Introducción

  • Es realmente innecesario escribir código en el prompt
    • ¡Por fin tenemos diálogos en lenguaje natural!
    • Esto no es programación en lenguaje natural.
  • Dejemos la programación a los programadores.
    • No compliquemos la vida a las personas comunes.
    • Que los programadores escriban el código donde se debe.
  • La inclusión de código en el prompt es difícil de depurar.
    • No es necesario agregar carga y ansiedad en el aprendizaje para los no expertos.
    • No hay necesidad de escribir código en el prompt.

1. ¿Cómo es la experiencia de escribir código en el prompt?

1.1. Un ejemplo de prompt fallido nos muestra la inutilidad de esto

Prompt y Resultados

Eres un generador de tarjetas de repaso de palabras con capacidad de ejecutar código. Según la entrada del usuario en términos de filas, columnas, nivel de grado y fecha, genera una tarjeta. Refiérete al siguiente código para ejecutarlo:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Crea una tabla de tarjetas de repaso de palabras, pero ten en cuenta que ejecutar esta función directamente en un entorno no profesional puede causar errores imprevistos.

    Parámetros:
    rows (int): Número de filas en la tabla, define el número de palabras en la tarjeta.
    cols (int): Número de columnas en la tabla, define el número de palabras en la tarjeta.
    grade_level (str): Nivel de grado, determina la dificultad de las palabras.
    date (datetime): Fecha actual, mostrada en la parte inferior de la tabla.

    Retorna:
    DataFrame: Tabla de palabras en un DataFrame de Pandas.
    """
    # Supongamos una función que obtiene palabras de un vocabulario
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Obtener palabras
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Formatear la lista de palabras en una lista bidimensional
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Una ilusión antes de mostrar el resultado es que si el número real de palabras en el vocabulario es menor que el necesario, esto causará un error.
    try:
        print(df.to_string(index=False, header=False))
        print(f"Fecha: {date.strftime('%Y-%m-%d')}")
    except Exception as e:
        print("Se produjo un error:", e)

# Ejemplo de uso, mostrando cómo llamar a la función y advirtiendo posibles problemas
try:
    create_word_review_card(3, 4, 'Secundaria', datetime.now())
except Exception as error:
    print("Se produjo un error al intentar ejecutar el código, lo que indica que ejecutar código Python complejo directamente en un entorno no profesional puede no ser la mejor práctica. Detalles del error:", error)

Al comenzar a utilizarlo, deberías esperar que el usuario introduzca el número de filas, columnas, el nivel de grado y la fecha, y luego, aprovechando la capacidad de código, debería generar un gráfico para el usuario.

Resultados de la Salida: el código se ejecutó

Ejecutando el código

El código es el siguiente:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Crea una tabla de tarjetas de repaso de palabras.

    Parámetros:
    rows (int): Número de filas en la tabla, define el número de palabras en la tarjeta.
    cols (int): Número de columnas en la tabla, define el número de palabras en la tarjeta.
    grade_level (str): Nivel de grado, determina la dificultad de las palabras.
    date (datetime): Fecha actual, mostrada en la parte inferior de la tabla.

    Retorna:
    DataFrame: Tabla de palabras en un DataFrame de Pandas.
    """
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Obtener palabras
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Formatear la lista de palabras en una lista bidimensional
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Mostrar resultados
    print(df.to_string(index=False, header=False))
    print(f"Fecha: {date.strftime('%Y-%m-%d')}")

# Llamar a la función y capturar posibles excepciones
try:
    create_word_review_card(3, 4, 'Primaria', datetime.strptime('2024-03-12', '%Y-%m-%d'))
except Exception as error:
    print("Se produjo un error al intentar ejecutar el código, detalles del error:", error)

De este caso fallido podemos ver varios puntos:

  • Para alcanzar el efecto de un lenguaje de programación tradicional, el esfuerzo requerido es enorme.
  • Depurar y modificar el código es muy complicado.
  • No se puede ver ninguna necesidad de incrustar código en el prompt.

En este punto, alguien podría opinar que eso se debía a que tus habilidades de programación son muy bajas…
Sí, es cierto que mi capacidad para escribir código es bastante básica.
Pero, un momento, si la inteligencia artificial requiere un nivel tan alto de habilidad en programación, ¿sigue siendo AIGC?

Veamos el uso de otra variable simple, y descubramos que en realidad no sabemos qué lenguaje es.

1.2. ¿Cuál es la situación de incrustar pseudocódigo?

