Asistencia de código

Puedes usar ChatGPT para depurar, generar código, reformatear, comentar y más. Puede trabajar con código en más de 40 lenguajes de programación.

Muy antiguo	Antiguo	Reciente	Última generación
BASIC	Perl	Swift	Kotlin
Assembly	Pascal	TypeScript	Julia
Fortran	PHP	Rust	Crystal
Lisp	Prolog	Kotlin/Native	Racket
COBOL	C	Julia (GPU)	Lua
Algol	PL/I	Go	Zig
SNOBOL	C++	Dart	Nim
RPG	Smalltalk	Elixir	Crystal (LLVM)
Forth	Tcl	Groovy	Vlang
Ada	SQL	Scala Native	Erlang

Generación de código

Instruir a ChatGPT para generar código es tan sencillo como esto:

Actúa como un programador junior de Python. Por favor, escribe el código para generar "madlibs" a partir de 3 arreglos de 6 elementos cada uno: preposiciones, verbos y sustantivos, siendo los sustantivos también utilizados como objetos directos. Después de escribirlo, ejecuta el código.

La salida será algo como:

import random

preposiciones = ['a', 'ante', 'bajo', 'con', 'contra', 'de']
verbos = ['correr', 'saltar', 'bailar', 'cantar', 'reir', 'llorar']
sustantivos = ['gato', 'perro', 'árbol', 'flor', 'libro', 'computador']

preposiciones = random.choice(preposiciones)
verbos = random.choice(verbos)
sustantivos = random.choice(sustantivos)

madlib = f"I {verbos} {preposiciones} the {sustantivos}."

print(madlib)

Pruébalo aquí:

Comentar y reformatear código

Puedes pedirle a ChatGPT que agregue comentarios a tu código y que lo reformatee para que sea legible. Después de tus instrucciones, agrega tres signos de numeral (#) y luego pega el código que te gustaría que se limpie:

Por favor, agrega comentarios de línea a este código de Python y reformatea para que sea legible:

import math
amplitude = 30
frequency = 2
num_points = 50
for i in range(num_points):
    y = int(round(amplitude * math.sin(2 * math.pi * frequency * i / num_points)))
    print(' ' * (amplitude + y) + '*')

La salida será algo como:

// highlight-start
# Import the math module
import math

# Establece la amplitud, frecuencia y número de puntos en la onda.
amplitude = 30
frequency = 2
num_points = 50

# Hacer un bucle sobre cada punto en la onda.
for i in range(num_points):
    # Calcular el valor y de la onda utilizando la función seno del módulo math.
    y = int(round(amplitude * math.sin(2 * math.pi * frequency * i / num_points)))

    # Imprimir un espacio para el relleno, seguido de un asterisco en la posición adecuada en la onda.
    print(' ' * (amplitude + y) + '*')

// highlight-end

Depuración

No sólo puede ChatGPT detectar errores de sintaxis en el código, sino que también puede encontrar errores lógicos que surgirían cuando se ejecuta el código. A continuación, se muestra un ejemplo de un script de Python que eventualmente causa un error de división por cero en la línea 4 debido a un error lógico en la línea 3. Intenta con este simple comando para encontrar y solucionar el error:

Por favor, depura este codigo de Python:

1. pizza_cost = 100
2. partygoers = 10
3. while partygoers = 0:
4.    cost_per_person = pizza_cost / partygoers
5.    print("the cost per person is $", "{:.2f}".format(cost_per_person))
6.    partygoers -= 2

La salida incluirá el bucle while corregido, que se ha modificado para asegurarse de que la variable del denominador permanezca positiva:

3. while partygoers >
 0:

Para errores más detallados, es posible que necesites agregar más especificaciones: el mensaje de error, variables de entorno, bibliotecas incluidas o variaciones en las entradas.

