La Corrección Automática de Código es una utilidad de línea de comandos basada en Python que se integra con la API GPT de OpenAI para detectar errores de compilación o ejecución en tu código, generar correcciones precisas y aplicar parches automáticamente. Simplifica la depuración proporcionando correcciones rápidas y contextuales para múltiples lenguajes de programación directamente desde tu terminal.
La Corrección Automática de Código es una utilidad de línea de comandos basada en Python que se integra con la API GPT de OpenAI para detectar errores de compilación o ejecución en tu código, generar correcciones precisas y aplicar parches automáticamente. Simplifica la depuración proporcionando correcciones rápidas y contextuales para múltiples lenguajes de programación directamente desde tu terminal.
La Corrección Automática de Código es un script de Python de código abierto que usa GPT para escanear los registros de errores de compilación o ejecución de tu proyecto, extraer los mensajes relevantes y formular correcciones precisas. Solo debes ejecutar la herramienta en tu base de código; envía los errores a ChatGPT, recibe fragmentos de código corregidos y los aplica en tus archivos fuente. Soporta lenguajes como Python, JavaScript, Java y C++, permitiendo integración fluida en pipelines CI, flujos de trabajo de desarrolladores y entornos educativos.
¿Quién usará Automated Code Correction?
Desarrolladores de software
Ingenieros DevOps
Equipos de QA y testing
Estudiantes de programación
Educadores técnicos
¿Cómo usar Automated Code Correction?
Paso 1: Clona el repositorio e instala dependencias: `git clone ... && pip install -r requirements.txt`
Paso 2: Configura tu clave API de OpenAI: `export OPENAI_API_KEY=your_key`
Paso 3: Ejecuta la CLI en el directorio de tu proyecto: `python auto_correct.py --path ./src`
Paso 4: Revisa las correcciones sugeridas en los archivos de parches generados
Paso 5: Aplica los parches o únelos en tu base de código
Plataforma
mac
windows
linux
Características y Beneficios Clave de Automated Code Correction
Las características principales
Detección automática de errores de compilación/ejecución
import os
import time
import logging
import hashlib
import schedule
from datetime import datetime
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.chrome.service import Service
from webdriver_manager.chrome import ChromeDriverManager
from selenium.common.exceptions import StaleElementReferenceException, WebDriverException, TimeoutException, NoSuchElementException
# Configure logging
logging.basicConfig(
filename='whatsapp_unread_media_automation.log',
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
# Directory for downloads
DOWNLOAD_DIR = r"C:\Users\sgurv\OneDrive\Documents\whatsapp_automation\downloads"
os.makedirs(DOWNLOAD_DIR, exist_ok=True)
# Track existing files to avoid re-downloading
existing_files = {}
def safe_click(element, driver, retries=3):
"""Safely click an element with retries to handle stale references."""
for attempt in range(retries):
try:
driver.execute_script("arguments[0].scrollIntoView({block: 'center'});", element)
element.click()
return True
except StaleElementReferenceException:
time.sleep(1)
if attempt == retries - 1:
return False
except Exception as e:
logging.error(f"Error clicking element: {str(e)}")
return False
return False
def download_blob_image(driver, element, filename, max_retries=2):
"""Download an image with a blob URL using JavaScript with retries."""
start_time = time.time()
max_duration = 30 # Maximum 30 seconds per image
for attempt in range(max_retries):
if time.time() - start_time > max_duration:
logging.warning(f"Download timeout exceeded for {filename} after {max_duration} seconds.")
¿Principales Competidores y Alternativas de Automated Code Correction?
OLI es un marco de agentes IA basado en navegador que permite a los usuarios orquestar funciones de OpenAI y automatizar tareas multipaso sin problemas.
scenario-go es un SDK de Go para definir flujos de trabajo conversacionales complejos impulsados por IA, gestionando prompts, contexto y tareas de IA de múltiples pasos.
Un marco basado en ROS para la colaboración multi-robot que habilita la asignación autónoma de tareas, planificación y ejecución coordinada de misiones en equipos.
LangGraph Learn ofrece una interfaz gráfica interactiva para diseñar y ejecutar flujos de trabajo de agentes de IA basados en gráficos, visualizando cadenas de modelos de lenguaje.
Un marco de trabajo en Python para construir pipelines de razonamiento de múltiples pasos y flujos de trabajo similares a agentes con grandes modelos de lenguaje.
SARL es un lenguaje de programación orientado a agentes y un entorno de ejecución que proporciona comportamientos guiados por eventos y simulación de entornos para sistemas multi-agente.
RModel es un marco de agentes de IA de código abierto que orquesta LLM, integración de herramientas y memoria para aplicaciones conversacionales y basadas en tareas avanzadas.
Proporciona un backend FastAPI para la orquestación y ejecución de flujos de trabajo de modelos de lenguaje visuales basados en gráficos en la interfaz gráfica LangGraph.