Introdução

  • Não há necessidade de escrever código no Prompt
    • Finalmente temos diálogos em linguagem natural
    • Não é uma programação em linguagem natural
  • Deixemos a programação para os programadores
    • Não vamos dificultar as coisas para as pessoas comuns
    • Programadores devem escrever código onde se espera que seja escrito
  • O que está embutido no Prompt pode causar ilusões difíceis de depurar
    • Não há necessidade de sobrecarregar as pessoas comuns com a aprendizagem e a ansiedade
    • Não há necessidade de escrever código nos Prompts

1. O que é escrever código no Prompt?

1.1. Um exemplo de Prompt que falhou nos mostra que não há necessidade de complicar

Prompt e Resultados de Saída

Você é um gerador de cartões de revisão de palavras com capacidade de execução de código. Baseado na entrada do usuário com o número de linhas, colunas, nível escolar e data, gere um cartão. Consulte o código abaixo para execução:

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):
"""
Cria uma tabela de cartão de revisão de palavras. Mas atenção, executar essa função em um ambiente não profissional pode causar erros imprevisíveis.

Parâmetros:
rows (int): Número de linhas na tabela, que determina o número de palavras no cartão.
cols (int): Número de colunas na tabela, que determina o número de palavras no cartão.
grade_level (str): Nível escolar que determina a dificuldade das palavras.
date (datetime): Data atual, a qual será exibida na parte inferior da tabela.

Retorno:
DataFrame: Tabela Pandas DataFrame contendo as palavras.
"""
# Função hipotética para buscar palavras no banco de dados
def fetch_words(n, grade_level):
words = [f"{grade_level}_word_{i}" for i in range(n)]
return words

# Obter palavras
total_words = rows * cols
words = fetch_words(total_words, grade_level)

# Formatar a lista de palavras em uma lista bidimensional
word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
df = pd.DataFrame(word_matrix)

# Uma ilusão antes da saída é que se a quantidade de palavras no banco de dados for menor do que a necessária, isso causará erros.
try:
print(df.to_string(index=False, header=False))
print(f"Data: {date.strftime('%Y-%m-%d')}")
except Exception as e:
print("Erro ocorreu:", e)

# Uso de exemplo, demonstrando como chamar a função e alertar sobre possíveis problemas
try:
create_word_review_card(3, 4, 'Fundamental', datetime.now())
except Exception as error:
print("Um erro ocorreu ao tentar executar o código, indicando que rodar código Python complexo diretamente em um ambiente não editável pode não ser a melhor prática. Detalhes do erro:", error)

Ao começar a usar, você aguardará a entrada do usuário com o número de linhas, colunas, nível escolar e a data, e então utilizará a capacidade de código para criar um gráfico para o usuário.

Resultado de Saída, o código ainda foi executado

Execução do código

O código é o seguinte:

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
import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
"""
Cria uma tabela de cartão de revisão de palavras

Parâmetros:
rows (int): Número de linhas na tabela, que determina o número de palavras no cartão.
cols (int): Número de colunas na tabela, que determina o número de palavras no cartão.
grade_level (str): Nível escolar que determina a dificuldade das palavras.
date (datetime): Data atual, a qual será exibida na parte inferior da tabela.

Retorno:
DataFrame: Tabela Pandas DataFrame contendo as palavras.
"""
def fetch_words(n, grade_level):
words = [f"{grade_level}_word_{i}" for i in range(n)]
return words

# Obter palavras
total_words = rows * cols
words = fetch_words(total_words, grade_level)

# Formatar a lista de palavras em uma lista bidimensional
word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
df = pd.DataFrame(word_matrix)

# Saída
print(df.to_string(index=False, header=False))
print(f"Data: {date.strftime('%Y-%m-%d')}")

# Chamar a função e capturar possíveis exceções
try:
create_word_review_card(3, 4, 'Primário', datetime.strptime('2024-03-12', '%Y-%m-%d'))
except Exception as error:
print("Um erro ocorreu ao tentar executar o código, detalhes do erro:", error)

A partir deste caso de falha, podemos ver alguns pontos:

  • Para alcançar o efeito de uma linguagem de programação tradicional, o esforço é grande
  • Depurar e modificar código é muito complicado
  • Não parece haver necessidade de embutir código no Prompt

Nesse momento, alguém poderia dizer que isso é porque seu nível de programação é muito baixo…
Sim, realmente, minha habilidade de programar é bem básica.
Mas, espera, se a IA exige tanta habilidade em programação, ainda é AIGC?

