# Membangun Asisten Chat dengan AI
Ingat saat di Star Trek, kru berbicara santai dengan komputer kapal, menanyakan pertanyaan kompleks dan mendapatkan jawaban yang bijaksana? Apa yang dulu tampak seperti fiksi ilmiah murni di tahun 1960-an kini menjadi sesuatu yang bisa Anda bangun menggunakan teknologi web yang sudah Anda kenal.
Dalam pelajaran ini, kita akan membuat asisten chat AI menggunakan HTML, CSS, JavaScript, dan beberapa integrasi backend. Anda akan menemukan bagaimana keterampilan yang telah Anda pelajari dapat terhubung dengan layanan AI yang kuat yang dapat memahami konteks dan menghasilkan respons yang bermakna.
Pikirkan AI seperti memiliki akses ke perpustakaan besar yang tidak hanya dapat menemukan informasi tetapi juga menyusunnya menjadi jawaban yang koheren yang disesuaikan dengan pertanyaan spesifik Anda. Alih-alih mencari melalui ribuan halaman, Anda mendapatkan respons langsung yang kontekstual.
Integrasi ini terjadi melalui teknologi web yang sudah familiar yang bekerja bersama. HTML menciptakan antarmuka chat, CSS menangani desain visual, JavaScript mengelola interaksi pengguna, dan API backend menghubungkan semuanya ke layanan AI. Ini mirip dengan bagaimana bagian-bagian berbeda dari orkestra bekerja bersama untuk menciptakan simfoni.
Pada dasarnya, kita sedang membangun jembatan antara komunikasi manusia alami dan pemrosesan mesin. Anda akan mempelajari implementasi teknis integrasi layanan AI dan pola desain yang membuat interaksi terasa intuitif.
Pada akhir pelajaran ini, integrasi AI akan terasa kurang seperti proses misterius dan lebih seperti API lain yang dapat Anda gunakan. Anda akan memahami pola dasar yang mendukung aplikasi seperti ChatGPT dan Claude, menggunakan prinsip pengembangan web yang sama yang telah Anda pelajari.
Berikut adalah tampilan proyek akhir Anda:
## Memahami AI: Dari Misteri ke Penguasaan
Sebelum masuk ke kode, mari kita pahami apa yang sedang kita kerjakan. Jika Anda pernah menggunakan API sebelumnya, Anda tahu pola dasarnya: kirim permintaan, terima respons.
API AI mengikuti struktur serupa, tetapi alih-alih mengambil data yang sudah tersimpan dari database, mereka menghasilkan respons baru berdasarkan pola yang dipelajari dari sejumlah besar teks. Pikirkan ini seperti perbedaan antara sistem katalog perpustakaan dan pustakawan yang berpengetahuan luas yang dapat menyusun informasi dari berbagai sumber.
### Apa Itu "Generative AI" Sebenarnya?
Pertimbangkan bagaimana Batu Rosetta memungkinkan para sarjana memahami hieroglif Mesir dengan menemukan pola antara bahasa yang dikenal dan yang tidak dikenal. Model AI bekerja dengan cara yang sama – mereka menemukan pola dalam sejumlah besar teks untuk memahami cara kerja bahasa, lalu menggunakan pola tersebut untuk menghasilkan respons yang sesuai dengan pertanyaan baru.
**Mari saya jelaskan dengan perbandingan sederhana:**
- **Database tradisional**: Seperti meminta akta kelahiran Anda – Anda mendapatkan dokumen yang sama persis setiap kali
- **Mesin pencari**: Seperti meminta pustakawan menemukan buku tentang kucing – mereka menunjukkan apa yang tersedia
- **Generative AI**: Seperti bertanya kepada teman yang berpengetahuan tentang kucing – mereka memberi tahu Anda hal-hal menarik dengan kata-kata mereka sendiri, disesuaikan dengan apa yang ingin Anda ketahui
```mermaid
graph LR
A[Your Question] --> B[AI Model]
B --> C[Pattern Recognition]
C --> D[Content Generation]
D --> E[Contextual Response]
F[Training Data Books, Articles, Web] --> B
```
### Bagaimana Model AI Belajar (Versi Sederhana)
Model AI belajar melalui paparan dataset besar yang berisi teks dari buku, artikel, dan percakapan. Melalui proses ini, mereka mengidentifikasi pola dalam:
- Bagaimana pemikiran disusun dalam komunikasi tertulis
- Kata-kata apa yang biasanya muncul bersama
- Bagaimana percakapan biasanya mengalir
- Perbedaan kontekstual antara komunikasi formal dan informal
**Ini mirip dengan bagaimana arkeolog menguraikan bahasa kuno**: mereka menganalisis ribuan contoh untuk memahami tata bahasa, kosakata, dan konteks budaya, akhirnya mampu menafsirkan teks baru menggunakan pola yang telah dipelajari.
### Mengapa Model GitHub?
Kami menggunakan Model GitHub karena alasan yang cukup praktis – ini memberi kami akses ke AI tingkat perusahaan tanpa harus mengatur infrastruktur AI kami sendiri (yang, percayalah, Anda tidak ingin melakukannya sekarang!). Pikirkan ini seperti menggunakan API cuaca daripada mencoba memprediksi cuaca sendiri dengan mendirikan stasiun cuaca di mana-mana.
Ini pada dasarnya adalah "AI-as-a-Service," dan bagian terbaiknya? Gratis untuk memulai, sehingga Anda dapat bereksperimen tanpa khawatir tentang biaya yang besar.
```mermaid
graph LR
A[Frontend Chat UI] --> B[Your Backend API]
B --> C[GitHub Models API]
C --> D[AI Model Processing]
D --> C
C --> B
B --> A
```
Kami akan menggunakan Model GitHub untuk integrasi backend kami, yang menyediakan akses ke kemampuan AI tingkat profesional melalui antarmuka yang ramah pengembang. [GitHub Models Playground](https://github.com/marketplace/models/azure-openai/gpt-4o-mini/playground) berfungsi sebagai lingkungan pengujian di mana Anda dapat bereksperimen dengan berbagai model AI dan memahami kemampuannya sebelum mengimplementasikannya dalam kode.
**Berikut adalah apa yang membuat playground ini sangat berguna:**
- **Coba** berbagai model AI seperti GPT-4o-mini, Claude, dan lainnya (semuanya gratis!)
- **Uji** ide dan prompt Anda sebelum menulis kode apa pun
- **Dapatkan** cuplikan kode siap pakai dalam bahasa pemrograman favorit Anda
- **Sesuaikan** pengaturan seperti tingkat kreativitas dan panjang respons untuk melihat bagaimana mereka memengaruhi output
Setelah Anda mencoba-coba sedikit, cukup klik tab "Code" dan pilih bahasa pemrograman Anda untuk mendapatkan kode implementasi yang Anda butuhkan.
## Menyiapkan Integrasi Backend Python
Sekarang mari kita implementasikan integrasi AI menggunakan Python. Python sangat baik untuk aplikasi AI karena sintaksnya yang sederhana dan pustaka yang kuat. Kita akan mulai dengan kode dari playground Model GitHub dan kemudian merombaknya menjadi fungsi yang dapat digunakan kembali dan siap produksi.