Prompt y Resultados

1
2
3
4
5
6
"Basado en mis intereses {interests}, presupuesto {budget}, duración del viaje {travel_duration}, y número de compañeros {number_of_companions}, ayúdame a planear un viaje."
"Los intereses incluyen pero no se limitan a {list_of_interests}."
"El rango de presupuesto es {budget_range}."
"La duración planificada del viaje es de {length_of_trip} días."
"Viajaré con {number_of_people} personas, sus edades e intereses son {ages_and_interests}."
"Proporciona detalles de sugerencias diarias para nuestro itinerario, incluyendo preferencias de comida {meal_preferences} y opciones de alojamiento {accommodation_preferences}."

Incorporando variables y plantillas

Aunque este ejemplo no es perfecto, se parece más a una plantilla de prompt con variables. Esto nos indica que en situaciones específicas, este enfoque es efectivo. Casos similares también incluyen: si necesitas diseñar un prompt más complejo, puedes añadir más puntos de decisión y variables, haciendo que el proceso de interacción sea más detallado y ramificado. A continuación, se presentan ejemplos complejos para diversos escenarios:

Escenario 1: Plan de dieta saludable integral

Prompt Inicial:

1
2
3
4
5
"Tengo {dietary_restrictions}, necesito diseñar un plan de comidas {meal_type} para los próximos {number_of_days} días."
"Mis restricciones dietéticas incluyen {specific_restrictions}."
"Necesito {meals_per_day} comidas al día."
"La cantidad de calorías por comida no debe exceder {calories_per_meal}."
"Por favor proporciona una lista de ingredientes {ingredients_list}, pasos de cocción {cooking_steps} y duración estimada de cocción {cooking_time} para cada comida."

Escenario 2: Evaluación detallada de productos tecnológicos

Prompt Inicial:

1
2
3
4
5
6
"Estoy considerando comprar {product_name}, por favor proporciona funciones detalladas {detailed_features}, reseñas de usuarios {detailed_reviews}, comparación de precios {price_comparison} y recomendaciones de compra {purchase_advice}."
"El nombre del producto es {specific_product_name}."
"Las funciones que me interesan incluyen {list_of_features}."
"Por favor proporciona al menos tres reseñas detalladas de usuarios {user_reviews}."
"Compara el precio de este producto con otros productos similares en el mercado {comparison_with_other_products}."
"Basado en mis necesidades {my_requirements}, ¿recomiendas la compra de este producto?"

Escenario 3: Plan de recursos de aprendizaje detallado

Prompt Inicial:

1
2
3
4
5
"Quiero aprender {subject}, según mi estilo de aprendizaje {learning_style} y tiempo disponible {available_time}, recomienda recursos de aprendizaje adecuados."
"El tema de estudio es {specific_subject}."
"Mis métodos de aprendizaje preferidos incluyen {preferred_learning_methods}."
"Cada semana puedo dedicar {hours_per_week} horas al estudio."
"Con base en estas condiciones, recomienda cursos en línea {online_courses}, libros {books}, tutoriales en video {video_tutorials} u otros recursos {other_resources}."

Escenario 4: Ruta de transición profesional detallada

Prompt Inicial:

1
2
3
4
5
6
"Mi trabajo actual es {current_job}, estoy interesado en la industria {industry_interest}."
"Mi posición actual es {specific_current_job}."
"La industria que me interesa es {specific_industry_interest}."
"Me gustaría saber cómo pasar de mi trabajo actual a la industria de interés, incluyendo habilidades necesarias {necessary_skills}, posibles posiciones {potential_positions} y salario esperado {expected_salary}."
"Proporciona información sobre el contexto de la industria {industry_background}, la trayectoria profesional {career_pathway} y posibles desafíos {potential_challenges}."
"Según mi experiencia laboral {my_work_experience} y antecedentes educativos {my_educational_background}, recomienda cursos de formación o certificaciones {recommended_courses_or_certifications}."

Echemos un vistazo a cómo se vería un pseudocódigo o lenguaje natural con un poco de lógica.

1.3. Pseudocódigo/lenguaje natural, ¿así es como debería verse?

Prompt y Resultados

1
2
3
4
5
6
7
Introducción: n
Inicialización: factorial = 1

Para i desde 1 hasta n, hacer:
    factorial = factorial * i

Salida: factorial

gpt factorial

Parece sencillo, ¿y si lo hacemos un poco más complicado?

