目录

一、辅助编程

（一）代码生成

二、其他功能

（一）工具手册

（二）源码学习

（三）技术讨论

一、AI辅助编程

作为主要以 JAVA 语言为核心的后端开发者，其实，早些时间我也用过比如 Codota、Tabnine、Github 的 Copilot、阿里的 AI Coding Assistant 等 IDEA 插件，但是我并没有觉得很惊奇，感觉就是生成一些代码片段罢了，直到我接触了 ChatGPT......

（一）代码生成

去年9月份的时候，我接到一个项目，是老项目重构，具体要求就是给你提供入参和出参的结构文档，然后你来写具体的代码，将入参对象 XxxxDTO 解析后调用另外一个服务，然后他再将处理后的结果返回给你，你再解析成 java 对象返回。大概有一百多个接口要实现，其中不乏有入参中有几十个字段的类，写service层真的很累很累。入参结构和对应的类如下图：

<code>@Data

publicclassXxxxDTO {

privateStringfiled1;

privateStringfiled2;

privateStringfiled3;

privateStringfiled4;

privateList<XxxxItemDTO> list1;

privateStruct1 struct1;

}

@Data

classXxxxItemDTO {

privateStringlist1_filed1;

privateStringlist1_filed2;

privateStringlist1_filed3;

}

@Data

classStruct1 {

privateStringstruct1_filed1;

privateStringstruct1_filed2;

privateStringstruct1_filed3;

}

最开始，我分析了需求，使用了模板方法模式来实现这个service层的功能，然后每个接口就只需要实现模板类的抽象方法即可，即实现远程调用接口的函数名，入参对象的拼装，出参对象的拼装三个方法的实现。

后来发现，每个人的代码都或多或少的会出现问题，比如代码风格，单词打错，漏写或者错写等问题，而且代码特别多，不好定位问题。于是我就用 java 写了一个工具类，用来生成代码，这样，我们就只用关心入参和出参是否写对就行了，其他的代码就按模板来生成。

其实生成代码的方法有很多，比如通过模板文件生成代码，但是我为了不引入多余的依赖，我直接使用了最笨且最有效的方式，即反射解析类的详情，然后在控制台打印出具体代码。

然后我们就顺利的减少了90%的代码编写，只需要将入参出参的类创建好即可。至于定位问题，只要能保证代码生成器没有问题，那我们就可以只通过判断类的创建是否正确就可以了。

之所以要说这个案例，就是为了来引出我是怎么使用 ChatGPT 的。在这个项目快结束的时候，AI火了，我试着使用 ChatGPT 来实现这个代码的生成，结局让我大吃一惊。

我的思路有两个，一个是通过给他模板和出入参对象的方式，让他直接给我生成代码，还有一种就是通过我的调教，让他给我写一个代码生成器出来。

于是我先测试了方案一，那就是把我已经写好的几个接口告诉给他，让他模仿着来给我写出类似的代码，如果哪里有问题，我就会告诉他确实是有问题的，让他进行调整，在经过半个小时的微调后，他已经能够很好地通过我给的类来生成具体的代码了。只要我这个会话还在，那么我就可以随时的回来，让他生成类似的代码。而坏处就是，只能我自己用，别人想用的话，就得自己去训练了。

所以才有了方案二，那就是让他帮我生成一个类似于我前面写的那个工具类，放到项目里，这样，所有开发者就能直接使用工具类来生成代码了。然后我便开始了实践，虽然说，他一开始回复我的代码生成器问题很多，但是我们能通过对话很好的让他进行微调，最后，我也是成功的让他帮我实现了代码生成器的功能，这比我自己手写快了一倍。

其实，我们还能使用 PDF 的 AI工具，直接读取文档，然后连出入参对象也生成出来呢~那可能是99%的代码都已经能自动生成了。（不过这个可能会出错，没有代码生成器稳定）

