指定参数名  
        function_response = fuction_to_call(**function_args)
        # 获取到函数调用结果后，需要将结果拼接到对话记录里，并再次调用ChatGPT
        messages.append(response_message) 
        messages.append(
            {
                "role": "function",
                "name": function_name,
                "content": function_response,
            }
        ) 
        # 二次调用的返回结果里就是我们预期的结果了 
        response2 = openai.ChatCompletion.create(
            model="gpt-3.5-turbo-0613",
            messages=messages,
        )
        rtn_message = response2["choices"][0]["message"]
    return rtn_message['content']

chat('总结下这篇文章，将其中的要点提炼出来 https://zxs.io/article/1924')

这篇文章总结了使用ChatGPT提升程序员编程能力的方法和场景。作者经过两个月的使用发现，虽然ChatGPT目前还无法完全替代程序员在一些强上下文的编程场景下的能力，但在一些通用化的编程场景下，它的表现仍然可行。作者提炼出以下利用ChatGPT的场景：

1. 代码评审：ChatGPT可以检测代码的语法错误、代码风格问题、潜在的bug和性能问题，但需要注意辅助工具的局限性，建议与其他代码审查工具和人工审查相结合使用。  
2. 代码优化：除了代码评审，ChatGPT还可以帮助优化并重写代码，但同样需要结合其他专业人士的建议进行综合优化。  
3. 代码释义：使用ChatGPT生成代码释义，以减轻维护老代码的负担。  
4. 提供解决方案：描述遇到的问题，让ChatGPT给出建议和解决方案。  
5. 代码生成：ChatGPT可以直接生成相关代码，如分布式锁注解的代码，在实际使用中需要自行甄别和识别生成的代码。  
6. 设计模式和架构建议：ChatGPT可以提供在代码设计和架构设计上的建议。  
7. 学习新知识：在不熟悉的领域使用ChatGPT帮助学习。  

文章提到了一些使用ChatGPT的实例，并强调了在使用过程中需要注意甄别数据的时效性和准确性。最后，作者认为虽然ChatGPT无法替代程序员的大部分技能，但可以作为一个工具来提升工作效率。