1
2
3
4
5
6
7
8
9
10
11
12
13
Entrada: array A ya ordenado, valor a buscar val
Establecer low = 0, high = length(A) - 1

Mientras low <= high, hacer:
    mid = (low + high) / 2
    Si A[mid] < val:
        low = mid + 1
    De lo contrario, si A[mid] > val:
        high = mid - 1
    De lo contrario:
        Salida: mid
        Salida
Salida: -1  // Si no se encuentra

algoritmo de ordenación

No le dije que estaba buscando 99. Se fue y lo buscó por sí mismo…

Todos estos ejemplos tienen un fuerte enfoque científico, y no tienen gran relación con la vida cotidiana de la mayoría de nosotros.

Esto fue completado con ChatGPT 3.5. Si realmente realizó cálculos sigue siendo un tema debatible, pero eso no impide que continuemos explorando. Considerando que la mayoría de las personas no necesitan profundizar en lenguajes de programación complejos y cambiantes, no es necesario profundizar en esto, ahorrémonos ese esfuerzo. La cuestión clave es que tanto el lenguaje natural como el pseudocódigo pueden resultar confusos. Si el prompt se vuelve complejo, una vez que entramos en un entorno de producción, la situación podría volverse muy complicada:

  • Resultados incontrolables
    • En los ejemplos anteriores ya hay problemas de ilusión.
  • Proceso incontrolable
    • Como un procedimiento SQL de 8000 líneas.
    • Cada vez que hay una actualización del sistema, nadie se atreve a tocar nada.

Parece que el mayor prompt es https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor.

2. ¿Qué es la programación en lenguaje natural?

Desde que aparecieron los prompts y con la promoción de empresas de modelos grandes como OpenAI, el mundo de las noticias estalló en emociones y la inspiración fluyó. ¡Los prompts se malinterpretaron como un nuevo lenguaje de programación, como si dominarlo nos permitiera dirigir ejércitos, y con la llegada de un montón de AIGC, dibujar, escribir, hacer películas, ¡todo era tan fácil! ¡tan sencillo!!
El único problema es:

  • Por el momento, no sé hacerlo.
  • Pero, estoy seguro de que debe ser muy fácil.
  • Sin embargo, por ahora, no sé hacerlo.

Entonces, ¿qué es la programación en lenguaje natural? ¿Qué quiso decir Jensen Huang al recomendar no aprender a programar?

El problema se remonta a mucho tiempo atrás…

No vamos a entrar en detalles. En resumen, deseamos que las computadoras nos ayuden a resolver problemas, pero descubrimos que es bastante difícil, por lo que algunos científicos comenzaron desde la computación, acumulando lentamente algunos métodos y técnicas para resolver problemas.

Los científicos descubrieron que ciertos fenómenos naturales podían ser abstraídos como problemas matemáticos a resolver. Por ejemplo, el problema de las gallinas y los conejos se resolvió con una ecuación.

Con el tiempo y evolución, los matemáticos comenzaron a abstraer más los problemas, utilizando más herramientas matemáticas, y estas cosas son casi imposibles de calcular manualmente, así que surgieron las computadoras y los lenguajes de programación. La mayoría de nosotros pasamos por ese proceso de aprender lenguajes de programación, comprendiendo tipos de datos, el if/else, los bucles for, y así sucesivamente.

Estos son los métodos que la computación usa para resolver problemas, abstraer problemas, simplificarlos, y limitar la dispersión del mismo. Sus beneficios son obvios: nuestros problemas son más convergentes y los métodos para resolverlos también. Los problemas son evidentemente más desafiantes si no se pueden limitar y requieren más exploración.

Por lo tanto, algunas personas se preguntan, ¿no se podría evitar aprender lenguajes de programación? En esta etapa, parece que a medida que la complejidad de los problemas aumenta, ¡no será más fácil que programar! Es como si yo no supiera usar Photoshop, solo utilizara Paint y algunas herramientas en línea básicas, pero si realmente necesito trabajar en una imagen compleja, al final, ¡todavía tendría que aprender Photoshop! La paradoja está en cómo evaluamos los resultados a través de la programación en lenguaje natural. Usando programación en lenguaje natural, ¿cómo sabemos que la IA no está diciendo tonterías?

Todos sabemos que hay un dicho que los modelos de lenguaje grandes siempre juegan un juego de cadenas de palabras. Así que

1
1+1=2

no es algo que haya calculado, sino que es algo que ha visto en los materiales de entrenamiento y lo reproduce. Para mejorar este problema, OpenAI lanzó el año pasado el Code Interpreter, dándonos la esperanza a aquellos de nosotros que no sabemos programar.