Vamos olhar para um uso simples de variáveis, e perceberemos que na verdade nem sabemos que linguagem é essa.

1.2. Como fica a inserção de pseudocódigo?

Prompt e Resultados de Saída

1
"Com base no meu interesse {interests}, orçamento {budget}, duração da viagem {travel_duration}, e número de acompanhantes {number_of_companions}, por favor, ajude-me a planejar uma viagem." "Os interesses incluem, mas não se limitam a {list_of_interests}." "A faixa de orçamento é {budget_range}." "A duração da viagem planejada é {length_of_trip} dias." "Vou viajar com {number_of_people} pessoas, e as idades e interesses deles são {ages_and_interests}." "Por favor, me forneça sugestões detalhadas para nosso itinerário diário, incluindo recomendações de refeições {meal_preferences} e opções de acomodação {accommodation_preferences}."

Inserção de variáveis e templates

Embora esse exemplo não seja perfeito, é mais como um modelo de Prompt com variáveis. Isso nos mostra que, em cenários específicos, esse método é eficaz. Casos similares incluem: ao projetar um Prompt mais complexo, você pode adicionar mais pontos de decisão e variáveis, tornando o processo interativo mais detalhado e ramificado. Aqui estão exemplos complexos para diferentes cenários:

Cenário 1: Um plano completo de receitas saudáveis

Prompt Inicial:

1
2
3
4
5
"Eu tenho {dietary_restrictions}, e preciso elaborar um plano alimentar de {meal_type} para os próximos {number_of_days} dias."
"Minhas restrições alimentares incluem {specific_restrictions}."
"Preciso de {meals_per_day} refeições por dia."
"Cada refeição deve ter no máximo {calories_per_meal} calorias."
"Por favor, forneça uma lista de ingredientes {ingredients_list}, etapas de cozimento {cooking_steps} e tempo de cozimento estimado {cooking_time} para cada refeição."

Cenário 2: Avaliação aprofundada de produtos tecnológicos

Prompt Inicial:

1
2
3
4
5
6
"Estou pensando em comprar {product_name}. Por favor, forneça detalhes das funções desse produto {detailed_features}, avaliações de usuários {detailed_reviews}, comparação de preços {price_comparison} e recomendações de compra {purchase_advice}."
"O nome do produto é {specific_product_name}."
"Quero saber sobre as funções que incluem {list_of_features}."
"Por favor, forneça pelo menos três avaliações detalhadas de usuários {user_reviews}."
"Compare o preço deste produto com outros similares no mercado {comparison_with_other_products}."
"Com base nas minhas necessidades {my_requirements}, você recomendaria a compra deste produto?"

Cenário 3: Um plano abrangente de recursos de aprendizado

Prompt Inicial:

1
2
3
4
5
"Quero aprender {subject}. Com base no meu estilo de aprendizado {learning_style} e tempo disponível {available_time}, recomende recursos de aprendizado adequados."
"O tema de aprendizado é {specific_subject}."
"Minhas metodologias de aprendizado preferidas incluem {preferred_learning_methods}."
"Posso dedicar {hours_per_week} horas por semana para aprender."
"Considerando essas condições, recomende cursos online {online_courses}, livros {books}, vídeo-aulas {video_tutorials} ou outros recursos {other_resources}."

Cenário 4: Um caminho detalhado para a transição de carreira

Prompt Inicial:

1
2
3
4
5
6
"Atualmente meu trabalho é {current_job}, e estou interessado na indústria de {industry_interest}."
"Meu cargo atual é {specific_current_job}."
"Estou interessado na indústria {specific_industry_interest}."
"Gostaria de entender como transitar do meu trabalho atual para a indústria de interesse, incluindo habilidades necessárias {necessary_skills}, possíveis cargos {potential_positions} e salários esperados {expected_salary}."
"Por favor, forneça informações detalhadas sobre antecedentes da indústria {industry_background}, caminhos de desenvolvimento de carreira {career_pathway} e possíveis desafios {potential_challenges}."
"Com base na minha experiência de trabalho {my_work_experience} e formação acadêmica {my_educational_background}, recomende cursos ou certificações de aprimoramento adequados {recommended_courses_or_certifications}."

Agora, vamos descobrir como seria uma lógica simples e o que podemos extrair dela.