接下来，我直接演示一个案例，让大家感受下ChatGPT代码生成的威力：

总所周知，mybatis plus 等 ORM 框架是自带代码生成的，一般就是通过定义好数据库的表，然后通过解析这个表来实现代码的生成。但是，大多数人的习惯一般是先定义实体类，然后才去数据库创建对象，而且如果编码人员水平不高的话，很有可能会创建出一些很拉胯的数据表定义，从而导致问题。因此，我通过和 ChatGPT 对话，让他帮我生成了一个代码生成器，来实现通过反射实体类的方式生成建表SQL。（下面案例只展示最简单的实现，关于继承子类，涉及comment等高级操作这里就不演示了，感兴趣的话可以后台联系作者了解演示详情）

接下来我们去idea实测一下

可以发现，他生成的SQL不是下划线形式，且没有设置非空，我们可以让他修改。

再去idea测试下

可以看到，基本上已经没有问题了，再自己微调一下代码，后面使用的时候，我们就只需要再根据实际情况，修改一下表字段的范围即可，这样就能省去一个一个复制粘贴的时间了，简直爽歪歪。（如前面提到的，目前这个sql生成器还是有很大问题的，大家可以自己试着完善一下，让他能实现在sql中也生成 comment，继承子类的 ORM 的对象的sql生成，固定字符集，设置默认值，设置数据类型的范围等等，当然我已经调教好我自己的sql生成器了）

像这种经常用的，当然是搞出代码生成器最好了，还有一些简单的，不常用的生成，我们就可以直接让他生成代码，而不是搞出代码生成器了。这里再举最后一个例子：

像有些老数据库，他们没有使用mybatis plus，需要写各种各样的SQL，很麻烦。那么我们就可以解析他的插入方法，生成 ORM 对象，然后通过mybatis plus来快捷使用。

不会吧？不会吧？不会还有人在 AI 时代下，还一个个复制粘贴吧。不会吧，不会吧......（

狗头保命）

二、其他功能

（一）工具手册

关于工具手册这点没有太多可说的，我们可以把 ChatGPT 当成工具书，直接向他提问，很多时候，先问 ChatGPT，可能比百度，Google更快。他不仅能够给出你答案，你还可以让他给你演示示例，以下为我自己体验过的一些方向：

根据你的描述快速生成正则表达式，而不是自己慢慢调试。快速生成一些代码示例，比如问他如何合并两个list，如何使用stream流来实现groupBy，如何在springboot框架中动态增强源码。生成Ant风格的路径通配符，UEL风格的表达式等，其实这个基本上和①是一个意思（我自己容易记混，用ChatGPT生成确实比每次查资料再写快一些）。

（二）源码学习

最近的时间，我也是一直在研究flowable的源码，但是源码确实有很多地方没有注释，所以，我会拿出那个代码片段去问他，让他作为 flowable 专家来告诉我每一步是干什么的，他也能很聪明的识别出那段代码的作用，甚至知道代码是写在什么位置。

我也会将实体类都发给他，他会帮我把每一个字段的含义和用法告诉我，确实比百度要来的更快，有些东西搜索引擎和官方文档都查不到，但是他能够通过他的智能，判断出字段的作用，这极大地协助了我进行我们项目流程中心服务的代码优化。

而且，你可以在不知道是哪段代码的情况下，直接问他 flowable 这块是怎么实现的，他也能自己分析出来，然后告诉你答案。

（三）技术讨论

技术讨论这一部分，其实可以包括代码review，代码优化等子部分，也可以和他讨论当下一些技术的实现方案，每当我有好的想法时，我也会和他沟通，看看他的意见，下面我做一下展示：

代码分析的简单举例

其他举例

很多时候，我们规定了工具类库，但是，有些人不知道有某些工具类，他们就会这种工具类用一下，那种工具类用一下，就显得很不协调，因此，我们可以直接问他，XXX工具类库有无这样的方法。使用该思路，可以让团队的代码更加让人心旷神怡，在一些代码规范要求比较高的地方很好用。

由于篇幅要求，我还是尽量精简了一些，主要还是想说明一些我自己的思路，希望对大家有用。

版权声明:本文由神州数码云基地团队整理撰写，若转载请注明出处。

公众号搜索神州数码云基地，了解更多AI相关技术干货。