استخدام بايثون لتشغيل تعليمات ChatGPT

عايز تزود كفاءة شغلك مع ChatGPT؟ أتمتة بايثون هي سلاحك السري. بكام سطر كود بس، تقدر تعالج مجموعة من الأوامر دفعة واحدة، تجدول التفاعلات، وتنشئ تطبيقات مخصصة تستفيد من قدرات ChatGPT—كل ده مع توفير ساعات من وقت الإدخال اليدوي.

ليه ممكن تحتاج تعمل أتمتة لـ ChatGPT باستخدام بايثون

كنت قاعد بنسخ وألصق نفس الأوامر في ChatGPT حوالي 50 مرة في اليوم زي الفار اللي بيلف في العجلة. كلنا مرينا بالموقف ده، صح؟ اللحظة اللي بتكتشف فيها إنك بتعمل نفس الحاجة مرة ورا مرة وبتفكر “لازم يكون في طريقة أفضل”. سبويلر: فعلاً في طريقة أحسن.

أتمتة بايثون زي ما تكون وظفت مساعد ما بيتعبش وما بيشتكيش من المهام المتكررة. ومين مش عايز كده؟ سواء كنت منشئ محتوى محتاج تجيب أفكار بكميات كبيرة، محلل بيانات بيعالج معلومات، أو حتى شخص بيستخدم ChatGPT كتير، الأتمتة ممكن توفرلك وقت ومجهود ذهني قيّم.

خلينا نشوف بالظبط إزاي بايثون ممكن يحول تجربتك مع ChatGPT من شغل يدوي ممل لكفاءة منظمة.

البداية: الربط بين بايثون و ChatGPT

قبل ما ندخل في الأتمتة المتقدمة، لازم نفهم أساسيات إزاي بايثون بيتكلم مع ChatGPT. الموضوع زي ما تكون بتتعلم إزاي التليفونات بتشتغل قبل ما تحاول تبني مركز اتصالات.

السحر بيحصل من خلال واجهة برمجة التطبيقات (API) الخاصة بـ OpenAI، اللي هي عبارة عن باب رقمي بيسمح لكود البايثون بتاعك يرسل طلبات مباشرة لـ ChatGPT. هتحتاج:

• مفتاح API من OpenAI (اعتبره تصريح دخول VIP بتاعك)
• بايثون متثبت على جهازك
• مكتبة OpenAI لبايثون

تثبيت الحزمة اللازمة سهل جداً—سطر واحد بس في الترمينال:

pip install openai

بعد كده، الهيكل الأساسي لسكريبت بايثون بيتكلم مع ChatGPT بيبقى شكله كده:

import openai

# حط مفتاح API بتاعك
openai.api_key = "your-api-key-goes-here"

# إنشاء دالة للتفاعل مع ChatGPT
def ask_chatgpt(prompt):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    return response.choices[0].message.content

# مثال للاستخدام
result = ask_chatgpt("What's the capital of France?")
print(result)

5 أمثلة عملية لأتمتة بايثون مع ChatGPT

دلوقتي بعد ما فهمنا الأساسيات، خلينا نستكشف بعض الاستخدامات الفعلية اللي هتخليك تتساءل إزاي عشت من غير أتمتة بايثون.

1. معالجة مجموعة من الأوامر دفعة واحدة

تخيل إنك محتاج تعمل أوصاف لـ 100 منتج مختلف. بدل ما تقعد تنسخ وتلصق لحد ما تتجنن، ممكن تعالجهم كلهم مرة واحدة:

product_names = ["Ergonomic Office Chair", "Wireless Headphones", "Smart Water Bottle"]
descriptions = []

for product in product_names:
    prompt = f"Write a compelling 50-word product description for: {product}"
    description = ask_chatgpt(prompt)
    descriptions.append({product: description})
    
# حفظ في ملف أو قاعدة بيانات
import json
with open("product_descriptions.json", "w") as f:
    json.dump(descriptions, f, indent=4)

2. إنشاء مولد محتوى مجدول

محتاج محتوى سوشيال ميديا يومي؟ اعمل سكريبت يشتغل كل صباح:

import schedule
import time

def generate_daily_content():
    topics = ["industry news", "product tips", "customer success stories"]
    today_topic = topics[time.localtime().tm_wday % len(topics)]
    
    prompt = f"Generate a Twitter thread about {today_topic} in our software development industry"
    content = ask_chatgpt(prompt)
    
    # ارسل لإيميلك، احفظ في ملف، أو حطه في مجدول سوشيال ميديا
    with open(f"content_{time.strftime('%Y%m%d')}.txt", "w") as f:
        f.write(content)

# شغله كل يوم الساعة 8 صباحاً
schedule.every().day.at("08:00").do(generate_daily_content)

while True:
    schedule.run_pending()
    time.sleep(60)