1.3. Como seria um pseudocódigo com lógica simples/natural?

Prompt e Resultados de Saída

1
2
3
4
5
6
7
Entrada: n
Inicializa: fatorial = 1

Para i de 1 até n faça o seguinte:
fatorial = fatorial * i

Saída: fatorial

gpt fatorial

Parece simples, vamos um pouco além?

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

Enquanto low <= high faça o seguinte:
mid = (low + high) / 2
Se A[mid] < val:
low = mid + 1
Senão se A[mid] > val:
high = mid - 1
Senão:
Saída: mid
Saída
Saída: -1 // Se não encontrado

algoritmo de ordenação

Eu não disse a ele que estava buscando 99. Ele foi atrás disso sozinho…

Todos esses casos têm um forte senso científico e estão longe da maioria dos nossos relacionamentos diários.

Isso foi realizado com o ChatGPT 3.5. Se o programa realmente realizou os cálculos é algo a ser debatido, mas isso não impede que continuemos a explorar. Considerando que a maioria das pessoas não precisa se aprofundar em linguagens de programação complexas e em constante evolução, não há necessidade de nos aprofundarmos neles, e podemos economizar essa preocupação. O principal problema é que a linguagem natural e o pseudocódigo acima são difíceis de entender. Se o Prompt se torna complexo, pode se tornar muito complicado em um ambiente de produção:

  • Resultados incontroláveis
    • No exemplo acima já se percebeu o problema de ilusões
  • Processos incontroláveis
    • Como um procedimento armazenado SQL de 8000 linhas
    • Cada vez que o sistema é atualizado, ninguém se atreve a mexer, ninguém quer entrar em

Parece que o maior Prompt é https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor

2. O que é programação em linguagem natural?

Após o surgimento do Prompt, a propaganda de gigantes de modelos como OpenAI gerou uma onda nos meios de comunicação, trazendo novas inspirações. O Prompt foi mal interpretado como uma nova linguagem de programação, como se dominar isso nos fizesse comandar exércitos, com um exército de AIGC disponível para pintar, escrever, filmar… tudo à mão! Tão fácil!!
O único problema é:

  • Por enquanto, eu ainda não sei
  • Mas, eu acredito que seja muito simples.
  • Mas, por enquanto, ainda não sei.

Então o que é a programação em linguagem natural, o que Huang Renxun quis dizer ao dizer que não precisamos aprender programação?

A questão pode voltar a um longo tempo atrás…

Mas não vamos a fundo, resumindo, queremos que os computadores resolverem nossos problemas, mas descobrimos que isso é realmente difícil, então alguns cientistas foram atrás da computação, acumulando algumas técnicas e métodos de solução de problemas.

Cientistas descobriram que alguns fenômenos naturais podem ser abstraídos como problemas matemáticos a serem resolvidos. Por exemplo, o problema dos coelhos e galinhas pode ser resolvido usando equações.

Gradualmente, os matemáticos foram cada vez mais abstratos em seus problemas, empregando mais ferramentas matemáticas que seriam difíceis de calcular manualmente, por isso surgiram os computadores e as linguagens de programação. A maioria de nós passa por esse processo de aprender a programar: entendendo tipos de dados, aprendendo if/else, compreendendo loops for e assim por diante.

Esses são métodos pelos quais os computadores resolvem problemas, abstraindo e simplificando as questões, ao mesmo tempo que limitam a divergência dos problemas. Suas vantagens são óbvias: tornamos os problemas mais restritos, e as técnicas de resolução também são mais focadas. Mas a desvantagem também é evidente: alguns problemas são difíceis de restringir e, portanto, precisam de diversidade.

Assim, algumas pessoas se perguntaram se seria possível não aprender uma linguagem de programação. No estágio atual, à medida que a complexidade dos problemas aumenta, ainda parece que programar é melhor! Como eu não sei usar o Photoshop e apenas uso o Paint e algumas ferramentas online simples, mas quando se trata de editar uma imagem complexa, no final das contas, é melhor aprender Photoshop! O paradoxo é que, com a programação em linguagem natural, como avaliamos os resultados? Usamos a linguagem natural para programar, como avaliamos para garantir que não é uma conversa aleatória?

Todos sabemos que existe uma afirmação de que os grandes modelos de linguagem estão constantemente jogando o jogo da conexão de palavras. Por isso

1
1+1=2

não é algo que ele calculou, mas sim algo que ele já viu em materiais de treinamento, e continuou a partir daí. Para mitigar esse problema, a OpenAI lançou o Code Interpreter no ano passado, dando a nós, que não sabemos programar, alguma esperança.