### Memahami Implementasi Dasar
Ketika Anda mengambil kode Python dari playground, Anda akan mendapatkan sesuatu yang terlihat seperti ini. Jangan khawatir jika awalnya tampak banyak – mari kita bahas bagian demi bagian:
```python
"""Run this model in Python
> pip install openai
"""
import os
from openai import OpenAI
# To authenticate with the model you will need to generate a personal access token (PAT) in your GitHub settings.
# Create your PAT token by following instructions here: https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens
client = OpenAI(
base_url="https://models.github.ai/inference",
api_key=os.environ["GITHUB_TOKEN"],
)
```python
response = client.chat.completions.create(
messages=[
{
"role": "system",
"content": "",
},
{
"role": "user",
"content": "What is the capital of France?",
}
],
model="openai/gpt-4o-mini",
temperature=1,
max_tokens=4096,
top_p=1
)
print(response.choices[0].message.content)
```
**Berikut adalah apa yang terjadi dalam kode ini:**
- **Kita mengimpor** alat yang kita butuhkan: `os` untuk membaca variabel lingkungan dan `OpenAI` untuk berbicara dengan AI
- **Kita mengatur** klien OpenAI untuk menunjuk ke server AI GitHub alih-alih langsung ke OpenAI
- **Kita mengautentikasi** menggunakan token GitHub khusus (lebih lanjut tentang ini nanti!)
- **Kita menyusun** percakapan kita dengan berbagai "peran" – pikirkan ini seperti mengatur adegan untuk sebuah drama
- **Kita mengirim** permintaan kita ke AI dengan beberapa parameter penyetelan
- **Kita mengekstrak** teks respons aktual dari semua data yang kembali
### Memahami Peran Pesan: Kerangka Percakapan AI
Percakapan AI menggunakan struktur spesifik dengan berbagai "peran" yang memiliki tujuan berbeda:
```python
messages=[
{
"role": "system",
"content": "You are a helpful assistant who explains things simply."
},
{
"role": "user",
"content": "What is machine learning?"
}
]
```
**Pikirkan ini seperti mengarahkan sebuah drama:**
- **Peran sistem**: Seperti arahan panggung untuk aktor – ini memberi tahu AI bagaimana berperilaku, kepribadian apa yang dimiliki, dan bagaimana merespons
- **Peran pengguna**: Pertanyaan atau pesan aktual dari orang yang menggunakan aplikasi Anda
- **Peran asisten**: Respons AI (Anda tidak mengirim ini, tetapi muncul dalam riwayat percakapan)
**Analogi dunia nyata**: Bayangkan Anda memperkenalkan seorang teman kepada seseorang di sebuah pesta:
- **Pesan sistem**: "Ini teman saya Sarah, dia seorang dokter yang pandai menjelaskan konsep medis dengan cara yang sederhana"
- **Pesan pengguna**: "Bisakah Anda menjelaskan bagaimana vaksin bekerja?"
- **Respons asisten**: Sarah merespons sebagai dokter yang ramah, bukan sebagai pengacara atau koki
### Memahami Parameter AI: Menyetel Perilaku Respons
Parameter numerik dalam panggilan API AI mengontrol bagaimana model menghasilkan respons. Pengaturan ini memungkinkan Anda menyesuaikan perilaku AI untuk berbagai kasus penggunaan:
#### Temperature (0.0 hingga 2.0): Pengatur Kreativitas
**Apa yang dilakukan**: Mengontrol seberapa kreatif atau dapat diprediksi respons AI.
**Pikirkan ini seperti tingkat improvisasi musisi jazz:**
- **Temperature = 0.1**: Memainkan melodi yang sama persis setiap saat (sangat dapat diprediksi)
- **Temperature = 0.7**: Menambahkan beberapa variasi yang menarik sambil tetap dapat dikenali (kreativitas seimbang)
- **Temperature = 1.5**: Jazz eksperimental penuh dengan tikungan tak terduga (sangat tidak dapat diprediksi)
```python
# Very predictable responses (good for factual questions)
response = client.chat.completions.create(
messages=[{"role": "user", "content": "What is 2+2?"}],
temperature=0.1 # Will almost always say "4"
)
# Creative responses (good for brainstorming)
response = client.chat.completions.create(
messages=[{"role": "user", "content": "Write a creative story opening"}],
temperature=1.2 # Will generate unique, unexpected stories
)
```
#### Max Tokens (1 hingga 4096+): Pengontrol Panjang Respons
**Apa yang dilakukan**: Menetapkan batas pada seberapa panjang respons AI.
**Pikirkan token sebagai kira-kira setara dengan kata** (sekitar 1 token = 0.75 kata dalam bahasa Inggris):
- **max_tokens=50**: Pendek dan padat (seperti pesan teks)
- **max_tokens=500**: Satu atau dua paragraf yang bagus
- **max_tokens=2000**: Penjelasan rinci dengan contoh
```python
# Short, concise answers
response = client.chat.completions.create(
messages=[{"role": "user", "content": "Explain JavaScript"}],
max_tokens=100 # Forces a brief explanation
)
# Detailed, comprehensive answers
response = client.chat.completions.create(
messages=[{"role": "user", "content": "Explain JavaScript"}],
max_tokens=1500 # Allows for detailed explanations with examples
)
```
#### Top_p (0.0 hingga 1.0): Parameter Fokus
**Apa yang dilakukan**: Mengontrol seberapa fokus AI tetap pada respons yang paling mungkin.
**Bayangkan AI memiliki kosakata besar, diurutkan berdasarkan seberapa mungkin setiap kata muncul**:
- **top_p=0.1**: Hanya mempertimbangkan 10% kata yang paling mungkin (sangat fokus)
- **top_p=0.9**: Mempertimbangkan 90% kata yang mungkin (lebih kreatif)
- **top_p=1.0**: Mempertimbangkan semuanya (variasi maksimum)
**Sebagai contoh**: Jika Anda bertanya "Langit biasanya..."
- **Top_p rendah**: Hampir pasti mengatakan "biru"
- **Top_p tinggi**: Mungkin mengatakan "biru", "berawan", "luas", "berubah", "indah", dll.
### Menggabungkan Semuanya: Kombinasi Parameter untuk Berbagai Kasus Penggunaan
```python
# For factual, consistent answers (like a documentation bot)
factual_params = {
"temperature": 0.2,
"max_tokens": 300,
"top_p": 0.3
}
# For creative writing assistance
creative_params = {
"temperature": 1.1,
"max_tokens": 1000,
"top_p": 0.9
}
# For conversational, helpful responses (balanced)
conversational_params = {
"temperature": 0.7,
"max_tokens": 500,
"top_p": 0.8
}
```
**Memahami mengapa parameter ini penting**: Aplikasi yang berbeda membutuhkan jenis respons yang berbeda. Bot layanan pelanggan harus konsisten dan faktual (temperature rendah), sementara asisten penulisan kreatif harus imajinatif dan bervariasi (temperature tinggi). Memahami parameter ini memberi Anda kendali atas kepribadian dan gaya respons AI Anda.
```
**Here's what's happening in this code:**
- **We import** the tools we need: `os` for reading environment variables and `OpenAI` for talking to the AI
- **We set up** the OpenAI client to point to GitHub's AI servers instead of OpenAI directly
- **We authenticate** using a special GitHub token (more on that in a minute!)
- **We structure** our conversation with different "roles" – think of it like setting the scene for a play
- **We send** our request to the AI with some fine-tuning parameters
- **We extract** the actual response text from all the data that comes back
> 🔐 **Security Note**: Never hardcode API keys in your source code! Always use environment variables to store sensitive credentials like your `GITHUB_TOKEN`.
