GitHub 项目：AlphaCodium
仓库地址：https://github.com/Codium-ai/AlphaCodium
星级：3938 | 作者：Codium-ai
项目描述：论文的正式实现：“Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering”
===================================================
自述文件内容：
# 使用 AlphaCodium 生成代码：从即时工程到流程工程
[论文](https://arxiv.org/abs/2401.08500) |
[数据集](https://huggingface.co/datasets/talrid/CodeContests_valid_and_test_AlphaCodium/blob/main/codecontests_valid_and_test_processed_alpha_codium.zip)
正式实施
> Tal Ridnik、Dedy Kredo、Itamar Friedman
CodiumAI
## 新闻 2024-17-05
更新了 AlphaCodium 排行榜，包含大量新 GPT 模型和 Claude3 Opus。 “GPT-4o”是目前AlphaCodium上的领先模型。
## 目录
- [摘要](#abstract)
- [安装](#安装)
- [如何运行](#how-to-run)
- [技术问答](#technical-qa)
- [更广泛的适用性](#更广泛的适用性)
- [示例问题](#example-问题)
- [致谢](#致谢)
- [引文](#引文)
## 摘要
代码生成问题与常见的自然语言问题不同 - 它们需要匹配目标语言的确切语法，识别最佳路径和边缘情况，关注问题规范中的许多小细节，并解决其他特定于代码的问题和要求。因此，在自然语言生成中成功的许多优化和技巧可能对代码任务无效。
在这项工作中，我们提出了一种由 LLM 生成代码的新方法，我们称之为 AlphaCodium - 一种基于测试的、多阶段、面向代码的迭代流程，可以提高 LLM 在代码问题上的性能。
我们在名为 CodeContests 的具有挑战性的代码生成数据集上测试了 AlphaCodium，其中包括来自 Codeforces 等平台的竞争性编程问题。所提出的流程一致且显着地改善了结果。
例如，在验证集上，GPT-4 准确率 (pass@5) 从单个精心设计的直接提示的 19% 提高到 AlphaCodium 流程的 44%。
我们相信，我们在这项工作中获得的许多原则和最佳实践广泛适用于一般代码生成任务。
<表类=“tg”>
 |
 |
## 安装
(1)搭建虚拟环境：
````bash
python3 -m venv venv
来源 ./venv/bin/activate
````
并运行：`pip install -rrequirements.txt`。
(2) 复制文件 `alpha_codium/settings/.secrets_template.toml`，将其重命名为 `alpha_codium/settings/.secrets.toml`，并填写您的 OpenAI API 密钥：
````
[开放]
键=“...”
````
(3) 从[huggingface](https://huggingface.co/datasets/talrid/CodeContests_valid_and_test_AlphaCodium/blob/main/codecontests_valid_and_test_processed_alpha_codium.zip)下载处理后的CodeContest验证和测试数据集，解压zip文件，并将解压的文件夹放在t的根目录下