3. O que o interpretador de código pode fazer?

Em termos simples, pode-se entender que a OpenAI, com base nos grandes modelos existentes, adicionou um ambiente de sandbox onde é possível executar código Python. Ele compreende a intenção do contexto, gera o código, executa-o e depois resume os resultados para nós.

Pode ser entendido como uma assistência na conclusão de uma função, onde comunicamos as necessidades e ela cuida disso. Pensamentos mais complexos sobre os princípios ficarão para o final. Podemos dizer que o Python faz quase tudo o que faz, e vamos ver quais cenas típicas ele pode abordar.

Os quatro cenários listados abaixo têm ferramentas profissionais que podem ser utilizadas, mas o interpretador de código oferece novas opções para experimentação. Assim como no início da internet móvel, houve controvérsias, que gradualmente foram se equilibrando, e muitas coisas podem ser resolvidas sem abrir ferramentas tão especializadas.

Às vezes, ao vê-lo rodar dez vezes e ainda falhar, é uma sensação estranha. Recentemente, pedi que ele analisasse o resumo do TickTick e falhou mais de dez vezes.
Análise falha

Em resumo, usá-lo para exploração é muito adequado.

Como ativá-lo? Temos uma opção no GPTs. Ao marcá-la, o GPTs ganha essa habilidade. No ato de falar com o GPT4, atualmente, estou dizendo a ele para usar a capacidade do Python ou a capacidade de execução de código, e explicando:
Gráfico solar

Gráfico de pizza

A partir das interações acima, vemos que o processo é bastante simples.

3.1 Análise e Visualização de Dados

Aqui a abordagem pode ser simplesmente não mencionar nossas necessidades, mas enviar um arquivo CSV ou Excel para que ele analise diretamente, ele poderá encontrar alguns gráficos adequados para expressar. Se não estivermos satisfeitos, podemos explicar melhor.

Na moderna empresa e ambiente de pesquisa, a análise e visualização de dados são ferramentas-chave para obter insights sobre tendências e padrões nos dados. O plugin de interpretador de código do ChatGPT simplificou enormemente esse processo, suportando bibliotecas poderosas de ciência de dados como pandas e matplotlib. Os usuários podem rapidamente direcionar o ChatGPT para operações de dados e geração de gráficos usando simples solicitações em linguagem natural, tornando a análise de dados mais direta e amigável.

Por exemplo, um analista de mercado pode precisar analisar dados de vendas de produtos e apresentar o desempenho de vendas em diferentes regiões. Com o interpretador de código, ele pode facilmente solicitar que o ChatGPT leia um arquivo CSV contendo dados de vendas, utilize pandas para calcular o total de vendas por região e, em seguida, use o matplotlib para gerar um gráfico de barras. Todo o processo não requer a escrita de código complexo, apenas uma descrição simples da tarefa de análise de dados e o desejo de visualização.

Além disso, a poderosa funcionalidade do interpretador de código facilita a análise de séries temporais, modelagem preditiva e testes estatísticos complexos. Por exemplo, um cientista ambiental pode desejar analisar dados de variação de temperatura ao longo dos últimos dez anos. Usando o interpretador de código, ele pode carregar o conjunto de dados, aplicar modelos de suavização ou regressão e rapidamente gerar gráficos que mostram as tendências.

Análise e Visualização de Dados

Para gráficos, a análise cotidiana no Excel já é bastante abrangente, e existem muitas ferramentas profissionais disponíveis. O ChatGPT representa um valor para nós, pois seus ângulos de análise e perspectivas de interpretação podem nos oferecer algumas inspirações. Por exemplo,

análise do PIB

Um problema a ser considerado é que, se o gráfico estiver em chinês, pode não ser exibido corretamente. É necessário fazer o upload de um arquivo de fonte. Isso ainda não foi resolvido.

3.2 Flexibilidade na Conversão de Arquivos

Aparentemente, esse método não parece muito útil agora, mas ainda podemos tentar. Uma tentativa que fiz foi converter mp4 para mp3. A importância disso? Não é tão grande, mas é melhor do que nada. O conceito é semelhante ao de remover o fundo de uma imagem.