### Creating a Reusable AI Function
Let's refactor this code into a clean, reusable function that we can easily integrate into our web application:
```python
import asyncio
from openai import AsyncOpenAI
# Use AsyncOpenAI for better performance
client = AsyncOpenAI(
base_url="https://models.github.ai/inference",
api_key=os.environ["GITHUB_TOKEN"],
)
async def call_llm_async(prompt: str, system_message: str = "You are a helpful assistant."):
"""
Sends a prompt to the AI model asynchronously and returns the response.
Args:
prompt: The user's question or message
system_message: Instructions that define the AI's behavior and personality
Returns:
str: The AI's response to the prompt
"""
try:
response = await client.chat.completions.create(
messages=[
{
"role": "system",
"content": system_message,
},
{
"role": "user",
"content": prompt,
}
],
model="openai/gpt-4o-mini",
temperature=1,
max_tokens=4096,
top_p=1
)
return response.choices[0].message.content
except Exception as e:
logger.error(f"AI API error: {str(e)}")
return "I'm sorry, I'm having trouble processing your request right now."
# Backward compatibility function for synchronous calls
def call_llm(prompt: str, system_message: str = "You are a helpful assistant."):
"""Synchronous wrapper for async AI calls."""
return asyncio.run(call_llm_async(prompt, system_message))
```
**Memahami fungsi yang ditingkatkan ini:**
- **Menerima** dua parameter: prompt pengguna dan pesan sistem opsional
- **Menyediakan** pesan sistem default untuk perilaku asisten umum
- **Menggunakan** petunjuk tipe Python yang tepat untuk dokumentasi kode yang lebih baik
- **Mengembalikan** hanya konten respons, membuatnya mudah digunakan dalam API web kami
- **Mempertahankan** parameter model yang sama untuk perilaku AI yang konsisten
### Keajaiban Prompt Sistem: Memprogram Kepribadian AI
Jika parameter mengontrol bagaimana AI berpikir, prompt sistem mengontrol siapa AI berpikir dirinya. Ini adalah salah satu bagian paling keren dari bekerja dengan AI – Anda pada dasarnya memberikan AI kepribadian lengkap, tingkat keahlian, dan gaya komunikasi.
**Pikirkan prompt sistem seperti memilih aktor untuk peran tertentu**: Alih-alih memiliki satu asisten generik, Anda dapat menciptakan ahli khusus untuk situasi yang berbeda. Butuh guru yang sabar? Mitra brainstorming yang kreatif? Penasihat bisnis yang tegas? Cukup ubah prompt sistem!
#### Mengapa Prompt Sistem Sangat Kuat
Berikut bagian yang menarik: Model AI telah dilatih pada banyak percakapan di mana orang mengadopsi peran dan tingkat keahlian yang berbeda. Ketika Anda memberikan AI peran tertentu, itu seperti menyalakan saklar yang mengaktifkan semua pola yang dipelajari tersebut.
**Ini seperti metode akting untuk AI**: Katakan kepada seorang aktor "Anda adalah profesor tua yang bijaksana" dan lihat bagaimana mereka secara otomatis menyesuaikan postur, kosakata, dan gaya bicara mereka. AI melakukan sesuatu yang sangat mirip dengan pola bahasa.
#### Membuat Prompt Sistem yang Efektif: Seni dan Ilmu
**Anatomi prompt sistem yang hebat:**
1. **Peran/Identitas**: Siapa AI itu?
2. **Keahlian**: Apa yang mereka ketahui?
3. **Gaya komunikasi**: Bagaimana mereka berbicara?
4. **Instruksi spesifik**: Apa yang harus mereka fokuskan?
```python
# ❌ Vague system prompt
"You are helpful."
# ✅ Detailed, effective system prompt
"You are Dr. Sarah Chen, a senior software engineer with 15 years of experience at major tech companies. You explain programming concepts using real-world analogies and always provide practical examples. You're patient with beginners and enthusiastic about helping them understand complex topics."
```
#### Contoh Prompt Sistem dengan Konteks
Mari kita lihat bagaimana prompt sistem yang berbeda menciptakan kepribadian AI yang sepenuhnya berbeda:
```python
# Example 1: The Patient Teacher
teacher_prompt = """
You are an experienced programming instructor who has taught thousands of students.
You break down complex concepts into simple steps, use analogies from everyday life,
and always check if the student understands before moving on. You're encouraging
and never make students feel bad for not knowing something.
"""
# Example 2: The Creative Collaborator
creative_prompt = """
You are a creative writing partner who loves brainstorming wild ideas. You're
enthusiastic, imaginative, and always build on the user's ideas rather than
replacing them. You ask thought-provoking questions to spark creativity and
offer unexpected perspectives that make stories more interesting.
"""
# Example 3: The Strategic Business Advisor
business_prompt = """
You are a strategic business consultant with an MBA and 20 years of experience
helping startups scale. You think in frameworks, provide structured advice,
and always consider both short-term tactics and long-term strategy. You ask
probing questions to understand the full business context before giving advice.
"""
```
#### Melihat Prompt Sistem dalam Aksi
Mari kita uji pertanyaan yang sama dengan prompt sistem yang berbeda untuk melihat perbedaan dramatis:
**Pertanyaan**: "Bagaimana cara menangani autentikasi pengguna dalam aplikasi web saya?"
```python
# With teacher prompt:
teacher_response = call_llm(
"How do I handle user authentication in my web app?",
teacher_prompt
)
# Typical response: "Great question! Let's break authentication down into simple steps.
# Think of it like a nightclub bouncer checking IDs..."
# With business prompt:
business_response = call_llm(
"How do I handle user authentication in my web app?",
business_prompt
)
# Typical response: "From a strategic perspective, authentication is crucial for user
# trust and regulatory compliance. Let me outline a framework considering security,
# user experience, and scalability..."
```
#### Teknik Prompt Sistem Lanjutan
**1. Pengaturan Konteks**: Berikan AI informasi latar belakang
```python
system_prompt = """
You are helping a junior developer who just started their first job at a startup.
They know basic HTML/CSS/JavaScript but are new to backend development and databases.
Be encouraging and explain things step-by-step without being condescending.
"""
```
**2. Format Output**: Beritahu AI bagaimana menyusun respons
```python
system_prompt = """
You are a technical mentor. Always structure your responses as:
1. Quick Answer (1-2 sentences)
2. Detailed Explanation
3. Code Example
4. Common Pitfalls to Avoid
5. Next Steps for Learning
"""
```
**3. Pengaturan Kendala**: Tentukan apa yang TIDAK boleh dilakukan oleh AI
```python
system_prompt = """
You are a coding tutor focused on teaching best practices. Never write complete
solutions for the user - instead, guide them with hints and questions so they
learn by doing. Always explain the 'why' behind coding decisions.
"""
```
#### Mengapa Ini Penting untuk Asisten Chat Anda
Memahami prompt sistem memberi Anda kekuatan luar biasa untuk menciptakan asisten AI khusus:
- **Bot layanan pelanggan**: Membantu, sabar, sadar kebijakan
- **Tutor pembelajaran**: Mendukung, langkah demi langkah, memeriksa pemahaman
- **Mitra kreatif**: Imajinatif, membangun ide, bertanya "bagaimana jika?"
- **Ahli teknis**: Tepat, rinci, sadar keamanan
**Wawasan utama**: Anda tidak hanya memanggil API AI – Anda menciptakan kepribadian AI khusus yang melayani kasus penggunaan spesifik Anda. Inilah yang membuat aplikasi AI modern terasa disesuaikan dan berguna daripada generik.
