共计 5345 个字符，预计需要花费 14 分钟才能阅读完成。
背景痛点
作为一名 Android 开发者，我经常遇到以下问题：
- 重复编写相似的样板代码，如 RecyclerView 适配器、网络请求封装等
- 调试复杂逻辑时，花费大量时间在日志打印和断点调试上
- 编写详细注释和文档占用实际开发时间
- 新技术栈接入时，需要反复查阅文档和示例代码
这些问题导致开发效率低下，加班成为常态。而现有的 AI 编程助手如 GitHub Copilot 虽然好用，但存在以下几个痛点：
- 无法针对公司内部代码规范进行定制
- 不能集成私有 API 文档和业务逻辑
- 使用第三方服务存在代码隐私风险
- 订阅费用较高且功能固定
技术对比
自建 ChatGPT 插件相比通用 AI 编程助手有以下优势：
- 完全掌控代码和数据流向
- 可深度定制提示词 (prompt) 和响应处理
- 能结合项目特有技术栈优化
- 长期使用成本更低
但同时也面临一些挑战：
- 需要自行处理 API 调用和错误恢复
- 上下文提取和代码理解需要额外开发
- 性能优化需要更多工程投入
核心实现
1. Android Studio 插件 SDK 集成
首先需要在 IntelliJ Platform SDK 中创建基础插件项目：
- 在 Android Studio 中安装 IntelliJ Platform Plugin SDK
- 使用 Gradle 初始化插件项目结构
- 配置 plugin.xml 声明扩展点和依赖
关键配置如下：
// build.gradle.kts
intellij {version.set("2022.3") // 与 AS 版本匹配
plugins.set(listOf("android")) // 添加 Android 支持
}
dependencies {implementation("com.squareup.okhttp3:okhttp:4.10.0") // API 调用
implementation("com.google.code.gson:gson:2.9.0") // JSON 处理
}2. ChatGPT API 流式响应处理
为了提升用户体验，我们需要实现流式响应显示。核心逻辑是处理 Server-Sent Events(SSE)：
// ChatGPTHandler.kt
class ChatGPTHandler(private val apiKey: String) {private val client = OkHttpClient()
suspend fun streamCompletion(
prompt: String,
onChunk: (String) -> Unit
): Result<String> = withContext(Dispatchers.IO) {val request = Request.Builder()
.url("https://api.openai.com/v1/chat/completions")
.post(RequestBody.create(MediaType.parse("application/json"),
buildPromptJson(prompt)
))
.addHeader("Authorization", "Bearer $apiKey")
.addHeader("Accept", "text/event-stream")
.build()
client.newCall(request).execute().use { response ->
if (!response.isSuccessful) {return@withContext Result.failure(Exception("API 调用失败"))
}
response.body()?.source()?.use { source ->
while (!source.exhausted()) {val line = source.readUtf8Line() ?: break
if (line.startsWith("data:")) {val chunk = line.substring(5).trim()
if (chunk != "[DONE]") {onChunk(parseChunk(chunk))
}
}
}
}
Result.success("完成")
}
}
// 解析 JSON 响应
private fun parseChunk(chunk: String): String {
// 简化实现，实际需处理完整 JSON
return chunk.substringAfter("content":").substringBefore("}")
}
}3. 代码上下文提取算法
使用 PSI(Program Structure Interface)分析当前编辑位置上下文：
// CodeContextExtractor.kt
fun getSurroundingCode(editor: Editor, file: PsiFile): String {
val offset = editor.caretModel.offset
val element = file.findElementAt(offset) ?: return ""
// 向上查找方法声明
val containingMethod = PsiTreeUtil.getParentOfType(
element,
PsiMethod::class.java
) ?: return ""
// 获取类定义
val containingClass = containingMethod.containingClass
// 构建上下文字符串
return buildString {append("// Class: ${containingClass?.name ?:"Unknown"}\n")
append("// Method: ${containingMethod.name}\n")
append("// Parameters: ${
containingMethod.parameterList.parameters
.joinToString {"${it.name}: ${it.type?.presentableText}" }
}\n")
append(containingMethod.text)
}
}代码示例
完整插件入口类实现：
// ChatGPTPlugin.kt
class ChatGPTPlugin : ApplicationComponent {private val handler = ChatGPTHandler(System.getenv("OPENAI_KEY"))
private val cache = LoadingCache<String, String>(CacheBuilder.newBuilder()
.expireAfterWrite(1, TimeUnit.HOURS)