Optimizando Código

Si tu script tarda demasiado en ejecutarse, ChatGPT puede optimizarlo. Aquí tienes un ejemplo de cómo optimizar un script ineficiente que encuentra números primos:

Actúa como un desarrollador de Python muy experimentado, por favor optimiza este script:

for num in range(1, 101):
    if num  1:
        for i in range(2, num):
            if (num % i) == 0:
                break
        else:
            print(num)

El resultado podría ser un script que utiliza el Sieve of Eratosthenes algorithm para encontrar números primos:

numbers = list(range(2, 101))
for i in numbers:
    for j in range(i * 2, 101, i):
        if j in numbers:
            numbers.remove(j)
print(numbers)

Ten en cuenta que pedimos al bot que "actúe como un desarrollador senior" para optimizar el script. También puedes indicar que tenga cierta área de especialización (por ejemplo, algoritmos de ordenamiento) o cantidad de años de experiencia. Alternativamente, si tienes un script que parece demasiado complicado, puedes pedirle a ChatGPT que lo escriba "como un desarrollador muy junior".

Traduciendo entre lenguajes de programación

Una característica muy útil que ofrece ChatGPT es la capacidad de portar programas de un lenguaje a otro. Un uso típico de esto podría ser actualizar el código de un lenguaje antiguo a uno más moderno:

Actúa como un desarrollador experimentado con conocimientos en COBOL y Python. Por favor, convierte este programa de COBOL a Python:


IDENTIFICATION DIVISION.
PROGRAM-ID. CALCULATE-SS-TAX.

DATA DIVISION.
WORKING-STORAGE SECTION.
01 SALARY PIC 9(7)V99.
01 SS-TAX PIC 9(7)V99.

PROCEDURE DIVISION.
DISPLAY "Enter employee's salary: ".
ACCEPT SALARY.

COMPUTE SS-TAX = SALARY * 0.062.

DISPLAY "Social Security tax is: $", SS-TAX.
STOP RUN.

La salida podría ser algo como esto:

salary = float(input("Enter employee's salary: "))
ss_tax = salary * 0.062

print("Social Security tax is: $", round(ss_tax, 2))

Manejo de múltiples archivos y refactorización de su código base

¿Qué pasa si deseas que ChatGPT evalúe múltiples archivos? Simplemente proporciona los nombres de archivo y pega el código de cada uno:

Mi script de Python utiliza dos archivos, que se enumeran a continuación, en diferentes directorios. Por favor, muestra la salida de la ejecución de conversation.py:

BEGIN FILE 1: ./phrases/coming_and_going.py
def hi(name):
   print(f"Hello, {name}!")
def bye(name):
   print(f"Goodbye, {name}!")

BEGIN FILE 2: ./conversation.py
from phrases.coming_and_going import hi, bye
hi("John")
bye("John")


Hello, John!
Goodbye, John!

Utilizando esta técnica, puedes enviar múltiples archivos a ChatGPT en una sola solicitud y pedirle que refactorice el código. Alternativamente, puedes pedirle que "memorice" cada uno y luego ejecutarlo en una solicitud posterior.

Simulando un Servidor de Base de Datos

No solo ChatGPT puede trabajar con código, sino que también puede simular entornos de servidor como bases de datos, servidores web y de correo electrónico. Considera esta solicitud:

Actúa como Microsoft SQL Server. Crea una base de datos llamada "politics" y dentro de ella una tabla llamada "politicians". Llénala con 50 filas de políticos famosos de todo el mundo de diferentes épocas, de 1900 a 2000. Agrega columnas para sus nombres completos, país, fechas de nacimiento y fecha de fallecimiento si corresponde. Crea una vista para los 3 principales políticos que vivieron más tiempo. Crea y ejecuta un comando Transact-SQL que muestre el contenido de esa vista.

La salida será algo como:

// highlight-start
-- Create the "politics" database
CREATE DATABASE politics;
GO

-- Use the "politics" database
USE politics;
GO

-- Create the "politicians" table
CREATE TABLE politicians (
    id INT PRIMARY KEY,
    full_name VARCHAR(50),
    country VARCHAR(50),
    date_of_birth DATE,
    date_of_death DATE
);
-- etc.
// highlight-end

A partir de ahí, puedes agregar columnas, índices y más:

Agrega una columna a la tabla de políticos para el segundo al mando y actualiza su valor para cada fila.