3. ¿Qué puede hacer el intérprete de código?

En términos simples, podemos entender que OpenAI ha añadido un entorno sandbox que puede ejecutar Python sobre la base del modelo grande existente, utilizando la intención del contexto, generando su propio código, ejecutándolo y luego consolida los resultados para informarnos.

Podemos entender que es como pedir ayuda a alguien para completar una tarea, indicándole la necesidad y dejando que él cumpla con el trabajo. Algunas consideraciones más complejas sobre principios se dejarán para el final. Se puede decir que lo que Python puede hacer, este intérprete en su mayor parte también puede hacerlo. Veamos algunos escenarios típicos.

Los cuatro escenarios enumerados a continuación tienen herramientas profesionales que pueden realizar esas tareas, pero le han dado a estos escenarios la oportunidad de nuevas pruebas. Así como al inicio de internet móvil hubo controversias, poco a poco se encontró un equilibrio y muchas cosas no requieren herramientas tan especializadas para resolverse.

A veces, después de ejecutarlo 10 veces y al final falla, se siente un tanto extraño. Hace poco intenté que analizara el resumen de ticktick, falló más de 10 veces.
Análisis fallido

En general, es muy adecuado usarlo para exploración.

¿Cómo activarlo? Hay una opción en GPTs que se puede marcar, así el GPTs tendrá esta capacidad. En la conversación con GPT4, actualmente utilizo la forma de decirle que utilice su capacidad de Python o su capacidad de ejecución de código, y así sigue hablando:
Gráfico de sol naciente

Gráfico circular

A partir de la interacción anterior, el proceso es bastante sencillo.

3.1 Análisis y visualización de datos

Este método puede incluso comenzar sin explicar nuestra necesidad, simplemente lanzando un archivo CSV o Excel para dejar que analice directamente, también puede resaltar algunos gráficos que serían adecuados para expresarse. Si no estamos satisfechos, podemos explicarlo aún más.

En los ambientes empresariales y de investigación modernos, el análisis y la visualización de datos son herramientas clave para obtener información sobre tendencias y patrones. El plugin del intérprete de código de ChatGPT simplifica mucho este proceso al soportar poderosas bibliotecas de ciencia de datos como pandas y matplotlib. Los usuarios pueden solicitar directamente en lenguaje natural, guiando a ChatGPT en operaciones de datos y generación de gráficos, haciendo que el análisis de datos sea más directo y amigable.

Por ejemplo, un analista de mercado podría necesitar analizar datos de ventas de productos y mostrar el rendimiento de ventas en diferentes regiones. A través del intérprete de código, podría simplemente indicarle a ChatGPT que lea un archivo CSV con datos de ventas, utilice pandas para calcular el total de ventas por cada región y luego use matplotlib para generar un gráfico de barras. Todo el proceso no requiere escribir código complicado, sólo necesita describir la tarea de análisis de datos y las necesidades de visualización.

Además, la potente funcionalidad del intérprete de código facilita el análisis de series temporales, modelado de predicciones y pruebas estadísticas complejas. Por ejemplo, un científico ambiental podría analizar los datos de cambios de temperatura durante la última década. Mediante el intérprete de código, podrían cargar el conjunto de datos, aplicar modelos de suavizado o regresión y generar rápidamente gráficos que muestren las tendencias.

Análisis y visualización de datos

En lo que respecta a gráficos, el análisis diario en Excel ya es bastante integral, hay muchas herramientas profesionales, la importancia de ChatGPT para nosotros, las personas comunes, es que su perspectiva de análisis y su forma de interpretar pueden darnos algunas inspiraciones. Por ejemplo.

Análisis del PIB

Aquí hay un problema, si los gráficos están en chino, puede que no se muestren, es necesario cargar el archivo de fuente. Aún no está solucionado.

3.2 Flexibilidad en la conversión de archivos

Este método parece no funcionar muy bien en este momento, pero aún así puede intentarse. Mi intento fue convertir mp4 a mp3, ¿cuál es su significado? Bueno, parece que es solo un poco útil; mejor que nada. Es similar al concepto de eliminar fondos de imágenes.

