OpenAI API: Програмування чат-ботів на основі штучного інтелекту, продажних асистентів та текстових пригод

Це чекає на вас у цьому курсі з OpenAI-API.

У цьому відео розглядаються використані інструменти та необхідні знання.

Тут мова йде про платформу OpenAI та про те, як її можна використовувати.

Тут йдеться про оновлення від OpenAI. Дізнайся, які зміни є. У файлі проекту все важливе ще раз узагальнено.

Ми створюємо наш перший проект за допомогою npm create astro та дивимося на структуру продукту.

Оскільки ми використовуємо React для нашого UI, Astro JS спочатку повинен бути вдосконалений для роботи з React-компонентами.

Наша кінцева точка для сервісу чату буде get-запит на URL /api/chat. Цю кінцеву точку ми налаштуємо в цьому відео.

Для викликів до API OpenAI нам потрібно крім API-ключа, який ми можемо створити через наш обліковий запис на платформі OpenAI, також пакет openai-npm.

Для тестування ми використовували фіксований текст на сервері. Тут ми перший раз хочемо використати текст, який відправляється з браузера в URL як параметр запиту.

Лише розмовляти через URL в адресному рядку браузера не є постійним рішенням. Тому у цьому відео ми створюємо початковий React-інтерфейс, який дозволяє вводити текст чату.

Досі у нас немає справжнього чату, лише отримуємо питання та відповіді на них. Щоб мати продуктивну розмову з LLM, нам потрібно запам'ятати історію чату.

Іноді просто хочеться почати з початку і забути сказане. Для цього не потрібно перезапускати сервер, ми використовуємо ідентифікатор чату, щоб скинути історію чату на сервері.

До цього чат був дуже примітивним. Тут додано кілька покращень, які дещо посунуть наш додаток для чату в бік ChatGPT.

Історія чату досі погано читається і в цьому відео трохи робиться "красивіше".

Тепер наш перший чат-додаток готовий, але є багато роботи, якщо ви хочете конкурувати з ChatGPT. ;-) Хто не хоче цього, може перейти до нового проекту в наступному розділі.

Ми запускаємо новий проект та користуємося нашим першим чат-додатком.

Гра потребує історії. У цьому відео я презентую свою ідею на її створення та проводжу перші підготовчі заходи для навігації в грі.

Гравець повинен успішно пройти три квести (чати), щоб досягти (тимчасового) кінця гри. Я готую це відео.

Бармен - перший чат-партнер у цій грі і в цьому відео «оживає».

Дотепер бармен трохи був не впевнений у своїй ролі в грі. Ми виправляємо це,  встановивши перше системне підказку.

Наш чат-партнер розквітав у ролі бармена, але ми ще не знаємо у програмі, чи був квест виконаний гравцем. Для цього можуть бути корисні виклики функцій, які LLM може виконати самостійно, якщо вважає це за доцільне. Ми повинні забезпечити, щоб це сталося.

Виклики функцій можуть мати значення повернення, і ми також повинні повідомити це штучному інтелекту, що ми досягаємо в цьому відео.

Клієнту (браузеру) потрібно сповістити, що завдання виконано, тоді гравець зможе поговорити з др. Оуеном і наблизитися до цілі.

Навіть найкращі розмови мають завершення, але як ми це можемо зробити в програмі? Звичайно, за допомогою виклику функції.

Нарешті гравець може спілкуватися з експертом з штучного інтелекту, щоб дізнатися від нього розв'язок останньої головоломки.

Бармен та доктор Оуен - це два різні персонажі і, отже, вони не повинні ділитися історією чату. Тому ми повинні створити нову історію чату для доктора Оуена.

Д-р Оуен потребує функції, щоб ми дізналися, що гравець запитував про розв'язання його маленької проблеми з безпековим роботом та отримав відповідь. Він отримує її у цьому відео.

Нашим кінцевим ворогом у цій грі є безпековий робот, який все це час не хоче нам дати пройти. Однак гравець має силу, а точніше знання, щоб урешті-решт все ж його обманути.

Наш новий проєкт веде нас у світ гітарних магазинів, звичайно, за дружньої підтримки OpenAI-API, яка дозволяє нам реалізувати віртуального продавця-асистента.

До цього часу помічник по продажу не був особливо хороший у консультуванні. Тепер це планується вдосконалити за допомогою симульованої "бази даних" з використанням Maps.

До цього ми мали лише 2 продукти, які ми тепер збільшуємо до 4 у цьому відео. Важливо тут, що у нас тепер є кілька продуктів кожного типу, і тому ми можемо запитати, наприклад, у продавця-консультанта, які бас-гітари є в асортименті.

Ціна не є усім при покупці гітари, але покупець, який не хоче брати нову ипотечне навантаження на свій будинок, вже повинен мати можливість запитати продавця про електрогітари у нижньому або середньому ціновому діапазоні. Цього можна досягти за допомогою другого параметра priceRange відповідної функції, яку потім має викликати LLM.

Ми зламали це з останнім відео. Але не хвилюйтесь, помилку швидко виправлять, якщо знаєте, де шукати.

Що був би онлайн-магазин без кошика? Хоча ми не будемо реалізовувати правильний кошик (а саме про це іде мова в цьому курсі), у цьому відео ми створимо основи, щоб ви могли підключити кошик до віртуального помічника з продажу. І знову тут допомагає ... виклик функції!

В більшості випадків клієнти будуть знати назви продуктів лише приблизно. LLM може зробити виклик функції лише за назвами, які зазначені в запиті клієнта. Та з допомогою невеликого хитроща, для цих випадків можна досить легко використовувати ШІ для "розмитого" пошуку в назвах продуктів.

Малий висновок про те, що ми досягли в цьому курсі, що ви можете з цим зробити і які цікаві API є в OpenAI.