La salida será algo como:

// highlight-start
ALTER TABLE politicians ADD second_in_command VARCHAR(255);

UPDATE politicians
SET second_in_command =
    CASE name
        WHEN 'Winston Churchill' THEN 'Clement Attlee'
        WHEN 'Franklin D. Roosevelt' THEN 'Harry S. Truman'
        WHEN 'Mao Zedong' THEN 'Lin Biao'
        -- add more cases for each politician
        ELSE NULL
    END;
// highlight-end

Simulando un servidor web

ChatGPT puede simular muchos otros servidores y APIs. Aquí hay un ejemplo de una solicitud que simula una respuesta del servidor Apache a encabezados de solicitud específicos del navegador:

Actúa como un servidor web Apache. ¿Cómo responderías a estos encabezados HTTP?

GET /example HTTP/1.1
Host: www.example.com

La salida será algo como:

// highlight-start
HTTP/1.1 200 OK
Date: [current date and time]
Server: Apache/2.4.41 (Ubuntu)
Last-Modified: [date and time of last modification of the requested resource]
Content-Type: [MIME type of the requested resource, e.g. text/html]
// highlight-end

Here are just some of the types of servers and APIs that ChatGPT can emulate:

Muy antiguo	Antiguo	Reciente	Última generación
Telnet	HTTP/1.0	RESTful API	GraphQL API
FTP	SMTP	SOAP API	GRPC API
POP3	LDAP	OAuth 2.0	Docker API
IMAP	DHCP	OpenAPI (Swagger)	Kubernetes API
DNS	NTP	gRPC-web API	Istio API
SNMP	RADIUS	MQTT API	Prometheus API
Syslog	SFTP	WebSocket API	Envoy API
TFTP	SSH	AWS API Gateway	Istio Mixer API
NFS	XML-RPC	Azure API Management	OpenTracing API
SMB	JSON-RPC	Google Cloud Endpoints	NATS Streaming API

Simulando una línea de comandos

Dado que una consola dentro de Linux (o Windows PowerShell) también es un lenguaje de programación, puedes interactuar con ella usando ChatGPT y construir un entorno para tu sistema de archivos:

Actúa como la terminal de comandos de Debian Linux. Por favor, responde a mis comandos como lo haría la terminal, con la menor explicación posible. Mi primer comando es: ls -l

La salida será algo como:

// highlight-start
-rw-r--r--  1 user  group   2048 Mar  3 14:23 file1.txt
drwxr-xr-x  2 user  group   4096 Feb 28 09:12 directory1
-rwx------  1 user  group  16384 Feb 25 19:41 executable1
// highlight-end

Intenta experimentar con otros comandos:

>
touch greeting.txt
>
echo "hello" >
 greeting.txt
>
ls -l

ChatGPT debería recordar tus cambios (al menos por un tiempo) y la salida final debería ser algo como:

-rw-r--r--  1 user  group   2048 Mar  3 14:23 file1.txt
drwxr-xr-x  2 user  group   4096 Feb 28 09:12 directory1
-rwx------  1 user  group  16384 Feb 25 19:41 executable1
-rw-r--r--  1 user  group      6 Mar  4 16:15 greeting.txt

Se puede encontrar una discusión completa sobre el uso de ChatGPT como una máquina virtual en: engraved.blog.

---

Contribuido por Prompt Yes!, una empresa que proporciona prompt engineering training.

Sander Schulhoff

Sander Schulhoff is the Founder of Learn Prompting and an ML Researcher at the University of Maryland. He created the first open-source Prompt Engineering guide, reaching 3M+ people and teaching them to use tools like ChatGPT. Sander also led a team behind Prompt Report, the most comprehensive study of prompting ever done, co-authored with researchers from the University of Maryland, OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions. This 76-page survey analyzed 1,500+ academic papers and covered 200+ prompting techniques.