一行行敲代码，就像徒手搬砖一样。聪明的程序员说：我们要解放生产力！比如像这样：在机器学习时代，AI智能代码补全不再是梦想。各种IDE和插件都在努力帮助程序员减少击键次数，延长键盘的使用寿命。一位来自斯里兰卡的程序员也加入了键盘保养协会。他尝试用一个简单的深度学习模型来达到自动补全Python代码的目的，效果出奇的好。该项目现已开源！具有实验心态的简单模型也很强大。在这个项目中，斯里兰卡小哥只使用了一个简单的LSTM（长短期记忆）模型。用于进行预测的算法是波束搜索，一种启发式图搜索算法。beamsearch在进行每一步深度扩展时，只保留部分优质节点，减少了空间消耗，提高了时间效率。采用beamsearch算法可以实现最多10个字符的预测。提供给模型的数据是标记化的Python代码，这些代码中的注释、字符串和空行会被提前清理。训练效果如下：绿色字母为开始自动补全的位置，按TAB键选择补全，灰色高亮部分为AI补全的代码。小哥说在这么简单的模型下，用深度学习自动补全Python代码，依然可以减少30-50%的击键次数，真是惊喜！在GitHub上，小弟提供了一个Python的解析器，你只要写一个其他语言的解析器，这个方案就可以扩展到其他语言，实现Java自动补全，C自动补全等。如何使用旺旺测试效果？没问题，只需五步，你就可以训练出属于自己的自动补全模型。1、安装机器学习的实验环境（lab，地址见文末）。2.将数据复制到./data/source。3.运行extract_code.py收集所有python文件，编码并合并到all.py中。4.运行evaluate.py来评估模型。5.运行train.py训练模型。还是要养方法简单，效果还不错，感觉这个项目很有潜力。然而，理想很丰满，现实还是有些骨感。这种新生的人工智能仍然面临许多增长挑战。挑战一：效率太低首先，它的性能还不能满足实际使用的需要。由于编辑集成商的限制，beamsearch算法的效率较低，完成代码有时间，可能需要手动敲几行代码。对此，斯哥表示，下一步他们会尝试使用不同的架构来提升推理性能，欢迎大家与他们分享想法和建议。挑战二：实力前辈Reddit网友也指出，利用机器学习完成代码的想法已经成功落地，比如Kite，已经获得了TrithVentures的投资。全球有超过30,000名Python开发者使用Kite，它被誉为目前最好用的Python自动补全工具。不仅可以完成代码，Kite还可以帮你跳过文档，实时了解别人是如何使用功能的。同时，它还可以提供您自定义代码库中的定义和用法。连Python之父都忍不住称赞Kite：这真酷。和前辈Kite相比，小弟的这个项目还很不成熟，但是Kite不开源，作为补充的云引擎也引发了安全问题。有网友表示：如果在工作中使用Kite，恐怕你们公司法务部要疯了。另外，有网友很好奇AI和Pycharm相比如何？毕竟Pycharm的自动补全已经非常好用了。传送门Github：https://github.com/vpj/python_autocomplete实验室：https://github.com/vpj/lab
