OpenAI API: AI-alapú csevegők, értékesítési asszisztensek & szöveges kalandok programozása

Ezt várhatod ettől az OpenAI API tanfolyamtól.

Ebben a videóban a használt eszközökről és a szükséges ismeretekről lesz szó.

Ez az OpenAI platformról szól, és arról, hogyan lehet azt használni.

Itt az OpenAI frissítéséről van szó. Tudj meg mindent a változásokról. A projektfájlban újra összefoglaljuk az összes fontos dolgot.

Először is elkészítjük első projektünket a npm create astro paranccsal, majd megnézzük a létrehozott termék szerkezetét.

Mivel az UI-nkban a React-et használjuk, először még engedélyezni kell az Astro JS számára, hogy React komponenseket használjon.

Chat-szolgáltatásunk végpontja egy GET-kérés lesz az /api/chat URL-re. Ezt a végpontot állítjuk be ebben a videóban.

Az OpenAI API hívásához szükség van egy API-kulcsra, amelyet létre tudunk hozni a saját OpenAI platform fiókunkon keresztül, valamint az openai-npm-csomagra is.

A teszteléshez szöveges tartalmat használtunk a szerveren. Itt szeretnénk először használni azt a szöveget, amit a böngésző a Query-Parameterként küld az URL-ben.

Csak a böngésző címmezőjében keresztül beszélgetni nem tartós megoldás. Ezért ebben a videóban egy kezdetleges React-UI-t hozunk létre, amely lehetővé teszi a chat szövegbevitelét.

Még nincs igazi chatünk, csak egy kérdést és annak a válaszát kaptuk. Ahhoz, hogy termékeny beszélgetést folytassunk az LLM-mel, meg kell jegyeznünk a chat előzményeit.

Néha egyszerűen csak nulláról akarunk kezdeni és elfelejteni, kinek volt miről szó. Így nem kell újraindítani a szervert, egy chat azonosítót használunk ahhoz, hogy a chat előzményeit a szerveren visszaállítsuk.

Eddig a csetelés nagyon kezdetleges volt. Itt néhány továbbfejlesztés lesz beépítve, amelyek kissé közelebb viszik a ChatGPT felé.

A chat-log eddig nehezen olvasható volt, és ebben a videóban kicsit "szebbé" lesz.

Most az első csevegőalkalmazásunk elkészült, de még sok a teendő, ha versenyezni akarunk a ChatGPT-vel. ;-) Aki nem akarja ezt megtenni, az új projekttel folytathatja a következő szakaszban.

Új projektet indítunk el, és első chat-alkalmazásunkat használjuk hozzá.

Egy játéknak szüksége van egy történetre. Ebben a videóban bemutatom az ötletemet és első felkészüléseket teszek a játék navigációjára.

Három küldetést (beszélgetést) kell teljesítenie a játékosnak ahhoz, hogy eljusson a játék (ideiglenes) végéig. Ezeket előkészítem ebben a videóban.

A báros az első csevegőpartner ebben a játékban, aki ebben a videóban "életre kel".

A bárman eddig kissé tanácstalan volt a szerepét illetően a játékban. Segítünk rajta, úgy hogy beépítjük az első rendszerüzenetet.

A chatpartnerünk felolvadt báros szerepében, de a programban még nem tudjuk, hogy a játékos teljesítette-e a küldetést. Ehhez olyan függvényhívások kínálkoznak, amelyeket az LLM szabadon végezhet, ha úgy találja helyesnek. Biztosítanunk kell, hogy ezt meg is tegye.

Függvényhívások eredményekkel is rendelkezhetnek, és ezeket tovább kell adnunk a MI-nek, amit ebben a videóban végrehajtunk.

A kliens (böngésző) értesítést kell kapjon arról, hogy a küldetés teljesítve lett, mert ekkor beszélhet Dr. Owen-nal is, és közelebb kerülhet a célléthoz.

Minden szép beszélgetésnek véget kell érnie, de hogy oldjuk meg ezt a programban? Természetesen egy függvényhívással.

Végre a játékos beszélhet az AI szakértővel, hogy tőle megtudja az utolsó rejtvény megoldását.

A bárpultos és Dr. Owen két különböző karakter, ezért nem oszthatnak meg chat-nyomvonalat. Ezért létre kell hoznunk Dr. Owen számára egy új chat-nyomvonalat.

Dr. Owen számára szükséges egy funkció, amely lehetővé teszi, hogy megtudjuk, hogy a játékos megkérdezte és választ kapott a kis biztonsági robotproblémájának megoldása után. Ezt a választ kapja meg ebben a videóban.

A játékban az ellenfelünk a biztonsági robot, aki egész idő alatt nem akart minket elengedni. Most azonban a játékosnak megvan az ereje, vagy inkább a tudása arra, hogy végül mégis becsapja.

Új projektünk a gitár üzletek világába vezet minket, természetesen az OpenAI API barátságos támogatásával, amely lehetővé teszi számunkra, hogy megvalósítsunk egy virtuális értékesítési asszisztenst.

Eddig az értékesítési asszisztens nem volt túl jó tanácsadásban. Ez most egy szimulált "adatbázis" segítségével térképek segítségével fog megváltozni.

Eddig csak 2 termékünk volt, amit ebben a videóban 4-re bővítünk. Fontos az, hogy most több termékünk van típusonként, és így megkérdezhetjük az értékesítési asszisztenst, hogy mely elektromos basszusgitárok szerepelnek a kínálatban.

Az ár nem minden a gitár vásárlásakor, de egy vásárló, aki nem akar új jelzálogot felvenni a saját otthonára, képesnek kell lennie arra, hogy megkérdezze az eladót az alsó vagy középső árkategóriás elektromos gitárokról. Ezt egy második paraméterrel, priceRange-el érjük el a megfelelő függvényben, amelyet a LLM akkor hív meg.

Elrontottuk az utolsó videót. De ne aggódj, a hiba gyorsan javítható, ha tudod, hol kell keresni.

Mi lenne egy online áruház a kosárral? Habár nem fogunk beépíteni egy valódi bevásárlókosarat (mert nem erről szól ez a kurzus), ebben a videóban az alapokat létrehozzuk, hogy csatlakoztathassátok a virtuális értékesítési asszisztenshez. Itt ismét segít a... a funkcióhívás!

A legtöbb esetben a vásárlók csak hozzávetőlegesen ismerik a termékek nevét. Az LLM csak azokkal a nevekkel hajthatja végre a funkcióhívást, amelyek szerepelnek a vásárló kérdésében. Azonban egy kis trükkel ezekre az esetekre a mesterséges intelligencia viszonylag könnyen alkalmazható a „homályos” keresésre a terméknevekben.

Egy kis összefoglaló arról, hogy mi mindent értünk el ebben a tanfolyamon, hogyan tudjátok ezt hasznosítani, és milyen izgalmas API-k érhetők el még az OpenAI-nál.