3. بناء بوت سلاك مدعوم بـ ChatGPT

عايز تدي فريقك إمكانية الوصول لـ ChatGPT مباشرة في سلاك؟ بايثون بيخلي ده ممكن:

from slack_bolt import App
import os

# تهيئة تطبيق سلاك
app = App(token=os.environ["SLACK_BOT_TOKEN"])

@app.message("!ask")
def handle_message(message, say):
    # استخراج السؤال (كل حاجة بعد !ask)
    question = message['text'].replace("!ask", "").strip()
    
    # الحصول على رد من ChatGPT
    response = ask_chatgpt(question)
    
    # الرد في قناة سلاك
    say(f"Answer: {response}")

4. أتمتة تحليل البيانات باستخدام ChatGPT

ادمج pandas لمعالجة البيانات مع ChatGPT للتحليل المفيد:

import pandas as pd

# تحميل البيانات بتاعتك
df = pd.read_csv("customer_feedback.csv")

# تحليل الاتجاهات باستخدام ChatGPT
sample_feedback = "n".join(df["feedback"].sample(20).tolist())
prompt = f"""Analyze these customer feedback samples and identify:
1. Common themes or issues
2. Sentiment trends
3. Potential product improvement areas

Feedback samples:
{sample_feedback}"""

analysis = ask_chatgpt(prompt)
print(analysis)

5. إنشاء مساعد بحث مخصص

ابني أداة تقدر تبحث في مواضيع متعددة وتنظم النتائج:

def research_topic(topic, questions):
    research = {}
    
    # الحصول على نظرة عامة
    research["overview"] = ask_chatgpt(f"Provide a comprehensive overview of {topic}")
    
    # طرح أسئلة محددة
    research["details"] = {}
    for question in questions:
        research["details"][question] = ask_chatgpt(f"Regarding {topic}: {question}")
    
    return research

# مثال للاستخدام
ai_research = research_topic("Artificial Intelligence Ethics", [
    "What are the main concerns about bias in AI?",
    "How can transparency be improved in AI systems?",
    "What regulations exist globally for AI?"
])

# حفظ البحث في ملف markdown
with open("ai_ethics_research.md", "w") as f:
    f.write(f"# Research: AI Ethicsnn")
    f.write(f"## Overviewnn{ai_research['overview']}nn")
    
    f.write(f"## Detailed Findingsnn")
    for question, answer in ai_research["details"].items():
        f.write(f"### {question}nn{answer}nn")

تقنيات متقدمة: ما بعد الأتمتة الأساسية

بعد ما تتقن الأساسيات، في عالم كامل من الإمكانيات المتقدمة مستنياك. التقنيات دي ممكن تخلي الأتمتة بتاعتك أقوى بكتير:

• إدارة السياق: الاحتفاظ بتاريخ المحادثة عبر تفاعلات متعددة للحصول على ردود أكثر تماسكاً
• ضبط المعلمات: تعديل درجة الحرارة (temperature) وtop_p وإعدادات أخرى للتحكم في الإبداع مقابل الدقة
• معالجة الأخطاء: تنفيذ كتل try/except قوية للتعامل مع حدود معدل API ومشاكل الاتصال
• تدفق الردود: استخدام وضع التدفق للحصول على النتائج في الوقت الفعلي بدل ما تستنى الردود الكاملة

هنا مثال سريع على إدارة السياق:

def chat_with_history(new_message, conversation_history=[]):
    # إضافة الرسالة الجديدة للتاريخ
    conversation_history.append({"role": "user", "content": new_message})
    
    # الحصول على رد من ChatGPT
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=conversation_history
    )
    
    # استخراج محتوى الرد
    assistant_message = response.choices[0].message
    
    # إضافة رد المساعد للتاريخ
    conversation_history.append({"role": assistant_message.role, "content": assistant_message.content})
    
    return assistant_message.content, conversation_history

المشاكل الشائعة وإزاي تتجنبها

حتى أفضل سكريبتات الأتمتة ممكن تواجه مشاكل. هنا بعض المشاكل الشائعة وإزاي تحلها:

• حدود المعدل: OpenAI عندها حدود لاستدعاء API. نفذ التأخير الأسي للمحاولات المتكررة.
• حدود التوكن: كل نموذج عنده أقصى طول للسياق. قسم المهام الكبيرة لأجزاء يمكن التعامل معاها.
• إدارة التكلفة: استدعاءات API بتكلف فلوس. نفذ الميزانية والمراقبة لتجنب الفواتير المفاجئة.
• تقلب الاستجابات: ChatGPT ممكن يكون غير متوقع. استخدم رسائل النظام والأوامر الدقيقة للحصول على نتائج متسقة.

هنا طريقة بسيطة للتعامل مع حدود المعدل:

import time
import random

def ask_chatgpt_with_retry(prompt, max_retries=5):
    retries = 0
    while retries < max_retries:
        try:
            return ask_chatgpt(prompt)
        except openai.error.RateLimitError:
            wait_time = (2 ** retries) + random.random()
            print(f"Rate limited. Retrying in {wait_time:.2f} seconds...")
            time.sleep(wait_time)
            retries += 1
    
    raise Exception("Max retries exceeded.")

أمر ممكن تستخدمه النهاردة

عايز تبدأ تبني أتمتة ChatGPT خا