## Membangun API Web dengan FastAPI: Hub Komunikasi AI Berperforma Tinggi Anda
Sekarang mari kita bangun backend yang menghubungkan frontend Anda ke layanan AI. Kita akan menggunakan FastAPI, kerangka kerja Python modern yang unggul dalam membangun API untuk aplikasi AI.
FastAPI menawarkan beberapa keuntungan untuk jenis proyek ini: dukungan async bawaan untuk menangani permintaan bersamaan, pembuatan dokumentasi API otomatis, dan kinerja yang sangat baik. Server FastAPI Anda bertindak sebagai perantara yang menerima permintaan dari frontend, berkomunikasi dengan layanan AI, dan mengembalikan respons yang diformat.
### Mengapa FastAPI untuk Aplikasi AI?
Anda mungkin bertanya: "Apakah saya tidak bisa langsung memanggil AI dari JavaScript frontend saya?" atau "Mengapa FastAPI daripada Flask atau Django?" Pertanyaan yang bagus!
**Inilah alasan mengapa FastAPI sangat cocok untuk apa yang kita bangun:**
- **Async secara default**: Dapat menangani banyak permintaan AI sekaligus tanpa macet
- **Dokumentasi otomatis**: Kunjungi `/docs` dan dapatkan halaman dokumentasi API interaktif yang indah secara gratis
- **Validasi bawaan**: Menangkap kesalahan sebelum menyebabkan masalah
- **Sangat cepat**: Salah satu framework Python tercepat yang ada
- **Python modern**: Menggunakan semua fitur terbaru dan terbaik dari Python
**Dan inilah alasan mengapa kita membutuhkan backend:**
**Keamanan**: Kunci API AI Anda seperti kata sandi – jika Anda meletakkannya di JavaScript frontend, siapa pun yang melihat kode sumber situs web Anda dapat mencurinya dan menggunakan kredit AI Anda. Backend menjaga kredensial sensitif tetap aman.
**Rate Limiting & Kontrol**: Backend memungkinkan Anda mengontrol seberapa sering pengguna dapat membuat permintaan, menerapkan autentikasi pengguna, dan menambahkan logging untuk melacak penggunaan.
**Pemrosesan Data**: Anda mungkin ingin menyimpan percakapan, menyaring konten yang tidak pantas, atau menggabungkan beberapa layanan AI. Backend adalah tempat logika ini berada.
**Arsitektur menyerupai model client-server:**
- **Frontend**: Lapisan antarmuka pengguna untuk interaksi
- **Backend API**: Lapisan pemrosesan dan pengaturan permintaan
- **Layanan AI**: Komputasi eksternal dan pembuatan respons
- **Variabel Lingkungan**: Penyimpanan konfigurasi dan kredensial yang aman
### Memahami Alur Permintaan-Respons
Mari kita telusuri apa yang terjadi ketika pengguna mengirim pesan:
```mermaid
sequenceDiagram
participant User as 👤 User
participant Frontend as 🌐 Frontend
participant API as 🔧 FastAPI Server
participant AI as 🤖 AI Service
User->>Frontend: Types "Hello AI!"
Frontend->>API: POST /hello {"message": "Hello AI!"}
Note over API: Validates request Adds system prompt
API->>AI: Sends formatted request
AI->>API: Returns AI response
Note over API: Processes response Logs conversation
API->>Frontend: {"response": "Hello! How can I help?"}
Frontend->>User: Displays AI message
```
**Memahami setiap langkah:**
1. **Interaksi pengguna**: Orang mengetik di antarmuka chat
2. **Pemrosesan frontend**: JavaScript menangkap input dan memformatnya sebagai JSON
3. **Validasi API**: FastAPI secara otomatis memvalidasi permintaan menggunakan model Pydantic
4. **Integrasi AI**: Backend menambahkan konteks (system prompt) dan memanggil layanan AI
5. **Penanganan respons**: API menerima respons AI dan dapat memodifikasinya jika diperlukan
6. **Tampilan frontend**: JavaScript menampilkan respons di antarmuka chat
### Memahami Arsitektur API
```mermaid
sequenceDiagram
participant Frontend
participant FastAPI
participant AI Function
participant GitHub Models
Frontend->>FastAPI: POST /hello {"message": "Hello AI!"}
FastAPI->>AI Function: call_llm(message, system_prompt)
AI Function->>GitHub Models: API request
GitHub Models->>AI Function: AI response
AI Function->>FastAPI: response text
FastAPI->>Frontend: {"response": "Hello! How can I help?"}
```
### Membuat Aplikasi FastAPI
Mari kita bangun API kita langkah demi langkah. Buat file bernama `api.py` dengan kode FastAPI berikut:
```python
# api.py
from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel
from llm import call_llm
import logging
# Configure logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
# Create FastAPI application
app = FastAPI(
title="AI Chat API",
description="A high-performance API for AI-powered chat applications",
version="1.0.0"
)
# Configure CORS
app.add_middleware(
CORSMiddleware,
allow_origins=["*"], # Configure appropriately for production
allow_credentials=True,
allow_methods=["*"],
allow_headers=["*"],
)
# Pydantic models for request/response validation
class ChatMessage(BaseModel):
message: str
class ChatResponse(BaseModel):
response: str
@app.get("/")
async def root():
"""Root endpoint providing API information."""
return {
"message": "Welcome to the AI Chat API",
"docs": "/docs",
"health": "/health"
}
@app.get("/health")
async def health_check():
"""Health check endpoint."""
return {"status": "healthy", "service": "ai-chat-api"}
@app.post("/hello", response_model=ChatResponse)
async def chat_endpoint(chat_message: ChatMessage):
"""Main chat endpoint that processes messages and returns AI responses."""
try:
# Extract and validate message
message = chat_message.message.strip()
if not message:
raise HTTPException(status_code=400, detail="Message cannot be empty")
logger.info(f"Processing message: {message[:50]}...")
# Call AI service (note: call_llm should be made async for better performance)
ai_response = await call_llm_async(message, "You are a helpful and friendly assistant.")
logger.info("AI response generated successfully")
return ChatResponse(response=ai_response)
except HTTPException:
raise
except Exception as e:
logger.error(f"Error processing chat message: {str(e)}")
raise HTTPException(status_code=500, detail="Internal server error")
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=5000, reload=True)
```
**Memahami implementasi FastAPI:**
- **Mengimpor** FastAPI untuk fungsionalitas framework web modern dan Pydantic untuk validasi data
- **Membuat** dokumentasi API otomatis (tersedia di `/docs` saat server berjalan)
- **Mengaktifkan** middleware CORS untuk memungkinkan permintaan frontend dari asal yang berbeda
- **Mendefinisikan** model Pydantic untuk validasi dan dokumentasi permintaan/respons otomatis
- **Menggunakan** endpoint async untuk kinerja yang lebih baik dengan permintaan bersamaan
- **Mengimplementasikan** kode status HTTP yang tepat dan penanganan kesalahan dengan HTTPException
- **Menyertakan** logging terstruktur untuk pemantauan dan debugging
- **Menyediakan** endpoint pemeriksaan kesehatan untuk memantau status layanan
**Keunggulan utama FastAPI dibandingkan framework tradisional:**
- **Validasi otomatis**: Model Pydantic memastikan integritas data sebelum diproses
- **Dokumentasi interaktif**: Kunjungi `/docs` untuk dokumentasi API yang dibuat otomatis dan dapat diuji
- **Keamanan tipe**: Petunjuk tipe Python mencegah kesalahan runtime dan meningkatkan kualitas kode
- **Dukungan async**: Menangani banyak permintaan AI secara bersamaan tanpa hambatan
- **Performa**: Pemrosesan permintaan yang jauh lebih cepat untuk aplikasi real-time
### Memahami CORS: Penjaga Keamanan Web
CORS (Cross-Origin Resource Sharing) seperti penjaga keamanan di sebuah gedung yang memeriksa apakah pengunjung diizinkan masuk. Mari kita pahami mengapa ini penting dan bagaimana pengaruhnya terhadap aplikasi Anda.
