API da OpenAI: programar chats baseados em IA, assistentes de venda e aventuras de texto.

Isto é o que te espera neste curso da OpenAI API.

Neste vídeo, serão abordadas as ferramentas utilizadas e os conhecimentos necessários.

Aqui vamos falar sobre a plataforma OpenAI e como você pode usá-la.

Aqui está a atualização da OpenAI. Descubra quais mudanças ocorreram. No arquivo do projeto, tudo importante está resumido.

Estamos criando nosso primeiro projeto com npm create astro e examinando a estrutura do produto gerado.

Uma vez que utilizamos React para a nossa UI, é necessário habilitar primeiramente o Astro JS a utilizar componentes React.

Nosso ponto final para o serviço de chat será uma solicitação get para o URL /api/chat. Vamos configurar esse ponto final neste vídeo.

Para as chamadas da API da OpenAI, precisamos além de uma chave API, que podemos gerar através de nossa conta na plataforma da OpenAI, também do pacote openai-npm.

Para testar, usamos um texto fixo no servidor. Aqui queremos usar pela primeira vez o texto que é enviado pelo navegador na URL como parâmetro de consulta.

Apenas bater papo pela URL na barra de endereços do navegador não é uma solução permanente. Por isso, neste vídeo, iremos criar uma interface de usuário básica em React que permite a entrada do texto do chat.

Ainda não temos um chat correto, mas apenas uma pergunta e sua resposta. Para ter uma conversa produtiva com o LLM, precisamos lembrar o histórico do chat.

Às vezes só queremos começar de novo e esquecer o que foi dito. Para que o servidor não precise ser reiniciado, usamos um ID de chat para redefinir o histórico do chat no servidor.

Até agora, o chat era muito rudimentar. Aqui, algumas melhorias estão sendo implementadas para tornar nosso aplicativo de chat um pouco mais parecido com o ChatGPT.

O histórico da conversa não tem sido fácil de ler e será tornada um pouco mais "bonita" neste vídeo.

Agora o nosso primeiro aplicativo de chat está pronto e ainda há muito a ser feito se quisermos competir com o ChatGPT. ;-) Se você não quiser competir, pode prosseguir para a próxima seção com um novo projeto.

Estamos lançando o novo projeto e baseando-nos no nosso primeiro aplicativo de bate-papo.

Um jogo precisa de uma história. Neste vídeo, apresento a minha ideia para isso e faço os primeiros preparativos para a navegação através do jogo.

O jogador deve passar por três missões (conversas) para chegar ao fim (temporário) do jogo. Estas estão sendo preparadas neste vídeo.

O barman é o primeiro parceiro de chat neste jogo e é "trazido à vida" neste vídeo.

Até agora, o barman estava um pouco perdido quanto ao seu papel no jogo. Vamos resolver isso,  inserindo o primeiro sistema de prompts.

O nosso parceiro de conversa destacou-se no papel de barman, mas no programa ainda não sabemos se a missão foi cumprida pelo jogador. Para isso, podem ser usadas chamadas de função que o LLM pode fazer por conta própria, caso julgue apropriado. Temos que garantir que ele faça isso.

Chamadas de função podem ter valores de retorno e precisamos informar isso ao IA, o que conseguimos neste vídeo.

O cliente (navegador) deve ser notificado de que a missão foi concluída, pois então o jogador pode também falar com o Dr. Owen e se aproximar do objetivo.

Toda conversa mais bonita deve ter um fim, mas como lidamos com isso no programa? Através de uma chamada de função, claro.

Finalmente, o jogador pode falar com o especialista em IA para descobrir a solução do último quebra-cabeça.

Barkeeper e Dr. Owen são dois personagens diferentes e, por isso, não devem compartilhar um histórico de chat. Por isso, devemos criar um novo histórico de chat para Dr. Owen.

O Dr. Owen precisa de uma função para nos informar que o jogador foi questionado sobre a solução de seu pequeno problema de segurança com robôs e recebeu uma resposta. Ele receberá essa informação neste vídeo.

O nosso inimigo final neste jogo é o robô de segurança que passou o tempo todo a tentar impedir-nos de avançar. Agora, porém, o jogador tem o poder, ou melhor, o conhecimento, para finalmente o enganar.

O nosso novo projeto leva-nos ao mundo das lojas de guitarras, naturalmente com o amável apoio da API da OpenAI, que nos permite criar um assistente de vendas virtual.

Até agora, o assistente de vendas não tem sido muito bom em consultas. Isso agora deve ser melhorado com um "banco de dados" simulado usando mapas.

Até agora tínhamos apenas 2 produtos, que agora aumentamos para 4 neste vídeo. O importante aqui é que agora temos vários produtos por tipo e, portanto, podemos perguntar ao assistente de vendas quais baixos elétricos estão disponíveis no catálogo, por exemplo.

O preço não é tudo na compra de uma guitarra, mas um cliente que não queira contrair uma nova hipoteca em sua casa própria deve ser capaz de pedir ao vendedor por guitarras elétricas na faixa de preço baixo ou médio. Isso é alcançado com um segundo parâmetro priceRange na função correspondente, que o LLM deve chamar então.

Nós estragamos com o último vídeo. Mas não se preocupe, o erro é corrigido rapidamente quando se sabe onde procurar.

O que seria uma loja online sem um carrinho de compras? Embora não vamos implementar um carrinho de compras propriamente dito (afinal, não é esse o foco deste curso), neste vídeo iremos estabelecer as bases para que você possa conectar um carrinho de compras ao assistente de vendas virtual. Mais uma vez, o chamado de função será útil!

Os clientes, na maioria dos casos, apenas conhecerão aproximadamente os nomes dos produtos. O LLM só pode fazer a chamada de função com os nomes que estão na solicitação do cliente. Mas com um pequeno truque, o IA pode ser facilmente utilizado para uma pesquisa "fuzzy" nos nomes dos produtos.

Uma pequena conclusão do que alcançamos neste curso, o que vocês podem fazer com isso e quais APIs emocionantes ainda estão disponíveis na OpenAI.