OpenAI API: Programmēt Ķī-bāzētas čatas, pārdošanas asistentus un teksta piedzīvojumu spēles

Tas tevi sagaida šajā OpenAI API kursā.

Šajā videoklipā tiks apskatīti izmantotie rīki un nepieciešamās zināšanas.

Še runājums iet par OpenAI platformu un to, kā to izmantot.

Še ir informācija par OpenAI atjauninājumu. Uzzini, kādas izmaiņas ir veiktas. Projekta failā viss svarīgais atkal ir apkopots.

Mēs izveidojam mūsu pirmo projektu ar npm create astro un pārbaudām produktu struktūru.

Tā kā mūsu lietotāja saskarnei izmantojam React, Astro JS vispirms jābūt pilnveidotam, lai varētu izmantot React komponentes.

Mūsu tēmas chat servisam būs get-pieprasījums uz /api/chat URL. Šo tēmu iestatīsim šajā video.

Lai izmantotu OpenAI API, mums ir nepieciešams API atslēga, kuru mēs varam ģenerēt caur mūsu OpenAI platformas kontu, kā arī openai-npm pakotni.

Lai veiktu pārbaudi, mēs esam izmantojuši fiksētu tekstu serverī. Šeit mēs pirmo reizi izmantosim tekstu, kas tiek nosūtīts no pārlūka kā vaicājuma parametrs URL.

Tikai čatot pārlūkprogrammas adreses joslas URL nav ilgtermiņa risinājums. Tāpēc šajā video mēs izveidosim pamata React lietotāja saskarni, kas ļaus ievadīt čata tekstu.

Vēl mums nav īstas tērzēšanas funkcionalitātes, bet tikai vienu jautājumu un atbildi uz to. Lai veiktu produktīvu sarunu ar LLM, mums jāsaglabā tērzēšanas vēsture.

Dažreiz vienkārši ir vēlme sākt no sākuma un aizmirst teikto. Lai serverim nebūtu jāsāk no jauna, mēs izmantojam tērzēšanas ID, lai atiestatītu tērzēšanas vēsturi uz servera pusē.

Līdz šim čatēšana bija diezgan rudimentāra. Šeit tiks ieviestas dažas uzlabojumi, kas padarīs mūsu čatas lietotni nedaudz līdzīgāku ChatGPT.

Čata vēsture līdz šim nebija labi lasāma, un šajā video tā tiks padarīta nedaudz "skaistāka".

Tagad mūsu pirmā tērzēšanas lietotne ir gatava, bet vēl ir daudz darāmā, ja vēlaties konkurēt ar ChatGPT. ;-) Ja nevēlaties to darīt, nākamajā sadaļā varat turpināt ar jaunu projektu.

Mēs sākam jauno projektu un izmantojam mūsu pirmo tērzēšanas lietotni.

Spēlei nepieciešama stāsts. Šajā video es iepazīstinu savu ideju un veicu pirmos sagatavošanās darbus spēles navigācijai.

Spēlētājam ir jāveic trīs uzdevumi (čati), lai nonāktu spēles (pagaidu) beigās. Šos es sagatavoju šajā video.

Bārmens ir pirmais čata biedrs šajā spēlē un šajā video tiek "atdzīvināts".

Līdz šim baru vadītājs bija nedaudz neziņīgs par savu lomu spēlē. Mēs to risinām, ieviešot pirmo sistēmas uzvedni.

Mūsu tērzēšanas biedrs ir iekļuvis savā lomā kā bārmens, taču programmai vēl nav zināms, vai uzdevums ir izpildīts speletāja. Šajā gadījumā ir noderīgi funkciju izsaukumi, ko LLM var veikt pats, ja viņš uzskata to par nepieciešamu. Mums jānodrošina, ka tas arī notiek.

Funkciju izsaukumi var atgriezt vērtības, un mums ir jāpaziņo par šiem arī AI, ko mēs panākam šajā video.

Klientam (pārlūkam) jāsaņem paziņojums, ka uzdevums ir pabeigts, jo tad spēlētājs var runāt ar Dr. Owenu un tuvināties mērķim.

Patīkamai sarunai ir jābūt beigām, bet kā mēs to iekļausim programmā? Protams, izmantojot funkciju izsaukumu.

Bez gala galīgi pagriezējs var runāt ar AI ekspertu, lai uzzinātu no viņa pēdējā mīklas risinājumu.

Bārmens un Dr. Oven ir divi atšķirīgi raksturi un tādēļ nedrīkst dalīties čatā. Tāpēc mums vajadzētu izveidot jaunu čata vēsturi Dr. Ovenam.

Dr. Owen vajag funkciju, lai mēs uzzinātu, vai spēlētājs jautāja par savu mazo drošības robotu problēmu risinājumu un saņēma atbildi. To viņš saņems šajā video.

Mūsu pretinieks šajā spēlē ir drošības robots, kas visu laiku mums neļāva iziet. Taču tagad spēlētājam ir vara vai precīzāk zināšanas, lai tomēr viņu pārspētu.

Mūsu jaunais projekts ved mūs uz ģitāru veikalu pasauli, protams, ar OpenAI API draudzīgu atbalstu, kas ļauj mums īstenot virtuālo pārdošanas asistentu.

Līdz šim pārdošanas asistents nebija pārāk labs konsultēšanā. Tagad tas tiks uzlabots, izmantojot simulētu "datu bāzi" ar kartēm.

Līdz šim mums bija tikai 2 produkti, bet šajā video mēs to palielināsim līdz 4. Svarīgi ir tas, ka tagad mums ir vairāki produkti no viena tipa, un tāpēc mēs varam pajautāt pārdošanas palīgam, piemēram, kādi E-basi ir sortimentā.

Cena ir galvenais, iegādājoties ģitāru, bet klientam, kurš negribētu ņemt jaunu hipotēku savai mājai, jau būtu jābūt spējīgam pajautāt pārdevējam par zemā vai vidējā cenu klases E-ģitārām. To var panākt, izmantojot otro parametru cenuDiapazons attiecīgajā funkcijā, ko tad LLM jāizsauc.

Mēs to salaboja ar pēdējo video. Bet neuztraucieties, kļūda tiek labota ātri, ja zināt, kur jāmeklē.

Kas būtu tiešsaistes veikals bez iepirkumu groza? Lai gan mēs neiestatīsim īstu iepirkumu grozu (tas nav šī kursa mērķis), šajā video mēs veidosim pamatus, lai jūs varētu piesaistīt iepirkumu grozu virtuālajam pārdošanas asistentam. Arī šeit atkal palīdz ... funkciju izsaukums!

Klienti lielākoties zinās tikai aptuvenus produktu nosaukumus. LLM var veikt funkciju izsaukumu tikai ar tiem nosaukumiem, kas minēti klienta pieprasījumā. Bet ar nelielu triku, šajos gadījumos var diezgan viegli izmantot AI "neprecīzai" meklēšanai produktu nosaukos.

Mazs secinājums par to, ko mēs esam sasnieguši šajā kursā, ko jūs no tā varat izdarīt un kādas interesantas API joprojām ir pieejamas OpenAI.