#### Apa itu CORS dan Mengapa Ada?
**Masalahnya**: Bayangkan jika situs web mana pun dapat membuat permintaan ke situs web bank Anda atas nama Anda tanpa izin. Itu akan menjadi mimpi buruk keamanan! Browser mencegah ini secara default melalui "Kebijakan Same-Origin."
**Kebijakan Same-Origin**: Browser hanya mengizinkan halaman web untuk membuat permintaan ke domain, port, dan protokol yang sama dari mana mereka dimuat.
**Analogi dunia nyata**: Ini seperti keamanan gedung apartemen – hanya penghuni (asal yang sama) yang dapat mengakses gedung secara default. Jika Anda ingin membiarkan teman (asal yang berbeda) berkunjung, Anda harus secara eksplisit memberi tahu keamanan bahwa itu diperbolehkan.
#### CORS di Lingkungan Pengembangan Anda
Selama pengembangan, frontend dan backend Anda berjalan di port yang berbeda:
- Frontend: `http://localhost:3000` (atau file:// jika membuka HTML langsung)
- Backend: `http://localhost:5000`
Ini dianggap sebagai "asal yang berbeda" meskipun berada di komputer yang sama!
```python
from fastapi.middleware.cors import CORSMiddleware
app = FastAPI(__name__)
CORS(app) # This tells browsers: "It's okay for other origins to make requests to this API"
```
**Apa yang dilakukan konfigurasi CORS dalam praktiknya:**
- **Menambahkan** header HTTP khusus ke respons API yang memberi tahu browser "permintaan lintas asal ini diizinkan"
- **Menangani** permintaan "preflight" (browser terkadang memeriksa izin sebelum mengirimkan permintaan sebenarnya)
- **Mencegah** kesalahan "diblokir oleh kebijakan CORS" yang ditakuti di konsol browser Anda
#### Keamanan CORS: Pengembangan vs Produksi
```python
# 🚨 Development: Allows ALL origins (convenient but insecure)
CORS(app)
# ✅ Production: Only allow your specific frontend domain
CORS(app, origins=["https://yourdomain.com", "https://www.yourdomain.com"])
# 🔒 Advanced: Different origins for different environments
if app.debug: # Development mode
CORS(app, origins=["http://localhost:3000", "http://127.0.0.1:3000"])
else: # Production mode
CORS(app, origins=["https://yourdomain.com"])
```
**Mengapa ini penting**: Dalam pengembangan, `CORS(app)` seperti membiarkan pintu depan Anda tidak terkunci – nyaman tetapi tidak aman. Dalam produksi, Anda ingin menentukan dengan tepat situs web mana yang dapat berbicara dengan API Anda.
#### Skenario dan Solusi CORS Umum
| Skenario | Masalah | Solusi |
|----------|---------|----------|
| **Pengembangan Lokal** | Frontend tidak dapat mencapai backend | Tambahkan CORSMiddleware ke FastAPI |
| **GitHub Pages + Heroku** | Frontend yang diterapkan tidak dapat mencapai API | Tambahkan URL GitHub Pages Anda ke asal CORS |
| **Domain Kustom** | Kesalahan CORS di produksi | Perbarui asal CORS agar sesuai dengan domain Anda |
| **Aplikasi Mobile** | Aplikasi tidak dapat mencapai web API | Tambahkan domain aplikasi Anda atau gunakan `*` dengan hati-hati |
**Tips profesional**: Anda dapat memeriksa header CORS di Developer Tools browser Anda di tab Network. Cari header seperti `Access-Control-Allow-Origin` di respons.
### Penanganan Kesalahan dan Validasi
Perhatikan bagaimana API kita menyertakan penanganan kesalahan yang tepat:
```python
# Validate that we received a message
if not message:
return jsonify({"error": "Message field is required"}), 400
```
**Prinsip validasi utama:**
- **Memeriksa** bidang yang diperlukan sebelum memproses permintaan
- **Mengembalikan** pesan kesalahan yang bermakna dalam format JSON
- **Menggunakan** kode status HTTP yang sesuai (400 untuk permintaan buruk)
- **Memberikan** umpan balik yang jelas untuk membantu pengembang frontend memecahkan masalah
## Menyiapkan dan Menjalankan Backend Anda
Sekarang kita telah menyiapkan integrasi AI dan server FastAPI, mari kita jalankan semuanya. Proses pengaturan melibatkan instalasi dependensi Python, konfigurasi variabel lingkungan, dan memulai server pengembangan Anda.
### Pengaturan Lingkungan Python
Mari kita siapkan lingkungan pengembangan Python Anda. Lingkungan virtual seperti pendekatan terkompartementasi Proyek Manhattan – setiap proyek mendapatkan ruang terisolasi sendiri dengan alat dan dependensi spesifik, mencegah konflik antar proyek.
```bash
# Navigate to your backend directory
cd backend
# Create a virtual environment (like creating a clean room for your project)
python -m venv venv
# Activate it (Linux/Mac)
source ./venv/bin/activate
# On Windows, use:
# venv\Scripts\activate
# Install the good stuff
pip install openai fastapi uvicorn python-dotenv
```
**Apa yang baru saja kita lakukan:**
- **Membuat** gelembung Python kita sendiri di mana kita dapat menginstal paket tanpa memengaruhi apa pun
- **Mengaktifkan** sehingga terminal kita tahu untuk menggunakan lingkungan spesifik ini
- **Menginstal** kebutuhan dasar: OpenAI untuk keajaiban AI, FastAPI untuk web API kita, Uvicorn untuk menjalankannya, dan python-dotenv untuk pengelolaan rahasia yang aman
**Penjelasan dependensi utama:**
- **FastAPI**: Framework web modern dan cepat dengan dokumentasi API otomatis
- **Uvicorn**: Server ASGI yang sangat cepat untuk menjalankan aplikasi FastAPI
- **OpenAI**: Library resmi untuk integrasi Model GitHub dan API OpenAI
- **python-dotenv**: Memuat variabel lingkungan secara aman dari file .env
### Konfigurasi Lingkungan: Menjaga Rahasia Tetap Aman
Sebelum kita memulai API kita, kita perlu membahas salah satu pelajaran terpenting dalam pengembangan web: bagaimana menjaga rahasia Anda tetap benar-benar aman. Variabel lingkungan seperti brankas aman yang hanya dapat diakses oleh aplikasi Anda.
#### Apa Itu Variabel Lingkungan?
**Pikirkan variabel lingkungan seperti kotak deposit aman** – Anda meletakkan barang berharga Anda di sana, dan hanya Anda (dan aplikasi Anda) yang memiliki kunci untuk mengambilnya. Alih-alih menulis informasi sensitif langsung di kode Anda (di mana siapa pun dapat melihatnya), Anda menyimpannya dengan aman di lingkungan.
