使用Raccoon AI寫程式碼，同事又來圍觀

2024-04-03碼農

公司裏有一些開發的同事老是吐槽工作忙，天天加班，我想很大可能是沒利用好輪子和AI工具，總是自己瞎寫耽誤時間。

不知道大家發現沒有，其實軟體開發過程中很多都是參照輪子和元件，如果你非常熟悉Github上的開原始碼，它們可能會覆蓋你80%以上的開發工作，也就是說你無需自己寫很多程式碼，只要會裝輪子，也能出色地完成工作。

不光是軟體開發，網站開發、機器學習、數據科學、網路爬蟲等各種編程場景都是如此，你需要寫的程式碼並不多，前人早已經幫你寫好了，而且寫的可能比你出色很多。

由於生成式AI的出現，編程成為最大的受益者之一，類似於Github copilot這類AI編程模型就可以幫你找輪子，自動完成程式碼的編寫，你能獲取程式碼建議，構建、偵錯和測試應用程式，編程效率會指數級的提升。

最近看到國內有一款類似的產品-程式碼小諾古力Raccoon，它是商湯開發的AI編程工具，你可以在VSCode上安裝其外掛程式，和其他VScode外掛程式一樣，用起來很方便。用了幾周下來，我覺得Raccoon主要有兩大核心功能，首先是程式碼補全這種主流的AI輔助編程功能，當你在編寫Python或其它程式碼時，Raccoon會自動提示程式碼補全，省得你再手動寫一大串程式碼。

比如我想使用Python sklearn庫寫一個線性回歸預測模型，Raccoon能直接根據已有程式碼補全模型程式碼。

其次是對話自動生成程式碼功能，你直接提問"Python如何生成Excel檔"等問題，它會給出程式碼建議，就像在ChatGPT聊天問答一樣。

這種功能非常實用，可能你只知道自己想要什麽，完全不懂怎麽程式碼實作，Raccoon的程式碼問答功能就能直接根據你的描述來生成建議和程式碼。

其他Raccoon能實作的功能還有程式碼糾錯（糾正語法錯誤），程式碼轉譯（比如把Python程式碼轉譯為JS）、程式碼解釋（解釋程式碼是幹嘛的）、程式碼重構（調整程式碼結構）等等，總得來說Raccoon在AI編程上是功能比較完善的。

Raccoon可不僅僅支持Python，它還支持Java、JS、C++、SQL等幾十種程式語言，基本做到了主流語言全覆蓋。

而且你不光可以在VSCode上使用Raccoon，像IntelliJ IDEA、Jetbrains Pycharm等各種主流的IDE編輯器也都支持Raccoon。

我覺得Raccoon等AI編程工具的出現會極大地改變現在的開發方式，超過80%的程式碼工作都可以交給AI，程式設計師以後可能更多的是思考怎麽進行最佳化創新，以及如何利用好AI。

在vscode上使用程式碼小諾古力Raccoon

可能有不少人還不知道如何使用VsCode的外掛程式功能，這裏簡單介紹下如何在VsCode上安裝和使用Raccoon，大致分為三個步驟：

1、安裝Raccoon外掛程式

你可以在VsCode外掛程式庫搜尋「Raccoon」，會出來Raccoon外掛程式，點選安裝即可，安裝好後會出現Raccoon的介紹和使用說明，可以大致看下。

安裝好後，會在Vscode側欄出現Raccoon的圖示，也就是它的功能區。

2、註冊登入Raccoon Raccoon需要登入才能使用，你需要免費註冊個Raccoon帳號，然後登入就能在Vscode上使用Raccoon了。

3、在程式碼區使用Raccoon

以程式碼補全為例，你可以先在VsCode上建個Py檔，然後寫Python程式碼，按下熱鍵 Alt + /，Raccoon就會為你提供程式碼建議。

如下是在python連線oracle數據時，Raccoon補全的程式碼

接下來，我們使用Python sklearn庫在Raccoon的幫助下來實作景區客流預測，完整程式碼如下：

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tsa import ARIMA from sklearn.metrics import mean_squared_error # 生成模擬數據 np.random.seed(0) days = pd.date_range(start='1/1/2020', periods=365, freq='D') series = np.random.randn(len(days)).cumsum() + 20 series = series + np.random.randn(len(days)) * 10# 添加一些雜訊 series = series.reindex(days) series = series.interpolate() # 填充缺失值 # 轉換數據為適合的時間序列格式 data = pd.DataFrame({'visitors': series}) data['date'] = data['date'].apply(lambda x: x.strftime('%Y-%m-%d')) data = data.set_index('date') # 分割數據為訓練集和測試集 train, test = train_test_split(data['visitors'], test_size=100) train = train.dropna() test = test.dropna() # 使用ARIMA模型進行預測 model = ARIMA(train, order=(5,1,0)) # 選擇ARIMA模型的參數 model_fit = model.fit(disp=0) # 預測未來一個月的客流 forecasted_data = model_fit.forecast(steps=30) # steps=30預測未來30天的數據 mse = mean_squared_error(test[-30:], forecasted_data[0]) # 計算預測誤差 print(f"Mean Squared Error: {mse}")