A conversão de formatos de arquivo é uma necessidade comum em muitas áreas profissionais, especialmente ao lidar com grandes quantidades de documentos e arquivos multimídia. O interpretador de código oferece grande conveniência ao simplificar o processo de conversão de arquivos. Seja em pesquisas científicas, design de engenharia ou operações comerciais do dia a dia, poder converter arquivos rapidamente e com precisão entre formatos diferentes é fundamental para aumentar a eficiência.

Ao integrar bibliotecas como pandas do Python, o interpretador de código pode facilmente realizar conversões, como de arquivo CSV para Excel e vice-versa. Isso é de grande conveniência para usuários que precisam migrar e utilizar dados entre diferentes plataformas de software. Por exemplo, um analista financeiro pode precisar converter relatórios financeiros de Excel para o formato CSV para processamento adicional. Com o interpretador de código, essa tarefa pode ser realizada com uma simples instrução.

Para processamento de imagens, o interpretador de código pode utilizar a biblioteca PIL (Pillow) do Python para realizar conversões entre diferentes formatos de imagem, como de JPEG para PNG. Isso é especialmente importante nos setores de edição de imagens, design de sites e impressão. Designers ou fotógrafos podem rapidamente ajustar o formato das imagens usando o interpretador de código para atender a diferentes requisitos de saída.

Em resumo, o escopo de aplicação do interpretador de código é amplo e suas funcionalidades são poderosas. Desde a conversão simples de formatos de arquivos até a análise e visualização complexas de dados, ele mostra sua praticidade e inovação como uma ferramenta moderna. Essas funcionalidades não apenas aumentam a eficiência do trabalho, mas também permitem que usuários não técnicos realizem tarefas que antes exigiam conhecimento especializado de forma mais fácil. À medida que a tecnologia avança e as necessidades dos usuários se expandem, espera-se que o interpretador de código desempenhe um papel crescente em diversas áreas, ampliando seu valor único.

3.3 Desenvolvimento de Código e Prototipagem

O interpretador de código fornece uma ferramenta revolucionária para o desenvolvimento de software e prototipagem, permitindo que desenvolvedores iterem e testem rapidamente trechos de código. Ao oferecer um feedback e um ambiente de execução instantâneo, o interpretador de código capacita os desenvolvedores a validar algoritmos e funcionalidade em tempo real, reduzindo significativamente o ciclo de desenvolvimento e aumentando a eficiência. Isso é especialmente útil nas fases iniciais de desenvolvimento, quando é necessário validar conceitos ou testar novas ideias, obtendo resultados imediatamente e evitando o tempo de espera na compilação e execução típicas do desenvolvimento tradicional.

Por exemplo, um desenvolvedor pode usar o interpretador de código para criar rapidamente um protótipo de um script de scraping de páginas, testar diversas estratégias de parsing ou validar se o fluxo de integração de dados atende às expectativas. Com comandos simples, o interpretador de código pode executar scripts de forma imediata, exibindo resultados e fornecendo informações de depuração que permitem que o desenvolvedor identifique problemas e faça ajustes de maneira rápida.

  1. Carregar conteúdo de páginas: Usando a biblioteca requests para obter o conteúdo HTML de um site-alvo.
  2. Analisar HTML: Usando bibliotecas como BeautifulSoup para interpretar HTML e extrair dados desejados.
  3. Processamento de Dados: Limpar e formatar os dados extraídos para posterior análise ou armazenamento.
  4. Mostrar Resultados: Imprimir ou visualizar os dados para verificar a precisão dos resultados extraídos.
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):
# Fazer uma chamada de API para obter informações do clima
response = requests.get(f"https://weather-api.com/data/{location}/{date}")

if response.status_code == 200:
# Analisar e retornar os dados climáticos
weather_data = response.json()
return weather_data
else:
return None

# Testando a chamada de API com o interpretador de código
location = "Nova Iorque"
date = "2024-01-31"
weather_info = get_weather_info(location, date)
print("Informações climáticas de Nova Iorque em 2024-01-31:", weather_info)

Neste cenário, ele pode nos ajudar com testes e validações, tornando desnecessária a inicialização de um projeto para essas tarefas. Certamente, eventualmente precisamos fazer isso, mas de fato economiza nosso tempo.

Chamando funções externas para gerar um mapa

Além disso, o interpretador de código suporta uma variedade rica de bibliotecas e módulos, o que significa que os desenvolvedores podem se beneficiar das ferramentas de desenvolvimento mais recentes e características da linguagem, como rapidamente desenvolver protótipos de modelos de aprendizado de máquina com TensorFlow ou PyTorch. Isso não apenas acelera a exploração de novas tecnologias, mas também oferece um ambiente experimental seguro para os desenvolvedores, permitindo que experimentem e aprendam novas ferramentas sem se preocupar em comprometer as configurações existentes.