**Berikut perbedaannya:**
- **Cara yang salah**: Menulis kata sandi Anda di catatan tempel dan meletakkannya di monitor Anda
- **Cara yang benar**: Menyimpan kata sandi Anda di pengelola kata sandi yang aman yang hanya dapat Anda akses
#### Mengapa Variabel Lingkungan Penting
```python
# 🚨 NEVER DO THIS - API key visible to everyone
client = OpenAI(
api_key="ghp_1234567890abcdef...", # Anyone can steal this!
base_url="https://models.github.ai/inference"
)
# ✅ DO THIS - API key stored securely
client = OpenAI(
api_key=os.environ["GITHUB_TOKEN"], # Only your app can access this
base_url="https://models.github.ai/inference"
)
```
**Apa yang terjadi ketika Anda menulis rahasia di kode:**
1. **Paparan kontrol versi**: Siapa pun yang memiliki akses ke repositori Git Anda dapat melihat kunci API Anda
2. **Repositori publik**: Jika Anda mengunggah ke GitHub, kunci Anda terlihat oleh seluruh internet
3. **Berbagi tim**: Pengembang lain yang bekerja pada proyek Anda mendapatkan akses ke kunci API pribadi Anda
4. **Pelanggaran keamanan**: Jika seseorang mencuri kunci API Anda, mereka dapat menggunakan kredit AI Anda
#### Menyiapkan File Lingkungan Anda
Buat file `.env` di direktori backend Anda. File ini menyimpan rahasia Anda secara lokal:
```bash
# .env file - This should NEVER be committed to Git
GITHUB_TOKEN=your_github_personal_access_token_here
FASTAPI_DEBUG=True
ENVIRONMENT=development
```
**Memahami file .env:**
- **Satu rahasia per baris** dalam format `KEY=value`
- **Tidak ada spasi** di sekitar tanda sama dengan
- **Tidak perlu tanda kutip** di sekitar nilai (biasanya)
- **Komentar** dimulai dengan `#`
#### Membuat Token Akses Pribadi GitHub Anda
Token GitHub Anda seperti kata sandi khusus yang memberi aplikasi Anda izin untuk menggunakan layanan AI GitHub:
**Langkah-langkah pembuatan token:**
1. **Pergi ke Pengaturan GitHub** → Pengaturan pengembang → Token akses pribadi → Token (klasik)
2. **Klik "Generate new token (classic)"**
3. **Tetapkan masa berlaku** (30 hari untuk pengujian, lebih lama untuk produksi)
4. **Pilih cakupan**: Centang "repo" dan izin lain yang Anda butuhkan
5. **Buat token** dan salin segera (Anda tidak dapat melihatnya lagi!)
6. **Tempelkan ke file .env Anda**
```bash
# Example of what your token looks like (this is fake!)
GITHUB_TOKEN=ghp_1A2B3C4D5E6F7G8H9I0J1K2L3M4N5O6P7Q8R
```
#### Memuat Variabel Lingkungan di Python
```python
import os
from dotenv import load_dotenv
# Load environment variables from .env file
load_dotenv()
# Now you can access them securely
api_key = os.environ.get("GITHUB_TOKEN")
if not api_key:
raise ValueError("GITHUB_TOKEN not found in environment variables!")
client = OpenAI(
api_key=api_key,
base_url="https://models.github.ai/inference"
)
```
**Apa yang dilakukan kode ini:**
- **Memuat** file .env Anda dan membuat variabel tersedia untuk Python
- **Memeriksa** apakah token yang diperlukan ada (penanganan kesalahan yang baik!)
- **Menghasilkan** kesalahan yang jelas jika token hilang
- **Menggunakan** token secara aman tanpa mengeksposnya di kode
#### Keamanan Git: File .gitignore
File `.gitignore` Anda memberi tahu Git file mana yang tidak boleh dilacak atau diunggah:
```bash
# .gitignore - Add these lines
.env
*.env
.env.local
.env.production
__pycache__/
venv/
.vscode/
```
**Mengapa ini penting**: Setelah Anda menambahkan `.env` ke `.gitignore`, Git akan mengabaikan file lingkungan Anda, mencegah Anda secara tidak sengaja mengunggah rahasia Anda ke GitHub.
#### Lingkungan yang Berbeda, Rahasia yang Berbeda
Aplikasi profesional menggunakan kunci API yang berbeda untuk lingkungan yang berbeda:
```bash
# .env.development
GITHUB_TOKEN=your_development_token
DEBUG=True
# .env.production
GITHUB_TOKEN=your_production_token
DEBUG=False
```
**Mengapa ini penting**: Anda tidak ingin eksperimen pengembangan Anda memengaruhi kuota penggunaan AI produksi Anda, dan Anda menginginkan tingkat keamanan yang berbeda untuk lingkungan yang berbeda.
### Memulai Server Pengembangan Anda: Menghidupkan FastAPI Anda
Sekarang saatnya momen yang mendebarkan – memulai server pengembangan FastAPI Anda dan melihat integrasi AI Anda hidup! FastAPI menggunakan Uvicorn, server ASGI yang sangat cepat yang dirancang khusus untuk aplikasi Python async.
#### Memahami Proses Startup Server FastAPI
```bash
# Method 1: Direct Python execution (includes auto-reload)
python api.py
# Method 2: Using Uvicorn directly (more control)
uvicorn api:app --host 0.0.0.0 --port 5000 --reload
```
Ketika Anda menjalankan perintah ini, berikut yang terjadi di balik layar:
**1. Python memuat aplikasi FastAPI Anda**:
- Mengimpor semua library yang diperlukan (FastAPI, Pydantic, OpenAI, dll.)
- Memuat variabel lingkungan dari file `.env` Anda
- Membuat instance aplikasi FastAPI dengan dokumentasi otomatis
**2. Uvicorn mengonfigurasi server ASGI**:
- Mengikat ke port 5000 dengan kemampuan penanganan permintaan async
- Menyiapkan pengaturan rute permintaan dengan validasi otomatis
- Mengaktifkan hot reload untuk pengembangan (restart saat file berubah)
- Menghasilkan dokumentasi API interaktif
**3. Server mulai mendengarkan**:
- Terminal Anda menunjukkan: `INFO: Uvicorn running on http://0.0.0.0:5000`
- Server dapat menangani banyak permintaan AI secara bersamaan
- API Anda siap dengan dokumentasi otomatis di `http://localhost:5000/docs`
#### Apa yang Harus Anda Lihat Ketika Semuanya Berjalan
```bash
$ python api.py
INFO: Will watch for changes in these directories: ['/your/project/path']
INFO: Uvicorn running on http://0.0.0.0:5000 (Press CTRL+C to quit)
INFO: Started reloader process [12345] using WatchFiles
INFO: Started server process [12346]
INFO: Waiting for application startup.
INFO: Application startup complete.