.build())
override fun initComponent() {
// 注册编辑器动作
val actionManager = ActionManager.getInstance()
actionManager.registerAction(
"ChatGPTSuggestion",
object : AnAction() {override fun actionPerformed(e: AnActionEvent) {val editor = e.getData(CommonDataKeys.EDITOR) ?: return
val file = e.getData(CommonDataKeys.PSI_FILE) ?: return
val context = CodeContextExtractor.getSurroundingCode(editor, file)
val cached = cache.getIfPresent(context.hashCode().toString())
if (cached != null) {showSuggestion(editor, cached)
} else {fetchCompletion(context, editor)
}
}
}
)
}
private fun fetchCompletion(context: String, editor: Editor) {GlobalScope.launch(Dispatchers.Main) {
try {val result = withRetry(3) { attempt ->
handler.streamCompletion(context) { chunk ->
showPartialSuggestion(editor, chunk)
}
}
cache.put(context.hashCode().toString(), result.getOrNull() ?: "")
} catch (e: Exception) {showError(editor, "API 调用失败: ${e.message}")
}
}
}
private suspend fun <T> withRetry(
maxAttempts: Int,
block: suspend (attempt: Int) -> Result<T>
): Result<T> {
var lastError: Throwable? = null
repeat(maxAttempts) { attempt ->
when (val result = block(attempt)) {
is Result.Success -> return result
is Result.Failure -> lastError = result.exception
}
delay(1000L * (attempt + 1))
}
return Result.failure(lastError!!)
}
}性能优化
1. 请求批处理与延迟加载
// 使用协程通道实现批处理
val requestChannel = Channel<String>(capacity = Channel.UNLIMITED)
init {
GlobalScope.launch {val batch = mutableListOf<String>()
while (true) {val request = requestChannel.receive()
batch.add(request)
// 每 500ms 或 10 个请求触发一次批处理
val timeout = withTimeoutOrNull(500) {repeat(9) {requestChannel.receive()
}
}
if (batch.isNotEmpty()) {processBatch(batch.toList())
batch.clear()}
}
}
}2. Token 计数预警
fun estimateTokens(text: String): Int {
// 简单估算：1 个 token≈4 个英文字符
// 实际应使用 OpenAI 的 tiktoken 库
return text.length / 4
}
fun checkTokenLimit(context: String, maxTokens: Int = 2000): Boolean {val tokens = estimateTokens(context)
if (tokens > maxTokens) {showWarning("上下文超过 ${maxTokens}tokens，可能影响响应质量")
return false
}
return true
}避坑指南
1. 敏感数据过滤
fun sanitizeInput(code: String): String {
// 移除可能包含敏感信息的字符串
val patterns = listOf("password".toRegex(RegexOption.IGNORE_CASE),
"api[_-]?key".toRegex(RegexOption.IGNORE_CASE),
"[0-9a-f]{32}".toRegex() // MD5 类似值)
var sanitized = code
patterns.forEach { pattern ->
sanitized = pattern.replace(sanitized, "[REDACTED]")
}
return sanitized
}2. 多语言编码处理
fun detectEncoding(text: String): Charset {
return try {
// 使用 juniversalchardet 检测编码
val detector = UniversalDetector(null)
detector.handleData(text.toByteArray())
detector.dataEnd()
detector.detectedCharset?.let {Charset.forName(it) }
?: Charsets.UTF_8
} catch (e: Exception) {Charsets.UTF_8}
}延伸思考
完成基础功能后，可以考虑以下优化方向：
- 领域知识增强：
- 训练特定领域的 Fine-tuned 模型
- 集成公司内部 API 文档
-
注入项目编码规范
-
交互体验优化：
- 支持多轮对话式代码生成
- 添加代码差异对比视图
-
实现 AI 建议的单元测试生成
-
工程化改进：
- 添加用户行为分析
- 开发模型性能监控面板
- 实现离线轻量级模型
通过这个项目，我深刻体会到 AI 辅助开发的潜力。虽然初期投入较大，但当看到它每天为我节省数小时的重复工作，所有努力都变得值得。建议读者从最小可行产品开始，逐步迭代完善，最终打造出最适合自己工作流的智能助手。
正文完