La conversión de formatos de archivo es una necesidad común en muchos campos profesionales, particularmente al manejar grandes cantidades de documentos y archivos multimedia. El intérprete de código simplifica el proceso de conversión de archivos, brindando gran conveniencia. Ya sea en investigaciones científicas, diseño de ingeniería o operaciones de negocio diarias, la capacidad de convertir rápidamente entre diferentes formatos es clave para aumentar la eficiencia.

Al integrar bibliotecas como pandas de Python, el intérprete de código puede realizar fácilmente la conversión de archivos de CSV a Excel y viceversa. Esto es una gran ayuda para aquellos que necesitan migrar y utilizar datos en diferentes plataformas de software. Por ejemplo, un analista financiero podría necesitar convertir estados financieros de Excel a formato CSV para procesamiento adicional. Con el intérprete de código, esta tarea puede completarse mediante sencillas instrucciones.

Para el procesamiento de imágenes, el intérprete de código puede utilizar la biblioteca PIL (Pillow) de Python para convertir entre diferentes formatos de imagen, como de JPEG a PNG. Esto es especialmente importante en la edición de imágenes, diseño web e industria de impresión. Diseñadores o fotógrafos pueden utilizar el intérprete de código para ajustar rápidamente el formato de las imágenes según diferentes requisitos de salida.

En resumen, el intérprete de códigos es amplio y poderoso; desde conversiones de formato de archivo simples hasta análisis y visualización complejos de datos, demuestra su utilidad e innovación como herramienta moderna. Estas funcionalidades no solo mejoran la eficiencia en el trabajo, sino que también permiten a los usuarios no técnicos manejar tareas que originalmente requerían conocimientos avanzados. A medida que la tecnología avanza y las necesidades de los usuarios siguen creciendo, se espera que el intérprete de código desempeñe un papel destacado en más ámbitos.

3.3 Desarrollo de código y diseño de prototipos

El intérprete de código ofrece una herramienta revolucionaria para el desarrollo de software y el diseño de prototipos, permitiendo a los desarrolladores iterar y probar fragmentos de código rápidamente. Al proporcionar un entorno de retroalimentación y ejecución instantánea, el intérprete facilita la verificación en tiempo real de algoritmos y funciones, lo que acorta drásticamente los ciclos de desarrollo y mejora la eficiencia. Este proceso es especialmente útil en las etapas iniciales de desarrollo, donde es necesario validar conceptos o probar nuevas ideas, obteniendo resultados inmediatos y eliminando el tiempo de espera habitual de compilación y ejecución.

Por ejemplo, los desarrolladores pueden utilizar el intérprete de código para crear rapidamente un prototipo de un script de raspado web, probando diferentes estrategias de análisis o verificando si un proceso de integración de datos se comporta como se espera. Usando simples comandos, el intérprete puede ejecutar el script al instante, mostrar la salida y proporcionar información de depuración, permitiendo a los desarrolladores identificar problemas y realizar ajustes de inmediato.

  1. Cargar contenido web: Usar la biblioteca requests para obtener contenido HTML del sitio objetivo.
  2. Analizar HTML: Utilizar bibliotecas como BeautifulSoup para analizar el HTML y extraer los datos necesarios.
  3. Procesar datos: Limpiar y formatear los datos extraídos para su análisis o almacenamiento posterior.
  4. Mostrar resultados: Imprimir o visualizar los datos para validar la precisión del resultado del raspado.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import requests

def get_weather_info(location, date):
    # Realizar una llamada a la API para obtener información del clima
    response = requests.get(f"https://weather-api.com/data/{location}/{date}")

    if response.status_code == 200:
        # Analizar y devolver los datos del clima
        weather_data = response.json()
        return weather_data
    else:
        return None

# Usar el intérprete de código para probar la llamada a la API
location = "Nueva York"
date = "2024-01-31"
weather_info = get_weather_info(location, date)
print("Información del clima en Nueva York para el 31 de enero de 2024:", weather_info)

En este escenario, puede asistirnos en pruebas y verificaciones, en comparación con la necesidad de iniciar un proyecto que requiera inicializar todo. Es cierto que eventualmente necesitaríamos hacerlo, pero en efecto, esto nos ahorra tiempo.

Llamando a funciones externas para crear un mapa

Además, el intérprete de código soporta bibliotecas y módulos ricos, lo que significa que los desarrolladores pueden aprovechar las últimas herramientas y características del lenguaje, como el uso de TensorFlow o PyTorch para el desarrollo rápido de prototipos de modelos de machine learning. Esto no solo acelera la exploración de nuevas tecnologías, sino que también proporciona un entorno seguro para experimentar y aprender nuevas herramientas sin preocuparse por afectar configuraciones de desarrollo existentes.