```
**Memahami output FastAPI:**
- **Akan memantau perubahan**: Auto-reload diaktifkan untuk pengembangan
- **Uvicorn berjalan**: Server ASGI berperforma tinggi aktif
- **Proses reloader dimulai**: Pemantau file untuk restart otomatis
- **Startup aplikasi selesai**: Aplikasi FastAPI berhasil diinisialisasi
- **Dokumentasi interaktif tersedia**: Kunjungi `/docs` untuk dokumentasi API otomatis
#### Menguji FastAPI Anda: Berbagai Pendekatan yang Kuat
FastAPI menyediakan beberapa cara yang nyaman untuk menguji API Anda, termasuk dokumentasi interaktif otomatis:
**Metode 1: Dokumentasi API Interaktif (Direkomendasikan)**
1. Buka browser Anda dan pergi ke `http://localhost:5000/docs`
2. Anda akan melihat Swagger UI dengan semua endpoint Anda terdokumentasi
3. Klik pada `/hello` → "Try it out" → Masukkan pesan uji → "Execute"
4. Lihat respons langsung di browser dengan format yang tepat
**Metode 2: Tes Browser Dasar**
1. Pergi ke `http://localhost:5000` untuk endpoint root
2. Pergi ke `http://localhost:5000/health` untuk memeriksa kesehatan server
3. Ini mengonfirmasi bahwa server FastAPI Anda berjalan dengan baik
**Metode 2: Tes Command Line (Lanjutan)**
```bash
# Test with curl (if available)
curl -X POST http://localhost:5000/hello \
-H "Content-Type: application/json" \
-d '{"message": "Hello AI!"}'
# Expected response:
# {"response": "Hello! I'm your AI assistant. How can I help you today?"}
```
**Metode 3: Skrip Tes Python**
```python
# test_api.py - Create this file to test your API
import requests
import json
# Test the API endpoint
url = "http://localhost:5000/hello"
data = {"message": "Tell me a joke about programming"}
response = requests.post(url, json=data)
if response.status_code == 200:
result = response.json()
print("AI Response:", result['response'])
else:
print("Error:", response.status_code, response.text)
```
#### Memecahkan Masalah Umum Saat Startup
| Pesan Error | Artinya | Cara Memperbaiki |
|-------------|---------|------------------|
| `ModuleNotFoundError: No module named 'fastapi'` | FastAPI belum terinstal | Jalankan `pip install fastapi uvicorn` di lingkungan virtual Anda |
| `ModuleNotFoundError: No module named 'uvicorn'` | Server ASGI belum terinstal | Jalankan `pip install uvicorn` di lingkungan virtual Anda |
| `KeyError: 'GITHUB_TOKEN'` | Variabel lingkungan tidak ditemukan | Periksa file `.env` Anda dan panggilan `load_dotenv()` |
| `Address already in use` | Port 5000 sedang digunakan | Matikan proses lain yang menggunakan port 5000 atau ubah portnya |
| `ValidationError` | Data permintaan tidak sesuai dengan model Pydantic | Periksa format permintaan Anda agar sesuai dengan skema yang diharapkan |
| `HTTPException 422` | Entitas tidak dapat diproses | Validasi permintaan gagal, periksa `/docs` untuk format yang benar |
| `OpenAI API error` | Autentikasi layanan AI gagal | Pastikan token GitHub Anda benar dan memiliki izin yang sesuai |
#### Praktik Terbaik dalam Pengembangan
**Hot Reloading**: FastAPI dengan Uvicorn menyediakan fitur reload otomatis saat Anda menyimpan perubahan pada file Python Anda. Ini berarti Anda dapat langsung menguji kode tanpa harus memulai ulang secara manual.
```python
# Enable hot reloading explicitly
if __name__ == "__main__":
app.run(host="0.0.0.0", port=5000, debug=True) # debug=True enables hot reload
```
**Logging untuk Pengembangan**: Tambahkan logging untuk memahami apa yang terjadi:
```python
import logging
# Set up logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
@app.route("/hello", methods=["POST"])
def hello():
data = request.get_json()
message = data.get("message", "")
logger.info(f"Received message: {message}")
if not message:
logger.warning("Empty message received")
return jsonify({"error": "Message field is required"}), 400
try:
response = call_llm(message, "You are a helpful and friendly assistant.")
logger.info(f"AI response generated successfully")
return jsonify({"response": response})
except Exception as e:
logger.error(f"AI API error: {str(e)}")
return jsonify({"error": "AI service temporarily unavailable"}), 500
```
**Mengapa logging membantu**: Selama pengembangan, Anda dapat melihat dengan tepat permintaan apa yang masuk, bagaimana AI merespons, dan di mana kesalahan terjadi. Ini membuat proses debugging jauh lebih cepat.
### Konfigurasi untuk GitHub Codespaces: Pengembangan Cloud yang Mudah
GitHub Codespaces seperti memiliki komputer pengembangan yang kuat di cloud yang dapat Anda akses dari browser mana saja. Jika Anda bekerja di Codespaces, ada beberapa langkah tambahan untuk membuat backend Anda dapat diakses oleh frontend.
#### Memahami Jaringan Codespaces
Di lingkungan pengembangan lokal, semuanya berjalan di komputer yang sama:
- Backend: `http://localhost:5000`
- Frontend: `http://localhost:3000` (atau file://)
Di Codespaces, lingkungan pengembangan Anda berjalan di server GitHub, sehingga "localhost" memiliki arti yang berbeda. GitHub secara otomatis membuat URL publik untuk layanan Anda, tetapi Anda perlu mengkonfigurasinya dengan benar.
#### Langkah-Langkah Konfigurasi Codespaces
**1. Mulai server backend Anda**:
```bash
cd backend
python api.py
```
Anda akan melihat pesan startup FastAPI/Uvicorn yang sudah dikenal, tetapi perhatikan bahwa ini berjalan di dalam lingkungan Codespace.
**2. Konfigurasi visibilitas port**:
- Cari tab "Ports" di panel bawah VS Code
- Temukan port 5000 dalam daftar
- Klik kanan pada port 5000
- Pilih "Port Visibility" → "Public"
**Mengapa membuatnya publik?** Secara default, port Codespace bersifat privat (hanya dapat diakses oleh Anda). Membuatnya publik memungkinkan frontend Anda (yang berjalan di browser) berkomunikasi dengan backend Anda.
**3. Dapatkan URL publik Anda**:
Setelah membuat port publik, Anda akan melihat URL seperti:
```
https://your-codespace-name-5000.app.github.dev
```
**4. Perbarui konfigurasi frontend Anda**:
```javascript
// In your frontend app.js, update the BASE_URL:
this.BASE_URL = "https://your-codespace-name-5000.app.github.dev";
```
#### Memahami URL Codespace
URL Codespace mengikuti pola yang dapat diprediksi:
```
https://[codespace-name]-[port].app.github.dev
```
**Penjelasan:**
- `codespace-name`: Identifier unik untuk Codespace Anda (biasanya termasuk nama pengguna Anda)
- `port`: Nomor port tempat layanan Anda berjalan (5000 untuk aplikasi FastAPI kita)
- `app.github.dev`: Domain GitHub untuk aplikasi Codespace
#### Menguji Pengaturan Codespace Anda
**1. Uji backend secara langsung**:
Buka URL publik Anda di tab browser baru. Anda seharusnya melihat:
```
Welcome to the AI Chat API. Send POST requests to /hello with JSON payload containing 'message' field.
