v0.1 출시

오픈 소스 수업의 첫 번째 과제로 우리는 LLM을 활용하는 CLI 도구용 릴리스 0.1을 만드는 임무를 받았습니다. 일련의 요구 사항을 충족하는 한 모든 종류의 도구가 될 수 있습니다. OpenAI의 채팅 완성 기능을 사용해야 하며 명령줄 인수를 통해 파일을 처리하고 변환하는 것에 관한 것이어야 합니다.

Genereadme

저는 과제를 위해 제공된 소스 코드 파일에 대한 README 파일을 생성하는 CLI 도구인 Genereadme를 만들기로 선택했습니다. 나는 README 문서를 작성하는 것이 나에게 적합하지 않고 번거로움을 느끼기 때문에 이 프로젝트를 선택했습니다. 그러나 특히 대규모 프로젝트에서 문서가 얼마나 중요한지를 고려하면 개발 프로세스에서 이 단계를 무시할 수 없습니다. 그래서 대신 제가 이 일을 하는 데 도움이 될 수 있는 것을 만들어 보는 것은 어떨까요?

GROQ_API_KEY=API_KEY

or

genereadme -a API_KEY
genereadme --api-key API_KEY

npm install

genereadme <files>
genereadme examples/sum.js
genereadme examples/createUser.js examples/sum.js

Get started

Simply install the packages after cloning the repository

npm install

Run and generate!

genereadme examples/sum.js
genereadme examples/createUser.js
genereadme examples/sum.js examples/createUser.js
genereadme examples/sum.js examples/createUser.js --output sample.md

How it works

The user can pass any number of files in the command line using the command genereadme .... The contents of these files will be processed individually to generate their README documentation.
The generated READMEs will be saved as filename_README.md to prevent any naming collision when processing multiple files.

Arguments

• : The file to be processed and generate a README for.

Options

• -v or --version: Displays the tool's name and the current version.
• -h or --help: Displays the help message for the tool.
• -o or --output: Outputs the generated results into the specified output filename.
• -a or --api-key: Allows the user to use their own valid API key.
• -t or --temperature: Allows the user to set their preferred temperature for the chat completion.
• -tu or --token-usage: Shows the amount of tokens used for the prompt and the completion.

Examples

genereadme examples/createUser.js

export async function createUser(data) {
    const user = {
      Username: data.email,
      UserPoolId: process.env.AWS_COGNITO_POOL_ID,
      TemporaryPassword: data.temporaryPassword,
      UserAttributes: [
        {
          Name: "email",
          Value: data.email,
        },
        {
          Name: "name",
          Value: data.name,
        },
      ],
      MessageAction: MessageActionType.SUPPRESS,
      DesiredDeliveryMediums: [DeliveryMediumType.EMAIL],
    };

    const command = new AdminCreateUserCommand(user);
    try {
      const createRes = await cognitoClient.send(command);
      logger.info(`Created user: [${JSON.stringify(createRes)}]`);

      const addUserToGroupParams = {
        UserPoolId: process.env.AWS_COGNITO_POOL_ID,
        Username: data.email,
        GroupName: data.group,
      };

      const addUserToGroupCommand = new AdminAddUserToGroupCommand(addUserToGroupParams);
      const addRes = await cognitoClient.send(addUserToGroupCommand);
      logger.info(`Added user to group: [${JSON.stringify(addRes)}]`);
    } catch (error) {
      logger.error(`Error creating user: ${error}`);
      throw new Error("Error creating user.");
    }
  }

generated README for createUser.js

Conclusion

It is my first time working directly with LLMs by myself, so it definitely took some time prompt engineering to get a somewhat satisfying result. However, I do know that there are still a lot that can be improved on and I'm already getting ideas on what to do and what else I can add to this project!