OpenAI API: Programowanie chatów opartych na sztucznej inteligencji, asystentów sprzedaży i tekstowych przygód

To czeka na ciebie w tym kursie OpenAI-API.

W tym wideo omówione zostaną używane narzędzia i niezbędna wiedza.

To jest o platformie OpenAI i o tym, jak można jej używać.

Tutaj znajdziesz informacje na temat aktualizacji OpenAI. Dowiedz się, jakie zmiany zostały wprowadzone. W pliku projektu wszystkie istotne informacje zostały jeszcze raz podsumowane.

Tworzymy nasz pierwszy projekt za pomocą npm create astro i sprawdzamy strukturę tworzonego produktu.

Ponieważ korzystamy z Reacta do naszego interfejsu użytkownika, Astro JS musi najpierw zostać przystosowany do użycia komponentów Reacta.

Nasz punkt końcowy dla usługi czatu będzie żądaniem get-do adresu URL /api/chat. Ten punkt końcowy skonfigurujemy w tym filmie.

Aby korzystać z interfejsu API OpenAI, potrzebujemy nie tylko klucza API, który możemy wygenerować za pośrednictwem naszego konta na platformie OpenAI, ale również pakiet openai-npm.

Do testów użyliśmy stałego tekstu na serwerze. Tutaj chcemy użyć tekstu, który zostanie wysłany przez przeglądarkę jako parametr zapytania w adresie URL.

Tylko rozmowa przez URL w pasku adresu przeglądarki nie jest rozwiązaniem na stałe. Dlatego w tym filmie tworzymy prymitywny interfejs React, który umożliwia wprowadzanie tekstu czatu.

Nadal nie mamy prawdziwego czatu, tylko dostajemy pytanie i odpowiedź na nie. Aby prowadzić owocną rozmowę z LLM, musimy zapamiętać historię czatu.

Czasami chcesz po prostu zacząć od nowa i zapomnieć to, co zostało powiedziane. Aby nie trzeba było ponownie uruchomić serwera, używamy identyfikatora czatu, aby zresetować historię czatu na serwerze.

Dotychczas rozmowy były bardzo rudYmentarne. Tutaj zostaną dodane pewne ulepszenia, które przesuną naszą aplikację dość mocno w kierunku ChatGPT.

Historia czatu była do tej pory trudna do odczytania i w tym filmie jest trochę bardziej "ładna".

Teraz nasza pierwsza aplikacja czatowa jest gotowa, ale wciąż jest wiele do zrobienia, jeśli chcesz konkurować z ChatGPT. ;-) Jeśli nie chcesz tego robić, możesz przejść do następnego rozdziału i zająć się nowym projektem.

Zaczynamy nowy projekt i korzystamy przy tym z naszej pierwszej aplikacji do czatu.

Gra potrzebuje historii. W tym filmie przedstawiam swój pomysł na nią i podejmuję pierwsze przygotowania do nawigacji w grze.

Gracz musi zaliczyć trzy misje (rozmowy), aby dotrzeć do (tymczasowego) końca gry. Przygotowuję je w tym wideo.

Barman jest pierwszym partnerem do rozmowy w tej grze i zostaje "ożywiony" w tym wideo.

Dotychczas barman był trochę zagubiony co do swojej roli w grze. Rozwiązujemy to, dodając pierwszy systemowy komunikat.

Nasz partner czatu wcielił się w rolę barmana, ale wciąż nie wiemy w programie, czy zadanie zostało wykonane przez gracza. W tym celu należy wywołać odpowiednie funkcje, które LLM może wykonać, jeśli uzna to za stosowne. Musimy zadbać, aby to zrobił.

Wywołania funkcji mogą zwracać wartości i musimy również przekazać je sztucznej inteligencji, co osiągamy w tym filmie.

Klient (przeglądarka) musi być poinformowany, że zadanie zostało ukończone, wtedy gracz będzie mógł porozmawiać z Dr Owenem i zbliżyć się do celu.

Nawet najpiękniejsza rozmowa musi się skończyć, ale jak radzimy sobie z tym w programie? Oczywiście poprzez wywołanie funkcji.

Wreszcie gracz może porozmawiać z ekspertem ds. Sztucznej Inteligencji, aby poznać od niego rozwiązanie ostatniej zagadki.

Barman i Dr. Owen to dwie różne postacie i nie powinny dzielić się historią czatu. Dlatego powinniśmy utworzyć nową historię czatu dla Dr. Owena.

Dr. Owen potrzebuje funkcji, która informuje nas, że gracz został zapytany o rozwiązanie problemu z jego małym Security Robot i otrzymał odpowiedź. Otrzymuje ją w tym filmie.

Nasz przeciwnik końcowy w tej grze to robot bezpieczeństwa, który cały czas nie chciał nas przepuścić. Jednak teraz gracz ma moc, a raczej wiedzę, aby go ostatecznie oszukać.

Naszy nowy projekt prowadzi nas do świata sklepów z gitarami, oczywiście przyjaznym wsparciem OpenAI-API, które pozwala nam zrealizować wirtualnego asystenta sprzedaży.

Dotychczas asystent sprzedaży nie radził sobie zbyt dobrze w zakresie doradztwa. Teraz ma to zostać poprawione za pomocą symulowanej "bazy danych" przy użyciu map.

Dotychczas mieliśmy tylko 2 produkty, które w tym wideo zwiększamy do 4. Ważne jest, aby teraz mieć kilka produktów tego samego typu i dzięki temu zapytać asystenta sprzedaży np. jakie gitary basowe są w ofercie.

Cena nie jest wszystkim podczas kupowania gitary, ale klient, który nie chce brać nowej hipoteki na swój dom, powinien być w stanie zapytać sprzedawcę o gitary elektryczne w niższym lub średnim przedziale cenowym. Osiągamy to poprzez dodatkowy parametr priceRange w odpowiedniej funkcji, którą maszyna LLM powinna wywołać.

Zepsuliśmy to ostatnim wideo. Ale nie martw się, błąd jest szybko naprawiony, gdy wie się, gdzie szukać.

Jaka byłaby sklep internetowy bez koszyka? Chociaż nie będziemy implementować prawdziwego koszyka (bo tego kursu nie dotyczy), w tym filmie omówimy podstawy, abyście mogli podłączyć koszyk do wirtualnego asystenta ds. sprzedaży. I tutaj ponownie pomaga ... wywołanie funkcji!

Klienci w większości przypadków znają nazwy produktów tylko w przybliżeniu. LLM może wywołać funkcję tylko z nazwami znajdującymi się w zapytaniu klienta. Ale przy małym sztuczce sztuczna inteligencja może być łatwo użyta do "rozmytego" wyszukiwania nazw produktów w tych przypadkach.

Małe podsumowanie osiągnięć w tym kursie, co możecie z tego zrobić oraz jakie jeszcze interesujące interfejsy API oferuje OpenAI.