```
**2. Uji dengan alat pengembang browser**:
```javascript
// Open browser console and test your API
fetch('https://your-codespace-name-5000.app.github.dev/hello', {
method: 'POST',
headers: {'Content-Type': 'application/json'},
body: JSON.stringify({message: 'Hello from Codespaces!'})
})
.then(response => response.json())
.then(data => console.log(data));
```
#### Codespaces vs Pengembangan Lokal
| Aspek | Pengembangan Lokal | GitHub Codespaces |
|-------|--------------------|-------------------|
| **Waktu Setup** | Lebih lama (instal Python, dependensi) | Instan (lingkungan sudah dikonfigurasi) |
| **Akses URL** | `http://localhost:5000` | `https://xyz-5000.app.github.dev` |
| **Konfigurasi Port** | Otomatis | Manual (buat port publik) |
| **Persistensi File** | Mesin lokal | Repository GitHub |
| **Kolaborasi** | Sulit berbagi lingkungan | Mudah berbagi tautan Codespace |
| **Ketergantungan Internet** | Hanya untuk panggilan API AI | Diperlukan untuk semuanya |
#### Tips Pengembangan di Codespace
**Variabel Lingkungan di Codespaces**:
File `.env` Anda bekerja dengan cara yang sama di Codespaces, tetapi Anda juga dapat mengatur variabel lingkungan langsung di Codespace:
```bash
# Set environment variable for the current session
export GITHUB_TOKEN="your_token_here"
# Or add to your .bashrc for persistence
echo 'export GITHUB_TOKEN="your_token_here"' >> ~/.bashrc
```
**Manajemen Port**:
- Codespaces secara otomatis mendeteksi saat aplikasi Anda mulai mendengarkan di port
- Anda dapat meneruskan beberapa port secara bersamaan (berguna jika Anda menambahkan database nanti)
- Port tetap dapat diakses selama Codespace Anda berjalan
**Alur Kerja Pengembangan**:
1. Lakukan perubahan kode di VS Code
2. FastAPI auto-reload (berkat mode reload Uvicorn)
3. Uji perubahan langsung melalui URL publik
4. Commit dan push saat siap
> 💡 **Tip Pro**: Tandai URL backend Codespace Anda selama pengembangan. Karena nama Codespace stabil, URL tidak akan berubah selama Anda menggunakan Codespace yang sama.
## Membuat Antarmuka Chat Frontend: Tempat Manusia Bertemu AI
Sekarang kita akan membangun antarmuka pengguna – bagian yang menentukan bagaimana orang berinteraksi dengan asisten AI Anda. Seperti desain antarmuka iPhone asli, kita fokus pada membuat teknologi kompleks terasa intuitif dan mudah digunakan.
### Memahami Arsitektur Frontend Modern
Antarmuka chat kita akan menjadi apa yang disebut "Single Page Application" atau SPA. Alih-alih pendekatan lama di mana setiap klik memuat halaman baru, aplikasi kita akan memperbarui dengan mulus dan instan:
**Website lama**: Seperti membaca buku fisik – Anda membalik ke halaman yang benar-benar baru
**Aplikasi chat kita**: Seperti menggunakan ponsel Anda – semuanya mengalir dan diperbarui dengan lancar
```mermaid
graph TD
A[User Types Message] --> B[JavaScript Captures Input]
B --> C[Validate & Format Data]
C --> D[Send to Backend API]
D --> E[Display Loading State]
E --> F[Receive AI Response]
F --> G[Update Chat Interface]
G --> H[Ready for Next Message]
```
### Tiga Pilar Pengembangan Frontend
Setiap aplikasi frontend – dari website sederhana hingga aplikasi kompleks seperti Discord atau Slack – dibangun di atas tiga teknologi inti. Anggaplah mereka sebagai fondasi dari semua yang Anda lihat dan interaksi di web:
**HTML (Struktur)**: Ini adalah fondasi Anda
- Menentukan elemen apa yang ada (tombol, area teks, kontainer)
- Memberikan makna pada konten (ini adalah header, ini adalah formulir, dll.)
- Membuat struktur dasar yang menjadi dasar segalanya
**CSS (Presentasi)**: Ini adalah desainer interior Anda
- Membuat semuanya terlihat indah (warna, font, tata letak)
- Menangani berbagai ukuran layar (ponsel vs laptop vs tablet)
- Membuat animasi yang halus dan umpan balik visual
**JavaScript (Perilaku)**: Ini adalah otak Anda
- Merespons apa yang dilakukan pengguna (klik, mengetik, menggulir)
- Berkomunikasi dengan backend Anda dan memperbarui halaman
- Membuat semuanya interaktif dan dinamis
**Anggaplah seperti desain arsitektur:**
- **HTML**: Cetak biru struktural (mendefinisikan ruang dan hubungan)
- **CSS**: Desain estetika dan lingkungan (gaya visual dan pengalaman pengguna)
- **JavaScript**: Sistem mekanis (fungsi dan interaktivitas)
### Mengapa Arsitektur JavaScript Modern Penting
Aplikasi chat kita akan menggunakan pola JavaScript modern yang akan Anda lihat di aplikasi profesional. Memahami konsep-konsep ini akan membantu Anda berkembang sebagai pengembang:
**Arsitektur Berbasis Kelas**: Kita akan mengorganisasi kode kita ke dalam kelas, seperti membuat cetak biru untuk objek
**Async/Await**: Cara modern untuk menangani operasi yang memakan waktu (seperti panggilan API)
**Pemrograman Berbasis Event**: Aplikasi kita merespons tindakan pengguna (klik, penekanan tombol) daripada berjalan dalam loop
**Manipulasi DOM**: Memperbarui konten halaman web secara dinamis berdasarkan interaksi pengguna dan respons API
### Pengaturan Struktur Proyek
Buat direktori frontend dengan struktur yang terorganisasi ini:
```text
frontend/
├── index.html # Main HTML structure
├── app.js # JavaScript functionality
└── styles.css # Visual styling
```
**Memahami arsitektur:**
- **Memisahkan** perhatian antara struktur (HTML), perilaku (JavaScript), dan presentasi (CSS)
- **Mempertahankan** struktur file sederhana yang mudah dinavigasi dan dimodifikasi
- **Mengikuti** praktik terbaik pengembangan web untuk organisasi dan pemeliharaan
### Membangun Fondasi HTML: Struktur Semantik untuk Aksesibilitas
Mari kita mulai dengan struktur HTML. Pengembangan web modern menekankan "HTML semantik" – menggunakan elemen HTML yang dengan jelas menggambarkan tujuannya, bukan hanya tampilannya. Ini membuat aplikasi Anda dapat diakses oleh pembaca layar, mesin pencari, dan alat lainnya.
**Mengapa HTML semantik penting**: Bayangkan menjelaskan aplikasi chat Anda kepada seseorang melalui telepon. Anda akan mengatakan "ada header dengan judul, area utama tempat percakapan muncul, dan formulir di bagian bawah untuk mengetik pesan." HTML semantik menggunakan elemen yang sesuai dengan deskripsi alami ini.
Buat `index.html` dengan markup yang terstruktur dengan baik ini:
```html
AI Chat Assistant
AI Chat Assistant
Ask me anything!
```
**Memahami setiap elemen HTML dan tujuannya:**
#### Struktur Dokumen
- **``**: Memberitahu browser bahwa ini adalah HTML5 modern
- **``**: Menentukan bahasa halaman untuk pembaca layar dan alat terjemahan
- **``**: Memastikan pengkodean karakter yang tepat untuk teks internasional
- **``**: Membuat halaman responsif untuk perangkat seluler dengan mengontrol zoom dan skala
#### Elemen Semantik
- **``**: Dengan jelas mengidentifikasi bagian atas dengan judul dan deskripsi
- **``**: Menunjukkan area konten utama (tempat percakapan terjadi)
- **`