3.4 Resolução de Problemas Matemáticos Complexos

O interpretador de código não é apenas uma ferramenta poderosa para programação e desenvolvimento de software, mas também um assistente eficaz para resolver problemas matemáticos complexos. Ao integrar bibliotecas como Numpy e Scipy, o interpretador de código pode executar uma ampla gama de operações matemáticas, desde cálculos aritméticos básicos até modelagem matemática complexa e análises estatísticas.

Nas áreas de pesquisa científica e engenharia, pesquisadores e engenheiros frequentemente precisam realizar processamento matemático complexo em grandes volumes de dados, incluindo, mas não se limitando a, operações de álgebra linear, transformadas de Fourier e análises de dados estatísticos. O interpretador de código pode executar rapidamente esses cálculos e fornecer uma saída de resultados intuitiva, permitindo que os usuários vejam imediatamente se seus cálculos estão corretos, ou quais tendências e padrões emergem dos dados.

Por exemplo, um cientista ambiental está estudando os efeitos das mudanças climáticas nas temperaturas regionais. Usando o interpretador de código, ele pode carregar dados de temperatura histórica, aplicar modelos estatísticos para analisar as variações de temperatura e usar gráficos para visualizar os resultados. Esse feedback instantâneo e essa poderosa capacidade de cálculo permitem que os pesquisadores se concentrem mais na análise e na interpretação dos dados, em vez de lidar com o processamento dos dados.

Gráfico de Tendências

Superfície 3D Fractal
Gráfico de Superfície 3D Mandelbrot

Todos esses cenários têm soluções maduras na realidade.

4. Análise dos Princípios do Interpretador de Código

Perguntei

1
Utilizando a capacidade do Python, informe-me sobre a versão completa do linux em sandbox e a versão do Python. Por fim, execute dois comandos para obter informações mais detalhadas e mostre todos os resultados. Esses dois comandos são: uname -a lsb_release -a

A resposta

No ambiente de sandbox atual, obtivemos as seguintes informações detalhadas sobre o sistema e o Python:

  1. Informações completas sobre a versão do Linux:

    • Linux-4.4.0-x86_64-with-glibc2.36
  2. Informações da versão do Python:

    • 3.11.8 (main, Mar 12 2024, 11:41:52) [GCC 12.2.0]
  3. Resultados da execução do 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
    • Isso indica que está sendo executado o kernel Linux versão 4.4.0, construído em 2016, usando arquitetura x86_64.
  4. Resultados da execução do comando lsb_release -a:

    • Distributor ID: Debian
      Descrição: Debian GNU/Linux 12 (bookworm)
      Lançamento: 12
      Codinome: bookworm
      
    • Isso indica que o sistema operacional atual é Debian GNU/Linux, versão 12, codinome bookworm.

A partir daqui, podemos perceber que se trata de um sandbox capaz de executar Python, e tem limitações claras:

  • Acesso à Internet proibido
    • Testes mostram que o curl parece ter acesso
  • Tempo limite de comando de 120 segundos
    • Se demorou muito, é cortado diretamente
  • Acesso root é proibido
    • Isso afetará a instalação de alguns softwares
  • Ele pode executar arquivos enviados

O objetivo deste artigo é mostrar que não é necessário escrever código no prompt e que podemos utilizar isso.

5. Conclusão: O Futuro Potencial do Interpretador de Código

O interpretador de código, como uma ferramenta inovadora, já demonstrou seu potencial de aplicação e valor prático em muitos campos. Desde ciência de dados até desenvolvimento de software, desde a resolução de problemas matemáticos complexos até a iteração rápida em protótipos de design, o interpretador de código não apenas melhora a eficiência do trabalho, mas também oferece flexibilidade e velocidade sem precedentes para pesquisa e desenvolvimento. Olhando para o futuro, à medida que as tecnologias de inteligência artificial continuam a avançar, podemos esperar que o interpretador de código integre mais funcionalidades avançadas, como integração mais profunda de aprendizado de máquina, geração automatizada de testes e colaboração em nuvem, o que ampliará ainda mais seu escopo de aplicação e aprofundará seu impacto na tecnologia moderna.

Referências: