softchris
826e79ce56
|
4 weeks ago | |
|---|---|---|
| .. | ||
| solution | 1 month ago | |
| README.md | 4 weeks ago | |
README.md
Bouw een Chat Assistent met AI
Herinner je je in Star Trek hoe de bemanning casual met de boordcomputer praatte, complexe vragen stelde en doordachte antwoorden kreeg? Wat in de jaren '60 pure sciencefiction leek, kun je nu zelf bouwen met webtechnologieën die je al kent.
In deze les gaan we een AI-chatassistent maken met HTML, CSS, JavaScript en wat backend-integratie. Je zult ontdekken hoe de vaardigheden die je hebt geleerd, kunnen worden verbonden met krachtige AI-diensten die context begrijpen en zinvolle antwoorden genereren.
Denk aan AI als toegang tot een enorme bibliotheek die niet alleen informatie kan vinden, maar ook kan synthetiseren tot coherente antwoorden die zijn afgestemd op jouw specifieke vragen. In plaats van duizenden pagina's door te zoeken, krijg je directe, contextuele antwoorden.
De integratie gebeurt via bekende webtechnologieën die samenwerken. HTML creëert de chatinterface, CSS verzorgt het visuele ontwerp, JavaScript beheert gebruikersinteracties en een backend-API verbindt alles met AI-diensten. Het is vergelijkbaar met hoe verschillende secties van een orkest samenwerken om een symfonie te creëren.
We bouwen in feite een brug tussen natuurlijke menselijke communicatie en machineverwerking. Je leert zowel de technische implementatie van AI-dienstintegratie als de ontwerpprincipes die interacties intuïtief maken.
Aan het einde van deze les voelt AI-integratie minder als een mysterieus proces en meer als een andere API waarmee je kunt werken. Je zult de fundamentele patronen begrijpen die toepassingen zoals ChatGPT en Claude aandrijven, met behulp van dezelfde webontwikkelingsprincipes die je hebt geleerd.
⚡ Wat je in de komende 5 minuten kunt doen
Snelle start voor drukke ontwikkelaars
flowchart LR
A[⚡ 5 minutes] --> B[Get GitHub token]
B --> C[Test AI playground]
C --> D[Copy Python code]
D --> E[See AI responses]
- Minuut 1: Bezoek GitHub Models Playground en maak een persoonlijke toegangstoken aan
- Minuut 2: Test AI-interacties direct in de playground-interface
- Minuut 3: Klik op het tabblad "Code" en kopieer de Python-code
- Minuut 4: Voer de code lokaal uit met je token:
GITHUB_TOKEN=your_token python test.py - Minuut 5: Bekijk hoe je eerste AI-reactie wordt gegenereerd vanuit je eigen code
Snelle testcode:
import os
from openai import OpenAI
client = OpenAI(
base_url="https://models.github.ai/inference",
api_key="your_token_here"
)
response = client.chat.completions.create(
messages=[{"role": "user", "content": "Hello AI!"}],
model="openai/gpt-4o-mini"
)
print(response.choices[0].message.content)
Waarom dit belangrijk is: In 5 minuten ervaar je de magie van programmatische AI-interactie. Dit vormt de fundamentele bouwsteen die elke AI-toepassing aandrijft die je gebruikt.
Zo ziet je voltooide project eruit:
🗺️ Jouw leertraject door AI-toepassingsontwikkeling
journey
title From Web Development to AI Integration
section Understanding AI Foundations
Discover generative AI concepts: 4: You
Explore GitHub Models platform: 6: You
Master AI parameters and prompts: 8: You
section Backend Integration
Build Python API server: 5: You
Implement AI function calls: 7: You
Handle async operations: 8: You
section Frontend Development
Create modern chat interface: 6: You
Master real-time interactions: 8: You
Build responsive user experience: 9: You
section Professional Application
Deploy complete AI system: 7: You
Optimize performance patterns: 8: You
Create production-ready app: 9: You
Jouw eindbestemming: Aan het einde van deze les heb je een complete AI-aangedreven toepassing gebouwd met dezelfde technologieën en patronen die moderne AI-assistenten zoals ChatGPT, Claude en Google Bard aandrijven.
AI begrijpen: van mysterie naar meesterschap
Voordat we in de code duiken, laten we begrijpen waar we mee werken. Als je eerder met API's hebt gewerkt, ken je het basispatroon: een verzoek sturen, een antwoord ontvangen.
AI-API's volgen een vergelijkbare structuur, maar in plaats van vooraf opgeslagen gegevens uit een database op te halen, genereren ze nieuwe antwoorden op basis van patronen die zijn geleerd uit enorme hoeveelheden tekst. Denk aan het verschil tussen een bibliotheekcatalogussysteem en een deskundige bibliothecaris die informatie uit meerdere bronnen kan synthetiseren.
Wat is "Generatieve AI" eigenlijk?
Denk aan hoe de Steen van Rosetta geleerden in staat stelde Egyptische hiërogliefen te begrijpen door patronen te vinden tussen bekende en onbekende talen. AI-modellen werken op een vergelijkbare manier – ze vinden patronen in enorme hoeveelheden tekst om te begrijpen hoe taal werkt en gebruiken die patronen vervolgens om passende antwoorden te genereren op nieuwe vragen.
Laat me dit uitleggen met een eenvoudige vergelijking:
- Traditionele database: Zoals vragen om je geboorteakte – je krijgt elke keer exact hetzelfde document
- Zoekmachine: Zoals een bibliothecaris vragen om boeken over katten – ze laten je zien wat beschikbaar is
- Generatieve AI: Zoals een deskundige vriend vragen over katten – ze vertellen je interessante dingen in hun eigen woorden, afgestemd op wat je wilt weten
graph LR
A[Your Question] --> B[AI Model]
B --> C[Pattern Recognition]
C --> D[Content Generation]
D --> E[Contextual Response]
F[Training Data<br/>Books, Articles, Web] --> B
Hoe leren AI-modellen (de eenvoudige versie)
AI-modellen leren door blootstelling aan enorme datasets met tekst uit boeken, artikelen en gesprekken. Door dit proces identificeren ze patronen in:
- Hoe gedachten worden gestructureerd in geschreven communicatie
- Welke woorden vaak samen voorkomen
- Hoe gesprekken meestal verlopen
- Contextuele verschillen tussen formele en informele communicatie
Het is vergelijkbaar met hoe archeologen oude talen ontcijferen: ze analyseren duizenden voorbeelden om grammatica, woordenschat en culturele context te begrijpen, en worden uiteindelijk in staat om nieuwe teksten te interpreteren met behulp van die geleerde patronen.
Waarom GitHub Models?
We gebruiken GitHub Models om een vrij praktische reden – het geeft ons toegang tot AI op ondernemingsniveau zonder dat we onze eigen AI-infrastructuur hoeven op te zetten (wat je nu echt niet wilt doen!). Denk eraan als het gebruik van een weer-API in plaats van zelf het weer te proberen voorspellen door overal weerstations op te zetten.
Het is in feite "AI-as-a-Service", en het beste deel? Het is gratis om te beginnen, zodat je kunt experimenteren zonder je zorgen te maken over hoge kosten.
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
We zullen GitHub Models gebruiken voor onze backend-integratie, die toegang biedt tot professionele AI-mogelijkheden via een gebruiksvriendelijke interface voor ontwikkelaars. De GitHub Models Playground dient als een testomgeving waar je kunt experimenteren met verschillende AI-modellen en hun mogelijkheden kunt begrijpen voordat je ze implementeert in code.
🧠 Ecosysteem voor AI-toepassingsontwikkeling
mindmap
root((AI Development))
Understanding AI
Generative Models
Pattern Recognition
Content Generation
Context Understanding
Response Synthesis
AI Parameters
Temperature Control
Token Limits
Top-p Filtering
System Prompts
Backend Architecture
API Integration
GitHub Models
Authentication
Request Handling
Error Management
Python Infrastructure
FastAPI Framework
Async Operations
Environment Security
CORS Configuration
Frontend Experience
Chat Interface
Real-time Updates
Message History
User Feedback
Loading States
Modern Web Tech
ES6 Classes
Async/Await
DOM Manipulation
Event Handling
Professional Patterns
Security Best Practices
Token Management
Input Validation
XSS Prevention
Error Boundaries
Production Readiness
Performance Optimization
Responsive Design
Accessibility
Testing Strategies
Kernprincipe: AI-toepassingsontwikkeling combineert traditionele webontwikkelingsvaardigheden met AI-dienstintegratie, waardoor intelligente toepassingen ontstaan die natuurlijk en responsief aanvoelen voor gebruikers.
Waarom de playground zo handig is:
- Probeer verschillende AI-modellen zoals GPT-4o-mini, Claude en anderen (allemaal gratis!)
- Test je ideeën en prompts voordat je code schrijft
- Ontvang kant-en-klare codefragmenten in je favoriete programmeertaal
- Pas instellingen aan zoals creativiteitsniveau en antwoordlengte om te zien hoe ze de output beïnvloeden
Zodra je wat hebt geëxperimenteerd, klik je gewoon op het tabblad "Code" en kies je je programmeertaal om de implementatiecode te krijgen die je nodig hebt.
Het instellen van de Python backend-integratie
Laten we nu de AI-integratie implementeren met Python. Python is uitstekend geschikt voor AI-toepassingen vanwege de eenvoudige syntaxis en krachtige bibliotheken. We beginnen met de code van de GitHub Models playground en refactoren deze vervolgens tot een herbruikbare, productieklare functie.
Begrijpen van de basisimplementatie
Wanneer je de Python-code uit de playground haalt, krijg je iets dat er ongeveer zo uitziet. Maak je geen zorgen als het in het begin veel lijkt – laten we het stukje bij beetje doorlopen:
"""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"],
)
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)
Wat er gebeurt in deze code:
- We importeren de tools die we nodig hebben:
osvoor het lezen van omgevingsvariabelen enOpenAIvoor communicatie met de AI - We stellen de OpenAI-client in om te wijzen naar de AI-servers van GitHub in plaats van direct naar OpenAI
- We authenticeren met een speciale GitHub-token (daarover later meer!)
- We structureren ons gesprek met verschillende "rollen" – denk aan het instellen van de scène voor een toneelstuk
- We sturen ons verzoek naar de AI met enkele parameters voor fijne afstemming
- We halen de daadwerkelijke antwoordtekst uit alle gegevens die terugkomen
Begrijpen van berichtrollen: Het AI-gesprekskader
AI-gesprekken gebruiken een specifieke structuur met verschillende "rollen" die verschillende doelen dienen:
messages=[
{
"role": "system",
"content": "You are a helpful assistant who explains things simply."
},
{
"role": "user",
"content": "What is machine learning?"
}
]
Denk eraan als het regisseren van een toneelstuk:
- Systeemrol: Zoals toneelaanwijzingen voor een acteur – het vertelt de AI hoe te gedragen, welke persoonlijkheid te hebben en hoe te reageren
- Gebruikersrol: De daadwerkelijke vraag of boodschap van de persoon die je toepassing gebruikt
- Assistentrol: Het antwoord van de AI (je stuurt dit niet, maar het verschijnt in de gespreksgeschiedenis)
Praktijkvoorbeeld: Stel je voor dat je een vriend aan iemand op een feestje voorstelt:
- Systeembericht: "Dit is mijn vriend Sarah, ze is een dokter die geweldig is in het eenvoudig uitleggen van medische concepten"
- Gebruikersbericht: "Kun je uitleggen hoe vaccins werken?"
- Assistentantwoord: Sarah reageert als een vriendelijke dokter, niet als een advocaat of een chef-kok
Begrijpen van AI-parameters: Fijnafstelling van het responsgedrag
De numerieke parameters in AI-API-aanroepen bepalen hoe het model antwoorden genereert. Met deze instellingen kun je het gedrag van de AI aanpassen voor verschillende toepassingen:
Temperature (0.0 tot 2.0): De creativiteitsknop
Wat het doet: Bepaalt hoe creatief of voorspelbaar de antwoorden van de AI zullen zijn.
Denk eraan als het improvisatieniveau van een jazzmuzikant:
- Temperature = 0.1: Elke keer exact dezelfde melodie spelen (zeer voorspelbaar)
- Temperature = 0.7: Enkele smaakvolle variaties toevoegen terwijl het herkenbaar blijft (gebalanceerde creativiteit)
- Temperature = 1.5: Volledig experimentele jazz met onverwachte wendingen (zeer onvoorspelbaar)
# 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 tot 4096+): De lengtecontroller van het antwoord
Wat het doet: Stelt een limiet in voor hoe lang het antwoord van de AI kan zijn.
Denk aan tokens als ongeveer gelijk aan woorden (ongeveer 1 token = 0,75 woorden in het Engels):
- max_tokens=50: Kort en bondig (zoals een sms)
- max_tokens=500: Een mooie alinea of twee
- max_tokens=2000: Een gedetailleerde uitleg met voorbeelden
# 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 tot 1.0): De focusparameter
Wat het doet: Bepaalt hoe gefocust de AI blijft op de meest waarschijnlijke antwoorden.
Stel je voor dat de AI een enorme woordenschat heeft, gerangschikt op hoe waarschijnlijk elk woord is:
- top_p=0.1: Beschouwt alleen de top 10% meest waarschijnlijke woorden (zeer gefocust)
- top_p=0.9: Beschouwt 90% van de mogelijke woorden (meer creatief)
- top_p=1.0: Beschouwt alles (maximale variatie)
Bijvoorbeeld: Als je vraagt "De lucht is meestal..."
- Lage top_p: Zegt bijna zeker "blauw"
- Hoge top_p: Kan zeggen "blauw", "bewolkt", "uitgestrekt", "veranderlijk", "mooi", enz.
Alles samenvoegen: Parametercombinaties voor verschillende toepassingen
# 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
}
quadrantChart
title AI Parameter Optimization Matrix
x-axis Low Creativity --> High Creativity
y-axis Short Response --> Long Response
quadrant-1 Creative Content
quadrant-2 Detailed Analysis
quadrant-3 Quick Facts
quadrant-4 Conversational AI
Documentation Bot: [0.2, 0.3]
Customer Service: [0.4, 0.4]
General Assistant: [0.7, 0.5]
Creative Writer: [0.9, 0.9]
Brainstorming Tool: [0.8, 0.8]
Begrijpen waarom deze parameters belangrijk zijn: Verschillende toepassingen hebben verschillende soorten antwoorden nodig. Een klantenservicebot moet consistent en feitelijk zijn (lage temperatuur), terwijl een creatieve schrijfassistent fantasierijk en gevarieerd moet zijn (hoge temperatuur). Door deze parameters te begrijpen, krijg je controle over de persoonlijkheid en stijl van de AI.
**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))
Begrijpen van deze verbeterde functie:
- Accepteert twee parameters: de prompt van de gebruiker en een optioneel systeembericht
- Biedt een standaard systeembericht voor algemeen assistentgedrag
- Gebruikt juiste Python type hints voor betere code-documentatie
- Geeft alleen de inhoud van het antwoord terug, waardoor het gemakkelijk te gebruiken is in onze web-API
- Behoudt dezelfde modelparameters voor consistent AI-gedrag
De magie van systeemprompts: AI persoonlijkheid programmeren
Als parameters bepalen hoe de AI denkt, bepalen systeemprompts wie de AI denkt dat het is. Dit is eerlijk gezegd een van de coolste aspecten van werken met AI – je geeft de AI in wezen een complete persoonlijkheid, deskundigheidsniveau en communicatiestijl.
Denk aan systeemprompts als het casten van verschillende acteurs voor verschillende rollen: In plaats van één generieke assistent te hebben, kun je gespecialiseerde experts creëren voor verschillende situaties. Heb je een geduldige leraar nodig? Een creatieve brainstormpartner? Een zakelijke adviseur zonder poespas? Verander gewoon de systeemprompt!
Waarom systeemprompts zo krachtig zijn
Hier is het fascinerende deel: AI-modellen zijn getraind op talloze gesprekken waarin mensen verschillende rollen en deskundigheidsniveaus aannemen. Wanneer je de AI een specifieke rol geeft, is het alsof je een schakelaar omzet die al die geleerde patronen activeert.
Het is als method acting voor AI: Vertel een acteur "je bent een wijze oude professor" en kijk hoe ze automatisch hun houding, woordenschat en manieren aanpassen. AI doet iets opmerkelijk vergelijkbaars met taalpatronen.
Effectieve systeemprompts maken: De kunst en wetenschap
De anatomie van een geweldige systeemprompt:
- Rol/Identiteit: Wie is de AI?
- Deskundigheid: Wat weet de AI?
- Communicatiestijl: Hoe spreekt de AI?
- Specifieke instructies: Waar moet de AI zich op concentreren?
# ❌ 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."
Voorbeelden van systeemprompts met context
Laten we eens kijken hoe verschillende systeemprompts compleet verschillende AI-persoonlijkheden creëren:
# 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.
"""
Systeemprompts in actie zien
Laten we dezelfde vraag testen met verschillende systeemprompts om de dramatische verschillen te zien:
Vraag: "Hoe ga ik om met gebruikersauthenticatie in mijn webapp?"
# 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..."
Geavanceerde technieken voor systeemprompts
1. Context instellen: Geef de AI achtergrondinformatie
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. Output Formatting: Vertel de AI hoe antwoorden gestructureerd moeten worden
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. Constraint Setting: Definieer wat de AI NIET moet doen
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.
"""
Waarom Dit Belangrijk Is voor Jouw Chat Assistent
Het begrijpen van systeemprompts geeft je ongelooflijke kracht om gespecialiseerde AI-assistenten te creëren:
- Klantenservice bot: Behulpzaam, geduldig, bekend met beleid
- Leercoach: Aanmoedigend, stap-voor-stap, controleert begrip
- Creatieve partner: Fantasierijk, bouwt voort op ideeën, stelt vragen zoals "wat als?"
- Technisch expert: Nauwkeurig, gedetailleerd, bewust van beveiliging
De belangrijkste inzicht: Je roept niet zomaar een AI API aan – je creëert een op maat gemaakte AI-persoonlijkheid die jouw specifieke gebruiksdoel dient. Dit is wat moderne AI-toepassingen op maat en nuttig maakt in plaats van generiek.
🎯 Pedagogische Check-in: AI Persoonlijkheid Programmeren
Pauzeer en Reflecteer: Je hebt zojuist geleerd hoe je AI-persoonlijkheden programmeert via systeemprompts. Dit is een fundamentele vaardigheid in moderne AI-toepassingsontwikkeling.
Snelle Zelfbeoordeling:
- Kun je uitleggen hoe systeemprompts verschillen van gewone gebruikersberichten?
- Wat is het verschil tussen de parameters temperatuur en top_p?
- Hoe zou je een systeemprompt maken voor een specifiek gebruiksdoel (zoals een programmeercoach)?
Connectie met de echte wereld: De technieken voor systeemprompts die je hebt geleerd, worden gebruikt in elke grote AI-toepassing - van GitHub Copilot's programmeerassistentie tot ChatGPT's conversatie-interface. Je beheerst dezelfde patronen die worden gebruikt door AI-productteams bij grote technologiebedrijven.
Uitdaging Vraag: Hoe zou je verschillende AI-persoonlijkheden ontwerpen voor verschillende gebruikersgroepen (beginner versus expert)? Denk na over hoe hetzelfde onderliggende AI-model verschillende doelgroepen kan bedienen via prompt-engineering.
Het bouwen van de Web API met FastAPI: Jouw High-Performance AI Communicatie Hub
Laten we nu de backend bouwen die jouw frontend verbindt met AI-diensten. We gebruiken FastAPI, een modern Python-framework dat uitblinkt in het bouwen van API's voor AI-toepassingen.
FastAPI biedt verschillende voordelen voor dit type project: ingebouwde async-ondersteuning voor het verwerken van gelijktijdige verzoeken, automatische generatie van API-documentatie en uitstekende prestaties. Jouw FastAPI-server fungeert als een tussenpersoon die verzoeken van de frontend ontvangt, communiceert met AI-diensten en geformatteerde antwoorden retourneert.
Waarom FastAPI voor AI-toepassingen?
Je vraagt je misschien af: "Kan ik de AI niet gewoon rechtstreeks vanuit mijn frontend JavaScript aanroepen?" of "Waarom FastAPI in plaats van Flask of Django?" Goede vragen!
Hier is waarom FastAPI perfect is voor wat we bouwen:
- Async standaard: Kan meerdere AI-verzoeken tegelijk verwerken zonder vast te lopen
- Automatische documentatie: Bezoek
/docsen krijg gratis een prachtige, interactieve API-documentatiepagina - Ingebouwde validatie: Vangt fouten op voordat ze problemen veroorzaken
- Razendsnel: Een van de snelste Python-frameworks die er zijn
- Modern Python: Maakt gebruik van alle nieuwste en beste Python-functies
En hier is waarom we überhaupt een backend nodig hebben:
Beveiliging: Jouw AI API-sleutel is als een wachtwoord – als je het in frontend JavaScript plaatst, kan iedereen die de broncode van jouw website bekijkt het stelen en jouw AI-tegoed gebruiken. De backend houdt gevoelige gegevens veilig.
Rate Limiting & Controle: De backend stelt je in staat om te controleren hoe vaak gebruikers verzoeken kunnen indienen, gebruikersauthenticatie te implementeren en logging toe te voegen om gebruik bij te houden.
Gegevensverwerking: Je wilt misschien gesprekken opslaan, ongepaste inhoud filteren of meerdere AI-diensten combineren. De backend is waar deze logica leeft.
De architectuur lijkt op een client-servermodel:
- Frontend: Laag voor gebruikersinterface en interactie
- Backend API: Laag voor verzoekverwerking en routering
- AI-dienst: Externe berekening en responsgeneratie
- Omgevingsvariabelen: Veilige configuratie en opslag van inloggegevens
Begrijpen van de Verzoek-Respons Stroom
Laten we volgen wat er gebeurt wanneer een gebruiker een bericht verzendt:
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<br/>Adds system prompt
API->>AI: Sends formatted request
AI->>API: Returns AI response
Note over API: Processes response<br/>Logs conversation
API->>Frontend: {"response": "Hello! How can I help?"}
Frontend->>User: Displays AI message
Begrijpen van elke stap:
- Gebruikersinteractie: Persoon typt in de chatinterface
- Frontend verwerking: JavaScript vangt de invoer op en formatteert het als JSON
- API-validatie: FastAPI valideert automatisch het verzoek met behulp van Pydantic-modellen
- AI-integratie: Backend voegt context toe (systeemprompt) en roept de AI-dienst aan
- Responsverwerking: API ontvangt AI-respons en kan deze indien nodig aanpassen
- Frontend weergave: JavaScript toont de respons in de chatinterface
Begrijpen van API Architectuur
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?"}
flowchart TD
A[User Input] --> B[Frontend Validation]
B --> C[HTTP POST Request]
C --> D[FastAPI Router]
D --> E[Pydantic Validation]
E --> F[AI Function Call]
F --> G[GitHub Models API]
G --> H[Response Processing]
H --> I[JSON Response]
I --> J[Frontend Update]
subgraph "Security Layer"
K[CORS Middleware]
L[Environment Variables]
M[Error Handling]
end
D --> K
F --> L
H --> M
Het maken van de FastAPI Applicatie
Laten we onze API stap voor stap bouwen. Maak een bestand genaamd api.py met de volgende FastAPI-code:
# 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)
Begrijpen van de FastAPI-implementatie:
- Importeert FastAPI voor moderne webframeworkfunctionaliteit en Pydantic voor gegevensvalidatie
- Creëert automatische API-documentatie (beschikbaar op
/docswanneer de server draait) - Activeert CORS-middleware om frontend-verzoeken van verschillende oorsprongen toe te staan
- Definieert Pydantic-modellen voor automatische validatie en documentatie van verzoeken/responsen
- Gebruikt async endpoints voor betere prestaties bij gelijktijdige verzoeken
- Implementeert juiste HTTP-statuscodes en foutafhandeling met HTTPException
- Bevat gestructureerde logging voor monitoring en debugging
- Biedt een health check endpoint voor het monitoren van de status van de service
Belangrijke voordelen van FastAPI ten opzichte van traditionele frameworks:
- Automatische validatie: Pydantic-modellen zorgen voor gegevensintegriteit vóór verwerking
- Interactieve documentatie: Bezoek
/docsvoor automatisch gegenereerde, testbare API-documentatie - Typeveiligheid: Python type hints voorkomen runtime fouten en verbeteren de codekwaliteit
- Async ondersteuning: Verwerk meerdere AI-verzoeken tegelijkertijd zonder blokkering
- Prestaties: Significante snellere verzoekverwerking voor realtime toepassingen
Begrijpen van CORS: De Beveiligingsbewaker van het Web
CORS (Cross-Origin Resource Sharing) is als een beveiligingsbewaker bij een gebouw die controleert of bezoekers mogen binnenkomen. Laten we begrijpen waarom dit belangrijk is en hoe het jouw toepassing beïnvloedt.
Wat is CORS en Waarom Bestaat Het?
Het probleem: Stel je voor dat elke website verzoeken kan doen aan de website van jouw bank namens jou zonder jouw toestemming. Dat zou een beveiligingsnachtmerrie zijn! Browsers voorkomen dit standaard via het "Same-Origin Policy."
Same-Origin Policy: Browsers staan alleen toe dat webpagina's verzoeken doen naar dezelfde domein, poort en protocol waar ze vandaan zijn geladen.
Echte wereld analogie: Het is als de beveiliging van een appartementencomplex – alleen bewoners (zelfde oorsprong) kunnen standaard toegang krijgen tot het gebouw. Als je een vriend (andere oorsprong) wilt laten bezoeken, moet je expliciet aan de beveiliging vertellen dat het oké is.
CORS in Jouw Ontwikkelomgeving
Tijdens ontwikkeling draaien jouw frontend en backend op verschillende poorten:
- Frontend:
http://localhost:3000(of file:// als je HTML direct opent) - Backend:
http://localhost:5000
Deze worden beschouwd als "verschillende oorsprongen" hoewel ze op dezelfde computer staan!
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"
Wat CORS-configuratie in de praktijk doet:
- Voegt speciale HTTP-headers toe aan API-responsen die browsers vertellen "dit cross-origin verzoek is toegestaan"
- Verwerkt "preflight" verzoeken (browsers controleren soms permissies voordat ze het daadwerkelijke verzoek sturen)
- Voorkomt de gevreesde "geblokkeerd door CORS-beleid" fout in jouw browserconsole
CORS Beveiliging: Ontwikkeling versus Productie
# 🚨 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"])
Waarom dit belangrijk is: Tijdens ontwikkeling is CORS(app) als het open laten van je voordeur – handig maar niet veilig. In productie wil je precies specificeren welke websites met jouw API mogen communiceren.
Veelvoorkomende CORS-scenario's en oplossingen
| Scenario | Probleem | Oplossing |
|---|---|---|
| Lokale Ontwikkeling | Frontend kan backend niet bereiken | Voeg CORSMiddleware toe aan FastAPI |
| GitHub Pages + Heroku | Geïmplementeerde frontend kan API niet bereiken | Voeg jouw GitHub Pages URL toe aan CORS origins |
| Eigen Domein | CORS-fouten in productie | Werk CORS origins bij om overeen te komen met jouw domein |
| Mobiele App | App kan web API niet bereiken | Voeg het domein van jouw app toe of gebruik * voorzichtig |
Pro tip: Je kunt CORS-headers controleren in de Developer Tools van jouw browser onder het tabblad Netwerk. Zoek naar headers zoals Access-Control-Allow-Origin in de respons.
Foutafhandeling en Validatie
Let op hoe onze API correcte foutafhandeling bevat:
# Validate that we received a message
if not message:
return jsonify({"error": "Message field is required"}), 400
Belangrijke validatieprincipes:
- Controleert op vereiste velden vóór verwerking van verzoeken
- Retourneert betekenisvolle foutmeldingen in JSON-formaat
- Gebruikt geschikte HTTP-statuscodes (400 voor onjuiste verzoeken)
- Biedt duidelijke feedback om frontend-ontwikkelaars te helpen problemen op te lossen
Het instellen en uitvoeren van jouw backend
Nu we onze AI-integratie en FastAPI-server klaar hebben, laten we alles laten draaien. Het installatieproces omvat het installeren van Python-afhankelijkheden, het configureren van omgevingsvariabelen en het starten van jouw ontwikkelserver.
Python Ontwikkelomgeving Instellen
Laten we jouw Python-ontwikkelomgeving instellen. Virtuele omgevingen zijn als de compartimenten van het Manhattan Project – elk project krijgt zijn eigen geïsoleerde ruimte met specifieke tools en afhankelijkheden, waardoor conflicten tussen verschillende projecten worden voorkomen.
# 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
Wat we net hebben gedaan:
- Gemaakt onze eigen kleine Python-bubbel waar we pakketten kunnen installeren zonder andere projecten te beïnvloeden
- Geactiveerd zodat onze terminal weet dat deze specifieke omgeving moet worden gebruikt
- Geïnstalleerd de essentiële onderdelen: OpenAI voor AI-magic, FastAPI voor onze web-API, Uvicorn om het daadwerkelijk te draaien, en python-dotenv voor veilige geheimenbeheer
Belangrijke afhankelijkheden uitgelegd:
- FastAPI: Modern, snel webframework met automatische API-documentatie
- Uvicorn: Razendsnelle ASGI-server die FastAPI-applicaties uitvoert
- OpenAI: Officiële bibliotheek voor GitHub-modellen en OpenAI API-integratie
- python-dotenv: Veilige omgeving variabele laden vanuit .env-bestanden
Omgevingsconfiguratie: Geheimen Veilig Houden
Voordat we onze API starten, moeten we praten over een van de belangrijkste lessen in webontwikkeling: hoe je jouw geheimen echt geheim houdt. Omgevingsvariabelen zijn als een veilige kluis waar alleen jouw applicatie toegang toe heeft.
Wat Zijn Omgevingsvariabelen?
Denk aan omgevingsvariabelen als een kluis – je stopt jouw waardevolle spullen erin, en alleen jij (en jouw app) hebt de sleutel om ze eruit te halen. In plaats van gevoelige informatie direct in jouw code te schrijven (waar letterlijk iedereen het kan zien), sla je het veilig op in de omgeving.
Hier is het verschil:
- De verkeerde manier: Jouw wachtwoord op een plakbriefje schrijven en op je monitor plakken
- De juiste manier: Jouw wachtwoord bewaren in een veilige wachtwoordmanager die alleen jij kunt openen
Waarom Omgevingsvariabelen Belangrijk Zijn
# 🚨 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"
)
Wat er gebeurt als je geheimen hardcodeert:
- Blootstelling in versiebeheer: Iedereen met toegang tot jouw Git-repository ziet jouw API-sleutel
- Openbare repositories: Als je naar GitHub pusht, is jouw sleutel zichtbaar voor het hele internet
- Teamdeling: Andere ontwikkelaars die aan jouw project werken krijgen toegang tot jouw persoonlijke API-sleutel
- Beveiligingsinbreuken: Als iemand jouw API-sleutel steelt, kan hij jouw AI-tegoed gebruiken
Het Instellen van Jouw Omgevingsbestand
Maak een .env bestand in jouw backend-map. Dit bestand slaat jouw geheimen lokaal op:
# .env file - This should NEVER be committed to Git
GITHUB_TOKEN=your_github_personal_access_token_here
FASTAPI_DEBUG=True
ENVIRONMENT=development
Begrijpen van het .env bestand:
- Eén geheim per regel in
KEY=valueformaat - Geen spaties rond het gelijkheidsteken
- Geen aanhalingstekens nodig rond waarden (meestal)
- Opmerkingen beginnen met
#
Het Aanmaken van Jouw GitHub Persoonlijke Toegangstoken
Jouw GitHub-token is als een speciaal wachtwoord dat jouw applicatie toestemming geeft om GitHub's AI-diensten te gebruiken:
Stap-voor-stap token aanmaken:
- Ga naar GitHub Instellingen → Ontwikkelaar instellingen → Persoonlijke toegangstokens → Tokens (klassiek)
- Klik op "Genereer nieuw token (klassiek)"
- Stel vervaldatum in (30 dagen voor testen, langer voor productie)
- Selecteer scopes: Vink "repo" en eventuele andere benodigde machtigingen aan
- Genereer token en kopieer het onmiddellijk (je kunt het later niet meer zien!)
- Plak in jouw .env bestand
# Example of what your token looks like (this is fake!)
GITHUB_TOKEN=ghp_1A2B3C4D5E6F7G8H9I0J1K2L3M4N5O6P7Q8R
Omgevingsvariabelen Laden in 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"
)
Wat deze code doet:
- Laadt jouw .env bestand en maakt variabelen beschikbaar voor Python
- Controleert of de vereiste token bestaat (goede foutafhandeling!)
- Geeft een duidelijke foutmelding als de token ontbreekt
- Gebruikt de token veilig zonder deze in de code bloot te stellen
Git Beveiliging: Het .gitignore Bestand
Jouw .gitignore bestand vertelt Git welke bestanden nooit gevolgd of geüpload mogen worden:
# .gitignore - Add these lines
.env
*.env
.env.local
.env.production
__pycache__/
venv/
.vscode/
Waarom dit cruciaal is: Zodra je .env toevoegt aan .gitignore, zal Git jouw omgevingsbestand negeren, waardoor je voorkomt dat je per ongeluk jouw geheimen uploadt naar GitHub.
Verschillende Omgevingen, Verschillende Geheimen
Professionele toepassingen gebruiken verschillende API-sleutels voor verschillende omgevingen:
# .env.development
GITHUB_TOKEN=your_development_token
DEBUG=True
# .env.production
GITHUB_TOKEN=your_production_token
DEBUG=False
Waarom dit belangrijk is: Je wilt niet dat jouw experimenten tijdens ontwikkeling invloed hebben op jouw productie-AI-gebruikslimiet, en je wilt verschillende beveiligingsniveaus voor verschillende omgevingen.
Jouw Ontwikkelserver Starten: Breng Jouw FastAPI tot Leven
Nu komt het spannende moment – het starten van je FastAPI-ontwikkelserver en het tot leven zien komen van je AI-integratie! FastAPI gebruikt Uvicorn, een razendsnelle ASGI-server die speciaal is ontworpen voor asynchrone Python-applicaties.
Begrijpen van het opstartproces van de FastAPI-server
# 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
Wanneer je dit commando uitvoert, gebeurt er achter de schermen het volgende:
1. Python laadt je FastAPI-applicatie:
- Importeert alle benodigde bibliotheken (FastAPI, Pydantic, OpenAI, etc.)
- Laadt omgevingsvariabelen uit je
.env-bestand - Maakt de FastAPI-applicatie-instantie met automatische documentatie
2. Uvicorn configureert de ASGI-server:
- Verbindt met poort 5000 met mogelijkheden voor asynchrone verzoekafhandeling
- Stelt verzoekroutering in met automatische validatie
- Activeert hot reload voor ontwikkeling (herstart bij wijzigingen in bestanden)
- Genereert interactieve API-documentatie
3. Server begint te luisteren:
- Je terminal toont:
INFO: Uvicorn running on http://0.0.0.0:5000 - De server kan meerdere gelijktijdige AI-verzoeken verwerken
- Je API is klaar met automatische documentatie op
http://localhost:5000/docs
Wat je zou moeten zien als alles werkt
$ 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.
Begrijpen van de FastAPI-uitvoer:
- Zal wijzigingen volgen: Auto-reload ingeschakeld voor ontwikkeling
- Uvicorn draait: High-performance ASGI-server is actief
- Reloader proces gestart: Bestandvolger voor automatische herstarts
- Applicatie succesvol opgestart: FastAPI-app succesvol geïnitialiseerd
- Interactieve documentatie beschikbaar: Bezoek
/docsvoor automatische API-documentatie
Testen van je FastAPI: Meerdere krachtige benaderingen
FastAPI biedt verschillende handige manieren om je API te testen, inclusief automatische interactieve documentatie:
Methode 1: Interactieve API-documentatie (Aanbevolen)
- Open je browser en ga naar
http://localhost:5000/docs - Je ziet Swagger UI met al je endpoints gedocumenteerd
- Klik op
/hello→ "Try it out" → Voer een testbericht in → "Execute" - Bekijk de reactie direct in de browser met de juiste opmaak
Methode 2: Basis browsertest
- Ga naar
http://localhost:5000voor de root endpoint - Ga naar
http://localhost:5000/healthom de serverstatus te controleren - Dit bevestigt dat je FastAPI-server correct draait
Methode 3: Command Line Test (Geavanceerd)
# 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?"}
Methode 4: Python Test Script
# 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)
Veelvoorkomende opstartproblemen oplossen
| Foutmelding | Wat het betekent | Hoe op te lossen |
|---|---|---|
ModuleNotFoundError: No module named 'fastapi' |
FastAPI niet geïnstalleerd | Voer pip install fastapi uvicorn uit in je virtuele omgeving |
ModuleNotFoundError: No module named 'uvicorn' |
ASGI-server niet geïnstalleerd | Voer pip install uvicorn uit in je virtuele omgeving |
KeyError: 'GITHUB_TOKEN' |
Omgevingsvariabele niet gevonden | Controleer je .env-bestand en load_dotenv()-aanroep |
Address already in use |
Poort 5000 is bezet | Beëindig andere processen die poort 5000 gebruiken of wijzig de poort |
ValidationError |
Verzoekgegevens komen niet overeen met Pydantic-model | Controleer of je verzoekformaat overeenkomt met het verwachte schema |
HTTPException 422 |
Onverwerkbare entiteit | Verzoekvalidatie mislukt, controleer /docs voor het juiste formaat |
OpenAI API error |
AI-service authenticatie mislukt | Controleer of je GitHub-token correct is en de juiste permissies heeft |
Beste praktijken voor ontwikkeling
Automatisch herladen: FastAPI met Uvicorn biedt automatisch herladen wanneer je wijzigingen opslaat in je Python-bestanden. Dit betekent dat je je code kunt aanpassen en direct kunt testen zonder handmatig opnieuw op te starten.
# Enable hot reloading explicitly
if __name__ == "__main__":
app.run(host="0.0.0.0", port=5000, debug=True) # debug=True enables hot reload
Loggen voor ontwikkeling: Voeg logging toe om te begrijpen wat er gebeurt:
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
Waarom logging helpt: Tijdens ontwikkeling kun je precies zien welke verzoeken binnenkomen, wat de AI als antwoord geeft en waar fouten optreden. Dit maakt debuggen veel sneller.
Configureren voor GitHub Codespaces: Makkelijk ontwikkelen in de cloud
GitHub Codespaces is als een krachtige ontwikkelcomputer in de cloud die je vanuit elke browser kunt benaderen. Als je in Codespaces werkt, zijn er een paar extra stappen nodig om je backend toegankelijk te maken voor je frontend.
Begrijpen van Codespaces-netwerken
In een lokale ontwikkelomgeving draait alles op dezelfde computer:
- Backend:
http://localhost:5000 - Frontend:
http://localhost:3000(of file://)
In Codespaces draait je ontwikkelomgeving op de servers van GitHub, dus "localhost" heeft een andere betekenis. GitHub maakt automatisch openbare URL's voor je services, maar je moet ze correct configureren.
Stapsgewijze Codespaces-configuratie
1. Start je backend-server:
cd backend
python api.py
Je ziet het bekende FastAPI/Uvicorn-opstartbericht, maar let op dat het draait binnen de Codespace-omgeving.
2. Configureer poortzichtbaarheid:
- Zoek naar het tabblad "Ports" in het onderste paneel van VS Code
- Zoek poort 5000 in de lijst
- Klik met de rechtermuisknop op poort 5000
- Selecteer "Port Visibility" → "Public"
Waarom openbaar maken? Standaard zijn Codespace-poorten privé (alleen toegankelijk voor jou). Door ze openbaar te maken, kan je frontend (die in de browser draait) communiceren met je backend.
3. Verkrijg je openbare URL: Na het openbaar maken van de poort, zie je een URL zoals:
https://your-codespace-name-5000.app.github.dev
4. Werk je frontend-configuratie bij:
// In your frontend app.js, update the BASE_URL:
this.BASE_URL = "https://your-codespace-name-5000.app.github.dev";
Begrijpen van Codespace-URL's
Codespace-URL's volgen een voorspelbaar patroon:
https://[codespace-name]-[port].app.github.dev
Uitleg:
codespace-name: Een unieke identificator voor je Codespace (meestal inclusief je gebruikersnaam)port: Het poortnummer waarop je service draait (5000 voor onze FastAPI-app)app.github.dev: Het domein van GitHub voor Codespace-applicaties
Testen van je Codespace-instelling
1. Test de backend direct: Open je openbare URL in een nieuw browsertabblad. Je zou moeten zien:
Welcome to the AI Chat API. Send POST requests to /hello with JSON payload containing 'message' field.
2. Test met browserontwikkeltools:
// 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 versus lokale ontwikkeling
| Aspect | Lokale ontwikkeling | GitHub Codespaces |
|---|---|---|
| Installatietijd | Lang (Python, afhankelijkheden installeren) | Direct (vooraf geconfigureerde omgeving) |
| URL-toegang | http://localhost:5000 |
https://xyz-5000.app.github.dev |
| Poortconfiguratie | Automatisch | Handmatig (poorten openbaar maken) |
| Bestandspersistentie | Lokale machine | GitHub-repository |
| Samenwerking | Moeilijk om omgeving te delen | Makkelijk om Codespace-link te delen |
| Internetafhankelijkheid | Alleen voor AI API-aanroepen | Vereist voor alles |
Tips voor ontwikkeling in Codespaces
Omgevingsvariabelen in Codespaces:
Je .env-bestand werkt op dezelfde manier in Codespaces, maar je kunt ook omgevingsvariabelen direct instellen in de Codespace:
# 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
Poortbeheer:
- Codespaces detecteert automatisch wanneer je applicatie begint te luisteren op een poort
- Je kunt meerdere poorten tegelijkertijd doorsturen (handig als je later een database toevoegt)
- Poorten blijven toegankelijk zolang je Codespace actief is
Ontwikkelworkflow:
- Maak codewijzigingen in VS Code
- FastAPI herlaadt automatisch (dankzij Uvicorn's reload-modus)
- Test wijzigingen direct via de openbare URL
- Commit en push wanneer je klaar bent
💡 Pro Tip: Maak een bladwijzer van je Codespace-backend-URL tijdens de ontwikkeling. Omdat Codespace-namen stabiel zijn, verandert de URL niet zolang je dezelfde Codespace gebruikt.
Het maken van de frontend-chatinterface: waar mensen AI ontmoeten
Nu gaan we de gebruikersinterface bouwen – het deel dat bepaalt hoe mensen met je AI-assistent omgaan. Net zoals het ontwerp van de originele iPhone-interface, richten we ons op het intuïtief en natuurlijk maken van complexe technologie.
Begrijpen van moderne frontend-architectuur
Onze chatinterface wordt een zogenaamde "Single Page Application" of SPA. In plaats van de ouderwetse aanpak waarbij elke klik een nieuwe pagina laadt, werkt onze app soepel en direct:
Oude websites: Zoals het lezen van een fysiek boek – je bladert naar volledig nieuwe pagina's Onze chat-app: Zoals het gebruik van je telefoon – alles stroomt en werkt naadloos
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]
classDiagram
class ChatApp {
+messages: HTMLElement
+form: HTMLElement
+input: HTMLElement
+sendButton: HTMLElement
+BASE_URL: string
+API_ENDPOINT: string
+constructor()
+initializeEventListeners()
+handleSubmit(event)
+callAPI(message)
+appendMessage(text, role)
+escapeHtml(text)
+scrollToBottom()
+setLoading(isLoading)
}
ChatApp --> DOM : manipulates
ChatApp --> FastAPI : sends requests
De drie pijlers van frontend-ontwikkeling
Elke frontend-applicatie – van eenvoudige websites tot complexe apps zoals Discord of Slack – is gebouwd op drie kerntechnologieën. Zie ze als de basis van alles wat je op het web ziet en waarmee je interactie hebt:
HTML (Structuur): Dit is je fundering
- Bepaalt welke elementen er zijn (knoppen, tekstvelden, containers)
- Geeft betekenis aan inhoud (dit is een kop, dit is een formulier, etc.)
- Creëert de basisstructuur waarop alles verder wordt gebouwd
CSS (Presentatie): Dit is je interieurontwerper
- Maakt alles mooi (kleuren, lettertypen, lay-outs)
- Past zich aan verschillende schermformaten aan (telefoon vs laptop vs tablet)
- Zorgt voor vloeiende animaties en visuele feedback
JavaScript (Gedrag): Dit is je brein
- Reageert op wat gebruikers doen (klikken, typen, scrollen)
- Communiceert met je backend en werkt de pagina bij
- Maakt alles interactief en dynamisch
Zie het als architectonisch ontwerp:
- HTML: Het structurele ontwerp (definieert ruimtes en relaties)
- CSS: Het esthetische en omgevingsontwerp (visuele stijl en gebruikerservaring)
- JavaScript: De mechanische systemen (functionaliteit en interactiviteit)
Waarom moderne JavaScript-architectuur belangrijk is
Onze chatapplicatie zal gebruik maken van moderne JavaScript-patronen die je ook in professionele applicaties tegenkomt. Het begrijpen van deze concepten zal je helpen groeien als ontwikkelaar:
Klasse-gebaseerde architectuur: We organiseren onze code in klassen, wat lijkt op het maken van blauwdrukken voor objecten Async/Await: Moderne manier om operaties af te handelen die tijd kosten (zoals API-aanroepen) Event-Driven Programming: Onze app reageert op gebruikersacties (klikken, typen) in plaats van in een lus te draaien DOM-manipulatie: Dynamisch bijwerken van de inhoud van de webpagina op basis van gebruikersinteracties en API-reacties
Projectstructuur instellen
Maak een frontend-map met deze georganiseerde structuur:
frontend/
├── index.html # Main HTML structure
├── app.js # JavaScript functionality
└── styles.css # Visual styling
Begrijpen van de architectuur:
- Scheiding van verantwoordelijkheden tussen structuur (HTML), gedrag (JavaScript) en presentatie (CSS)
- Behouden van een eenvoudige bestandsstructuur die gemakkelijk te navigeren en te wijzigen is
- Volgt best practices voor webontwikkeling op het gebied van organisatie en onderhoudbaarheid
De HTML-basis bouwen: Semantische structuur voor toegankelijkheid
Laten we beginnen met de HTML-structuur. Moderne webontwikkeling benadrukt "semantische HTML" – het gebruik van HTML-elementen die duidelijk hun doel beschrijven, niet alleen hun uiterlijk. Dit maakt je applicatie toegankelijk voor schermlezers, zoekmachines en andere tools.