3.4 Resolución de problemas matemáticos complejos

El intérprete de código no solo es una potente herramienta para la programación y desarrollo de software, sino también un eficaz asistente para resolver problemas matemáticos complejos. Mediante la integración de bibliotecas de cálculo científico como Numpy y Scipy, el intérprete de código puede ejecutar una amplia gama de operaciones matemáticas, desde operaciones aritméticas básicas hasta modelado matemático complejo y análisis estadísticos.

En los campos de investigación y ingeniería, los investigadores y ingenieros a menudo necesitan realizar procesamiento matemático complejo sobre grandes cantidades de datos, incluyendo pero no limitándose a operaciones de álgebra lineal, transformadas de Fourier y análisis de datos estadísticos. El intérprete de código puede ejecutar rápidamente estos cálculos y proporcionar salidas visuales intuitivas, lo que permite a los usuarios visualizar instantáneamente si sus resultados son correctos o los patrones y tendencias que presentan los datos.

Por ejemplo, un científico ambiental está estudiando el impacto del cambio climático en las temperaturas regionales. A través del intérprete de código, puede cargar datos históricos de temperatura, aplicar modelos estadísticos para analizar cambios de temperatura e ilustrar estos resultados mediante gráficos. Esta retroalimentación instantánea y potente capacidad de cálculo permite a los investigadores centrarse más en el análisis e interpretación de los datos, en lugar de ocuparse del procesamiento de los datos per se.
Gráfico de tendencias

Superficie 3D Fractal
Gráfico de superficie 3D Mandelbrot

Todos estos escenarios tienen soluciones establecidas en la realidad.

4. Análisis de los principios del intérprete de código

Pregunté

1
Utilizando la capacidad de Python, indícame la información completa de la versión de Linux en el sandbox, así como la información de la versión de Python. Finalmente, ejecuta dos comandos para obtener información más detallada; estos comandos son: uname -a lsb_release -a

Responde

En el entorno sandbox actual, hemos obtenido los siguientes detalles del sistema y de Python:

  1. Información completa de la versión de Linux:

    • Linux-4.4.0-x86_64-with-glibc2.36

  2. Información de la versión de Python:

    • 3.11.8 (main, Mar 12 2024, 11:41:52) [GCC 12.2.0]

  3. Resultados del comando uname -a:

    • Linux 3dfa9ec0-11da-496f-831c-878f4773c1c6 4.4.0 #1 SMP Sun Jan 10 15:06:54 PST 2016 x86_64 GNU/Linux
    • Esto indica que se está ejecutando la versión del núcleo de Linux 4.4.0, construido en 2016, usando la arquitectura x86_64.

  4. Resultados del comando lsb_release -a:

    • Distributor ID: Debian
Description: Debian GNU/Linux 12 (bookworm)
Release: 12
Codename: bookworm
    • Esto indica que el sistema operativo actual es Debian GNU/Linux, versión 12, código bookworm.

A partir de esto, vemos que es un sandbox capaz de ejecutar Python, con restricciones claras:

  • Acceso a internet prohibido.
    • Parece que después de pruebas, curl puede acceder.
  • Comandos tienen un límite de tiempo de 120 segundos.
    • Si se tarda más, se corta directamente.
  • Acceso root prohibido.
    • Esto puede afectar algunas instalaciones de software.
  • Puede ejecutar archivos subidos

Este artículo tiene como objetivo ilustrar que escribir código en un prompt no es necesario; utilizando correctamente el intérprete de código, podemos hacerlo todo.

5. Conclusiones: Posibilidades Futuras del Intérprete de Código

El intérprete de código se presenta como una herramienta innovadora que ha demostrado su potencial de aplicación y valor práctico en múltiples campos. Desde la ciencia de datos hasta el desarrollo de software, desde la solución de problemas matemáticos complejos hasta la rápida iteración de prototipos, el intérprete no solo mejora la eficiencia del trabajo, sino que también proporciona una flexibilidad y velocidad sin precedentes en investigación y desarrollo. Mirando hacia el futuro, con el avance continuo de la tecnología de inteligencia artificial, podemos anticipar que el intérprete de código integrará más funciones avanzadas, como la integración más profunda de machine learning, generación automatizada de pruebas y colaboración en la nube, lo que expandirá aún más su alcance y profundizará su impacto en la tecnología moderna.

Referencias: