1. 项目概述一个让GPT“记住”并“执行”的自动化利器如果你经常和GPT打交道无论是ChatGPT的Web界面还是通过API调用肯定都遇到过这样的烦恼每次对话你都得把那些重复的、固定的指令或背景信息再敲一遍。比如你希望它始终以某种特定的格式回复或者你总是需要它基于某个固定的知识库来回答问题。这种重复劳动不仅低效还容易出错。而retrage/gpt-macro这个项目就是为了解决这个痛点而生的。简单来说它是一个宏Macro系统允许你为GPT模型定义可复用的指令模板和上下文片段从而实现对话的自动化与个性化定制。想象一下你是一名数据分析师每次分析数据时都需要GPT扮演一个严谨的统计专家并按照“问题描述 - 分析思路 - 代码实现 - 结果解读”的四段式来回答。没有宏之前你每次都要粘贴这段冗长的系统提示词。有了gpt-macro你只需要定义一个名为“数据分析专家”的宏里面封装好这个角色设定和回复格式。之后在任何对话中你只需输入数据分析专家后面跟上你的具体问题GPT就会自动套用这个模板来生成回答。这不仅仅是节省了复制粘贴的时间更是将你的工作流标准化、模块化了。这个项目适合所有深度使用GPT的用户包括但不限于开发者用于生成固定格式的代码、内容创作者用于保持统一的写作风格、研究人员用于规范文献综述或实验分析的流程以及任何希望提升与AI协作效率的人。它的核心价值在于将一次性的、复杂的提示工程成果沉淀为可随时调用的资产让GPT真正成为你得心应手的、具有“记忆”和“习惯”的智能伙伴。2. 核心设计思路宏系统的架构与哲学gpt-macro的设计并不复杂但其背后的思路非常清晰和实用。它本质上是一个轻量级的、面向提示词Prompt的模板引擎和管理系统。我们可以从几个层面来理解它的设计哲学。2.1 从“对话”到“编程”的思维转变传统的GPT交互是线性的、一次性的“对话”。而宏系统引入了一种“编程式”或“配置化”的思维。你可以把每一个宏看作一个封装好的函数Function或类Class。这个“函数”有它的签名宏名称和参数和函数体预定义的提示词模板。当你调用这个宏时就像在代码中调用一个函数传入实际参数你的具体问题或变量然后得到返回值GPT根据模板和参数生成的回答。这种思维转变使得与AI的交互变得可组合、可复用、可维护。2.2 核心组件拆解一个典型的gpt-macro系统通常包含以下几个核心组件宏定义Macro Definition这是宏的“源代码”。它至少包含一个唯一的名称如code_reviewer和一段模板文本。模板文本中可以使用变量占位符例如{{problem_description}}或{{language}}。更高级的宏定义还可能包含元数据比如这个宏适用的模型GPT-3.5还是GPT-4、温度Temperature参数、以及一些系统级别的指令如“你是一个资深Python工程师”。宏存储Macro Storage所有定义的宏需要被持久化保存。最简单的实现是使用一个本地JSON或YAML文件。对于团队协作或个人多设备同步的需求可能会设计基于数据库或云存储的方案。存储结构决定了宏的管理是否方便比如是否支持分类、标签、搜索和版本控制。宏解析与渲染引擎Parser Renderer这是系统的“编译器”。当用户输入宏名称 参数时引擎需要识别Identify在用户输入中快速定位以开头的宏调用。查找Lookup根据宏名称从存储中检索出对应的宏定义。参数提取Parameter Extraction将用户输入中宏名称后面的文本按照预定规则如按空格分割、或解析为键值对提取为参数。模板渲染Template Rendering将提取的参数代入宏定义的模板占位符中生成最终要发送给GPT API的完整提示词Prompt。集成层Integration Layer这是宏系统与GPT交互前端如命令行工具、浏览器插件、聊天应用的桥梁。它负责捕获用户输入调用解析渲染引擎然后将生成的最终Prompt发送给GPT API并将回复呈现给用户。这是决定用户体验的关键。2.3 技术选型背后的考量为什么选择这样的架构这背后有几个关键的工程和用户体验考量轻量与无侵入性理想情况下宏系统不应该要求用户改变他们使用GPT的主要方式比如换一个全新的客户端。因此很多实现会选择以浏览器插件如Chrome Extension或本地命令行工具CLI的形式存在它们可以“附着”在现有的Web界面或API调用流程上实现无缝集成。模板语言的简洁性模板语法如{{variable}}必须足够简单让非程序员也能轻松上手。同时它又需要具备一定的表达能力比如支持条件判断{% if ... %}、循环等以应对更复杂的场景。gpt-macro项目初期可能只支持变量替换但预留了语法扩展的空间。性能与即时性宏的解析和渲染必须在用户感知不到延迟的情况下完成。这意味着存储查询要快可能使用内存缓存模板渲染引擎要高效。通常一个纯JavaScript或Python实现的、功能专注的模板引擎就足够了无需引入重型框架。注意在实现时要特别注意宏的命名冲突问题。当宏数量增多时可能会出现重复名称或过于相似的名称。一个好的实践是支持命名空间如team/python_reviewer或通过标签系统来辅助管理和发现。3. 从零开始手把手实现一个基础版gpt-macro CLI工具理解了设计思路后我们来实现一个最基础但可用的命令行版本gpt-macro工具。这个工具将允许你在终端中调用宏并与OpenAI API交互。我们将使用Python语言因为它有丰富的库支持和简洁的语法。3.1 环境准备与依赖安装首先确保你的系统安装了Python 3.8或更高版本。然后创建一个新的项目目录并初始化虚拟环境这是一个保持环境干净的好习惯。mkdir gpt-macro-cli cd gpt-macro-cli python -m venv venv # 在Windows上使用 venv\Scripts\activate source venv/bin/activate接下来安装核心依赖。我们需要openai库来调用APIpyyaml或json来处理宏定义文件这里我们选择YAML因为可读性更好以及click库来构建友好的命令行界面。pip install openai pyyaml click此外你需要在OpenAI官网获取API密钥并设置为环境变量这是更安全的方式避免将密钥硬编码在代码中。# 在Linux/macOS的终端中 export OPENAI_API_KEY你的-api-key-here # 在Windows的PowerShell中 $env:OPENAI_API_KEY你的-api-key-here3.2 定义宏的数据结构在项目根目录下我们创建一个macros.yaml文件来存储宏定义。YAML格式清晰易读适合配置管理。# macros.yaml macros: - name: code_reviewer description: 以资深工程师身份进行代码审查 template: | 你是一个拥有10年经验的{{language}}资深工程师擅长代码优化和发现潜在缺陷。请严格审查以下代码并按照以下格式回复 ## 代码审查报告 1. **潜在问题** - 列出具体问题如性能瓶颈、安全隐患、代码风格不符等 2. **优化建议** - 给出具体的改进代码或重构建议 3. **总体评价** - 简洁的总结 待审查代码 {{language}} {{code}} parameters: - name: language description: 编程语言 default: Python - name: code description: 需要审查的代码片段 required: true - name: translator description: 专业技术文档翻译 template: | 你是一位专业的科技翻译请将以下{{source_lang}}技术内容准确、流畅地翻译成{{target_lang}}保持技术术语的准确性并让译文符合技术文档的阅读习惯。 原文 {{text}} 译文 parameters: - name: source_lang default: 英文 - name: target_lang default: 中文 - name: text required: true这个结构定义了两个宏。每个宏包含名称、描述、模板和参数列表。在模板中用双大括号{{}}包裹的是参数占位符。参数可以设置默认值default和是否必需required。3.3 构建核心引擎宏的加载、解析与渲染现在我们创建主程序文件macro_engine.py它负责核心逻辑。# macro_engine.py import yaml import os from typing import Dict, List, Optional class MacroEngine: def __init__(self, macro_file_path: str macros.yaml): self.macro_file_path macro_file_path self.macros: Dict[str, Dict] self._load_macros() def _load_macros(self) - Dict[str, Dict]: 从YAML文件加载宏定义 if not os.path.exists(self.macro_file_path): return {} with open(self.macro_file_path, r, encodingutf-8) as f: data yaml.safe_load(f) # 转换为以宏名为键的字典方便查找 macro_dict {macro[name]: macro for macro in data.get(macros, [])} return macro_dict def list_macros(self) - List[str]: 列出所有可用的宏名称 return list(self.macros.keys()) def get_macro(self, macro_name: str) - Optional[Dict]: 根据名称获取宏定义 # 移除可能的前导符号 macro_name macro_name.lstrip() return self.macros.get(macro_name) def render(self, macro_name: str, **kwargs) - Optional[str]: 渲染宏模板传入参数替换占位符 macro self.get_macro(macro_name) if not macro: raise ValueError(f宏 {macro_name} 未找到。) template macro[template] rendered template # 简单的模板渲染替换所有 {{param}} 为传入的值 for param in macro.get(parameters, []): param_name param[name] # 如果调用者提供了该参数则使用否则尝试使用默认值如果都没有且必需则报错。 value kwargs.get(param_name) if value is None: if param.get(required, False): raise ValueError(f参数 {param_name} 是必需的但未提供。) value param.get(default, ) # 没有默认值则替换为空字符串 placeholder f{{{{{param_name}}}}} rendered rendered.replace(placeholder, str(value)) return rendered # 示例在Python交互环境中测试 if __name__ __main__: engine MacroEngine() print(可用宏:, engine.list_macros()) # 测试渲染 code_reviewer 宏 test_code def calculate_sum(numbers): total 0 for i in range(len(numbers)): total total numbers[i] return total try: prompt engine.render(code_reviewer, languagePython, codetest_code) print(\n渲染后的提示词预览前500字符:\n, prompt[:500]) except ValueError as e: print(f渲染出错: {e})这个引擎类完成了最核心的功能加载宏、查找宏、以及进行简单的模板渲染。渲染逻辑目前是简单的字符串替换对于基础应用已经足够。3.4 集成OpenAI API与构建CLI界面接下来我们创建主命令行入口文件gpt_macro_cli.py使用click库来构建命令。# gpt_macro_cli.py import click import openai from macro_engine import MacroEngine import os # 从环境变量获取API Key openai.api_key os.getenv(OPENAI_API_KEY) if not openai.api_key: click.echo(错误未设置 OPENAI_API_KEY 环境变量。, errTrue) click.echo(请执行export OPENAI_API_KEY你的密钥, errTrue) raise click.Abort() engine MacroEngine() click.group() def cli(): GPT宏命令工具 - 让你的提示词可复用 pass cli.command() def list(): 列出所有已定义的宏 macros engine.list_macros() if not macros: click.echo(尚未定义任何宏。) return click.echo(可用的宏) for name in macros: macro_def engine.get_macro(name) click.echo(f {name}: {macro_def.get(description, 暂无描述)}) cli.command() click.argument(macro_name) click.argument(input_text, requiredFalse) click.option(--model, defaultgpt-3.5-turbo, help使用的OpenAI模型例如 gpt-3.5-turbo, gpt-4) click.option(--temperature, default0.7, typefloat, help生成文本的随机性0-1之间) def run(macro_name, input_text, model, temperature): 执行一个宏。INPUT_TEXT是跟在宏名后的参数文本。 # 处理输入宏名可能带也可能不带。INPUT_TEXT是整个参数字符串。 macro_name_clean macro_name.lstrip() macro_def engine.get_macro(macro_name_clean) if not macro_def: click.echo(f错误未找到宏 {macro_name_clean}。使用 list 命令查看可用宏。, errTrue) return # 构建参数字典。这是一个简化版我们将整个input_text赋值给第一个必需参数。 # 更复杂的实现可以解析键值对例如 --language Python --code print(hello) params {} required_params [p for p in macro_def.get(parameters, []) if p.get(required)] optional_params [p for p in macro_def.get(parameters, []) if not p.get(required)] # 简化处理如果只有一个必需参数将整个input_text赋给它。 # 这是一个需要根据实际使用场景优化的地方。 if required_params: # 假设第一个必需参数接收所有文本 first_param_name required_params[0][name] params[first_param_name] input_text if input_text else # 检查是否提供了必需参数 if not params[first_param_name]: click.echo(f错误宏 {macro_name_clean} 需要参数 {first_param_name}。, errTrue) click.echo(f用法: gpt-macro run {macro_name_clean} \你的参数文本\) return # 为可选参数设置默认值 for param in optional_params: param_name param[name] if param_name not in params: # 防止覆盖 params[param_name] param.get(default, ) # 渲染提示词 try: final_prompt engine.render(macro_name_clean, **params) except ValueError as e: click.echo(f渲染宏时出错: {e}, errTrue) return click.echo(f正在使用模型 {model} 调用宏 {macro_name_clean}...) click.echo(*50) # 调用OpenAI API try: response openai.ChatCompletion.create( modelmodel, messages[ {role: user, content: final_prompt} ], temperaturetemperature, max_tokens2000 # 可根据需要调整 ) answer response.choices[0].message.content click.echo(answer) except openai.error.OpenAIError as e: click.echo(f调用OpenAI API时出错: {e}, errTrue) if __name__ __main__: cli()现在一个最基础的gpt-macroCLI工具就完成了。你可以通过以下命令使用它# 列出所有宏 python gpt_macro_cli.py list # 运行 code_reviewer 宏将代码作为参数传入 python gpt_macro_cli.py run code_reviewer def foo(x): return x*2 # 指定模型和温度 python gpt_macro_cli.py run translator Hello, world! --model gpt-4 --temperature 0.3实操心得在CLI工具中参数传递的设计是关键。上面的简化版将所有文本赋给第一个必需参数这在实际中可能不够灵活。一个更健壮的设计是支持类似--param value的键值对格式或者允许用户在宏定义中指定如何解析参数字符串例如用特定分隔符分割。这需要在run命令中实现更复杂的参数解析逻辑。4. 高级特性与扩展方向探讨基础版本已经能跑起来了但要成为一个真正强大且实用的工具还需要考虑更多高级特性和扩展方向。4.1 宏的嵌套与组合调用一个强大的宏系统应该支持宏的嵌套即在一个宏的模板中调用另一个宏。这可以实现功能的模块化和复用。例如你可以定义一个format_answer宏专门负责将答案格式化为Markdown然后在其他业务宏如code_reviewer的模板末尾调用它。实现嵌套需要在渲染引擎中递归地处理模板。当渲染器遇到{{another_macro arg}}这样的语法时它需要先渲染another_macro将其结果作为字符串再嵌入到当前模板的对应位置。这要求渲染引擎能够识别并处理这种特殊的“宏调用占位符”并管理好递归深度避免无限循环。4.2 上下文感知与对话记忆目前的宏是静态的、一次性的。但在真实对话中我们常常希望宏能感知到之前的对话历史。例如一个summarize宏应该能自动获取最近N条消息并生成摘要。这需要宏系统能够访问和操作对话的上下文Context。实现方式可以是将对话历史存储在内存或临时文件中并设计一套语法让宏模板能够引用这些历史消息例如{{last_n_messages:5}}表示引用最近5条消息。这大大增加了宏的智能性和实用性。4.3 条件逻辑与循环控制为了让宏能应对更复杂的场景模板语言需要支持基本的控制流如条件判断if/else和循环for。例如在生成周报的宏中可以根据传入的week_number参数动态选择不同的总结模板。{% if week_number 13 %} 本周是第一季度第{{week_number}}周重点工作是项目启动和需求确认。 {% elif week_number 26 %} 本周是第二季度第{{week_number-13}}周核心任务是开发和测试。 {% endif %}这通常需要集成一个成熟的模板引擎如Jinja2Python或HandlebarsJavaScript。集成后宏的定义能力将得到质的飞跃。4.4 图形化界面GUI与管理平台对于非技术用户命令行工具门槛较高。开发一个图形化界面如Electron桌面应用或Web管理平台是必然的方向。GUI可以提供以下功能可视化的宏编辑器像写文档一样编辑模板提供语法高亮和参数表单。一键调用通过按钮或快捷方式调用常用宏。宏商店/社区分享用户可以上传、下载和评分他人分享的宏形成一个生态。调用历史与效果评估记录每次宏调用的输入、输出和用户反馈用于优化宏定义。4.5 安全性与权限管理当宏系统变得强大尤其是支持从网络加载宏或团队共享时安全性至关重要。模板注入防护确保用户定义的模板不会执行恶意代码。使用沙箱环境执行模板渲染严格限制可访问的函数和变量。API密钥隔离在团队环境中确保宏调用不会泄露或滥用他人的API密钥。可能需要一个代理层来统一管理密钥和计费。输入验证与过滤对宏参数进行严格的验证和过滤防止Prompt注入攻击即用户通过输入特殊参数来篡改宏的原始意图。5. 实战场景构建个人知识库问答宏让我们用一个更复杂的实战案例来巩固理解构建一个ask_kb宏它能够基于你本地的个人知识库比如一堆Markdown笔记来回答问题。这涉及到检索增强生成RAG的基本思想。5.1 场景设计与技术栈目标用户输入ask_kb 什么是神经网络中的反向传播宏能自动从本地的知识库Markdown文件中检索相关段落并将其作为上下文连同问题一起提交给GPT生成一个基于我个人知识体系的答案。技术栈选择文档加载与分割使用langchain的文档加载器UnstructuredMarkdownLoader和文本分割器RecursiveCharacterTextSplitter。向量化与检索使用sentence-transformers库生成文本向量并用FAISSFacebook AI Similarity Search库建立本地向量数据库进行相似度检索。提示词工程设计一个模板将检索到的相关上下文和用户问题组合成最终的Prompt。5.2 实现步骤详解首先安装额外的依赖pip install langchain sentence-transformers faiss-cpu unstructured然后我们创建一个新的宏定义并修改引擎以支持这种需要“预处理”的复杂宏。步骤一初始化知识库向量库只需运行一次我们创建一个单独的脚本build_kb.py来构建向量库。# build_kb.py from langchain.document_loaders import DirectoryLoader, UnstructuredMarkdownLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS import os # 1. 加载Markdown文档 documents_path ./my_knowledge_base # 你的Markdown笔记目录 loader DirectoryLoader(documents_path, glob**/*.md, loader_clsUnstructuredMarkdownLoader) raw_documents loader.load() print(f加载了 {len(raw_documents)} 个文档) # 2. 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个片段约500字符 chunk_overlap50 # 片段间重叠50字符保持上下文 ) documents text_splitter.split_documents(raw_documents) print(f分割为 {len(documents)} 个文本片段) # 3. 创建向量库 embeddings HuggingFaceEmbeddings(model_nameall-MiniLM-L6-v2) # 轻量级且效果不错的模型 vectorstore FAISS.from_documents(documents, embeddings) # 4. 保存到本地 vectorstore.save_local(faiss_kb_index) print(知识库向量索引已保存至 faiss_kb_index 目录)步骤二定义ask_kb宏在macros.yaml中添加新宏- name: ask_kb description: 基于个人知识库回答问题 template: | 请严格根据以下提供的上下文信息来回答问题。如果上下文信息不足以回答问题请直接说明“根据现有知识无法回答”不要编造信息。 上下文信息 {{context}} 问题{{question}} 请基于上述上下文给出准确、简洁的回答 parameters: - name: question description: 要询问的问题 required: true注意这个模板里有一个特殊的参数{{context}}它不会由用户直接提供而是由我们的引擎在运行时动态从向量库中检索并填充。步骤三扩展宏引擎以支持检索逻辑我们需要修改macro_engine.py中的render方法或者更好的是为这类“智能宏”创建一个专门的处理器。这里为了清晰我们在CLI的run命令中直接处理这种特殊情况。# 在 gpt_macro_cli.py 的 run 函数中添加特殊处理 cli.command() click.argument(macro_name) click.argument(input_text, requiredFalse) click.option(--model, defaultgpt-3.5-turbo) click.option(--temperature, default0.1) # 知识问答通常需要较低随机性 def run(macro_name, input_text, model, temperature): macro_name_clean macro_name.lstrip() macro_def engine.get_macro(macro_name_clean) # ... [之前的参数处理逻辑保持不变] ... # 特殊处理如果是 ask_kb 宏需要检索上下文 if macro_name_clean ask_kb: question params.get(question, ) if not question: click.echo(错误问题不能为空。, errTrue) return # 加载向量库并检索 from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS click.echo(正在从知识库检索相关信息...) try: embeddings HuggingFaceEmbeddings(model_nameall-MiniLM-L6-v2) vectorstore FAISS.load_local(faiss_kb_index, embeddings) # 检索最相关的3个片段 retriever vectorstore.as_retriever(search_kwargs{k: 3}) relevant_docs retriever.get_relevant_documents(question) context_text \n\n.join([doc.page_content for doc in relevant_docs]) params[context] context_text # 动态注入context参数 click.echo(f检索到 {len(relevant_docs)} 条相关上下文。) except Exception as e: click.echo(f加载或检索知识库时出错: {e}, errTrue) params[context] 知识库加载失败请检查配置。 # 渲染提示词此时params中已包含所有必要参数包括动态注入的context try: final_prompt engine.render(macro_name_clean, **params) except ValueError as e: click.echo(f渲染宏时出错: {e}, errTrue) return # ... [后续调用OpenAI API的逻辑保持不变] ...现在当你运行python gpt_macro_cli.py run ask_kb “什么是反向传播”时工具会先自动从你的my_knowledge_base文件夹下的Markdown笔记中检索出与“反向传播”最相关的3段文本将它们作为{{context}}插入模板再发送给GPT生成答案。这样GPT的回答就牢牢地基于你个人的知识储备避免了幻觉也更具个性化。注意事项本地向量检索的速度和准确性受多个因素影响文本分割的粒度、嵌入模型的选择、检索片段的数量k值。如果知识库很大首次加载向量库可能需要几秒钟。在生产环境中可以考虑将向量索引服务化以实现更快的响应。6. 常见问题、排查技巧与优化建议在实际使用和开发gpt-macro这类工具时你会遇到各种各样的问题。下面我整理了一些典型问题及其解决方案以及一些提升体验的优化建议。6.1 宏调用失败或渲染错误问题输入my_macro后提示“宏未找到”。排查首先运行list命令确认宏名称拼写无误且已加载。检查macros.yaml文件格式是否正确YAML对缩进非常敏感。确保宏定义在macros:列表下且name字段是字符串。问题宏渲染时报错提示参数缺失或类型错误。排查仔细核对宏定义中的parameters列表。确认你调用时提供的参数名与定义完全一致大小写敏感。对于有默认值的参数即使不传也应能正常工作。检查渲染逻辑确保它正确处理了required和default属性。问题渲染后的提示词看起来不对劲变量没被替换。排查在render函数中添加调试打印输出替换前的模板和替换后的结果。确认占位符的语法是{{variable_name}}并且与参数字典的键匹配。注意不要有额外的空格如{{ variable_name }}可能不会被简单替换逻辑识别。6.2 OpenAI API调用相关问题调用API时返回认证错误Invalid API Key。排查99%的情况是环境变量OPENAI_API_KEY没有正确设置。在终端中执行echo $OPENAI_API_KEYLinux/macOS或echo %OPENAI_API_KEY%Windows确认。确保在运行脚本的同一个shell会话中设置了该变量。也可以考虑将API密钥放在.env文件中使用python-dotenv库加载。问题API响应慢或超时。排查网络连接问题。可以尝试设置openai.api_base指向可用的代理如果需要且合规。对于长文本考虑调整max_tokens参数避免请求或响应过长。GPT-4模型本身也比GPT-3.5慢。问题返回内容不符合预期比如没有遵循模板格式。排查这通常是提示词Prompt工程问题。首先在调用API前将final_prompt打印出来检查其内容是否完全符合你的预期。GPT有时会“自由发挥”可以通过降低temperature参数如设为0.1来减少随机性或是在系统消息role: “system”中更加强调指令。在提示词末尾加上“请严格按照上述格式回复”等约束语句。6.3 性能与使用体验优化建议一实现宏的缓存机制对于像ask_kb这样需要检索的宏或者结果相对固定的宏可以引入缓存。将(宏名, 参数哈希)作为键将GPT的回复作为值存储到本地文件如SQLite或内存缓存如cachetools库中。下次相同查询时直接返回缓存结果能极大提升响应速度并节省API费用。import hashlib import json import sqlite3 class ResponseCache: def __init__(self, db_pathmacro_cache.db): self.conn sqlite3.connect(db_path) self._create_table() def _create_table(self): self.conn.execute(CREATE TABLE IF NOT EXISTS cache (key TEXT PRIMARY KEY, response TEXT, created TIMESTAMP DEFAULT CURRENT_TIMESTAMP)) def get(self, macro_name, params): key self._make_key(macro_name, params) cursor self.conn.execute(SELECT response FROM cache WHERE key?, (key,)) row cursor.fetchone() return row[0] if row else None def set(self, macro_name, params, response): key self._make_key(macro_name, params) self.conn.execute(INSERT OR REPLACE INTO cache (key, response) VALUES (?, ?), (key, response)) self.conn.commit() def _make_key(self, macro_name, params): # 创建一个唯一的键例如对参数字典排序后取哈希 param_str json.dumps(params, sort_keysTrue) return hashlib.md5(f{macro_name}:{param_str}.encode()).hexdigest()建议二支持流式输出Streaming当GPT生成较长内容时等待全部生成完毕再显示体验不佳。OpenAI API支持流式响应。你可以修改API调用部分使用streamTrue参数并逐块打印返回的内容实现类似ChatGPT网页版的打字机效果。response openai.ChatCompletion.create( modelmodel, messages[{role: user, content: final_prompt}], temperaturetemperature, streamTrue, # 启用流式 max_tokens2000 ) full_content for chunk in response: delta chunk.choices[0].delta if content in delta: content delta[content] print(content, end, flushTrue) # 逐块打印 full_content content print() # 最后换行建议三添加宏的导入/导出和版本管理随着宏越来越多手动编辑YAML文件容易出错。可以增加import和export命令支持从JSON/YAML文件批量导入宏或将当前宏库导出。更进一步可以使用Git来管理macros.yaml文件这样就能追踪宏定义的变更历史方便回滚和协作。6.4 安全与成本控制成本控制GPT API调用是计费的。在工具中集成简单的成本估算和预警很有必要。你可以在发送请求前根据Prompt的大致token数量可以用tiktoken库估算进行粗略计算并在成本超过阈值时提示用户。对于团队使用可以设计一个简单的配额管理系统。输入审查如果你的工具允许用户自定义宏模板特别是未来可能支持网络共享务必对模板内容进行安全审查。禁止在模板中执行系统命令、访问文件系统或进行网络请求。可以考虑使用一个安全的模板渲染沙箱。通过以上这些步骤你不仅能够解决使用gpt-macro时遇到的大部分常见问题还能将它打磨成一个更健壮、高效和用户友好的生产力工具。记住工具的价值在于解决真实问题不断收集反馈并迭代你的宏系统才能真正融入并优化你的工作流。