Waarom semantische HTML belangrijk is: Stel je voor dat je je chatapp beschrijft aan iemand via de telefoon. Je zou zeggen: "Er is een kop met de titel, een hoofdgedeelte waar gesprekken verschijnen, en een formulier onderaan om berichten te typen." Semantische HTML gebruikt elementen die overeenkomen met deze natuurlijke beschrijving.
Maak index.html met deze doordacht gestructureerde opmaak:
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>AI Chat Assistant</title>
<link rel="stylesheet" href="styles.css">
</head>
<body>
<div class="chat-container">
<header class="chat-header">
<h1>AI Chat Assistant</h1>
<p>Ask me anything!</p>
</header>
<main class="chat-messages" id="messages" role="log" aria-live="polite">
<!-- Messages will be dynamically added here -->
</main>
<form class="chat-form" id="chatForm">
<div class="input-group">
<input
type="text"
id="messageInput"
placeholder="Type your message here..."
required
aria-label="Chat message input"
>
<button type="submit" id="sendBtn" aria-label="Send message">
Send
</button>
</div>
</form>
</div>
<script src="app.js"></script>
</body>
</html>
Begrijpen van elk HTML-element en het doel ervan:
Documentstructuur
<!DOCTYPE html>: Geeft aan de browser door dat dit moderne HTML5 is<html lang="en">: Geeft de paginataal aan voor schermlezers en vertaaltools<meta charset="UTF-8">: Zorgt voor de juiste tekencodering voor internationale tekst<meta name="viewport"...>: Maakt de pagina mobielvriendelijk door zoom en schaal te regelen
Semantische elementen
<header>: Identificeert duidelijk het bovenste gedeelte met titel en beschrijving<main>: Geeft het primaire inhoudsgebied aan (waar gesprekken plaatsvinden)<form>: Semantisch correct voor gebruikersinvoer, maakt juiste toetsenbordnavigatie mogelijk
Toegankelijkheidsfuncties
role="log": Geeft aan schermlezers dat dit gebied een chronologisch logboek van berichten bevataria-live="polite": Kondigt nieuwe berichten aan schermlezers aan zonder te onderbrekenaria-label: Biedt beschrijvende labels voor formulierbesturingselementenrequired: Browser valideert dat gebruikers een bericht invoeren voordat ze verzenden
CSS- en JavaScript-integratie
class-attributen: Bieden stylinghooks voor CSS (bijv.chat-container,input-group)id-attributen: Staan JavaScript toe specifieke elementen te vinden en te manipuleren- Scriptplaatsing: JavaScript-bestand wordt aan het einde geladen zodat HTML eerst laadt
Waarom deze structuur werkt:
- Logische flow: Header → Hoofdinhoud → Invoervorm komt overeen met natuurlijke leesvolgorde
- Toetsenbord toegankelijk: Gebruikers kunnen door alle interactieve elementen tabben
- Schermlezer vriendelijk: Duidelijke herkenningspunten en beschrijvingen voor visueel beperkte gebruikers
- Mobiel responsief: Viewport meta tag maakt responsief ontwerp mogelijk
- Progressieve verbetering: Werkt zelfs als CSS of JavaScript niet laadt
Interactieve JavaScript toevoegen: Logica voor moderne webapplicaties
Laten we nu de JavaScript bouwen die onze chatinterface tot leven brengt. We gebruiken moderne JavaScript-patronen die je tegenkomt in professionele webontwikkeling, zoals ES6-classes, async/await en event-driven programmering.
Begrijpen van Moderne JavaScript Architectuur
In plaats van procedurele code te schrijven (een reeks functies die in volgorde worden uitgevoerd), creëren we een class-gebaseerde architectuur. Denk aan een class als een blauwdruk voor het maken van objecten – zoals een architectenblauwdruk kan worden gebruikt om meerdere huizen te bouwen.
Waarom classes gebruiken voor webapplicaties?
- Organisatie: Alle gerelateerde functionaliteit wordt gegroepeerd
- Herbruikbaarheid: Je kunt meerdere chatinstanties op dezelfde pagina maken
- Onderhoudbaarheid: Makkelijker om specifieke functies te debuggen en aan te passen
- Professionele standaard: Dit patroon wordt gebruikt in frameworks zoals React, Vue en Angular
Maak app.js met deze moderne, goed gestructureerde JavaScript:
// app.js - Modern chat application logic
class ChatApp {
constructor() {
// Get references to DOM elements we'll need to manipulate
this.messages = document.getElementById("messages");
this.form = document.getElementById("chatForm");
this.input = document.getElementById("messageInput");
this.sendButton = document.getElementById("sendBtn");
// Configure your backend URL here
this.BASE_URL = "http://localhost:5000"; // Update this for your environment
this.API_ENDPOINT = `${this.BASE_URL}/hello`;
// Set up event listeners when the chat app is created
this.initializeEventListeners();
}
initializeEventListeners() {
// Listen for form submission (when user clicks Send or presses Enter)
this.form.addEventListener("submit", (e) => this.handleSubmit(e));
// Also listen for Enter key in the input field (better UX)
this.input.addEventListener("keypress", (e) => {
if (e.key === "Enter" && !e.shiftKey) {
e.preventDefault();
this.handleSubmit(e);
}
});
}
async handleSubmit(event) {
event.preventDefault(); // Prevent form from refreshing the page
const messageText = this.input.value.trim();
if (!messageText) return; // Don't send empty messages
// Provide user feedback that something is happening
this.setLoading(true);
// Add user message to chat immediately (optimistic UI)
this.appendMessage(messageText, "user");
// Clear input field so user can type next message
this.input.value = '';
try {
// Call the AI API and wait for response
const reply = await this.callAPI(messageText);
// Add AI response to chat
this.appendMessage(reply, "assistant");
} catch (error) {
console.error('API Error:', error);
this.appendMessage("Sorry, I'm having trouble connecting right now. Please try again.", "error");
} finally {
// Re-enable the interface regardless of success or failure
this.setLoading(false);
}
}
async callAPI(message) {
const response = await fetch(this.API_ENDPOINT, {
method: "POST",
headers: {
"Content-Type": "application/json"
},
body: JSON.stringify({ message })
});
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`);
}
const data = await response.json();
return data.response;
}
appendMessage(text, role) {
const messageElement = document.createElement("div");
messageElement.className = `message ${role}`;
messageElement.innerHTML = `
<div class="message-content">
<span class="message-text">${this.escapeHtml(text)}</span>
<span class="message-time">${new Date().toLocaleTimeString()}</span>
</div>
`;
this.messages.appendChild(messageElement);
this.scrollToBottom();
}
escapeHtml(text) {
const div = document.createElement('div');
div.textContent = text;
return div.innerHTML;
}
scrollToBottom() {
this.messages.scrollTop = this.messages.scrollHeight;
}
setLoading(isLoading) {
this.sendButton.disabled = isLoading;
this.input.disabled = isLoading;
this.sendButton.textContent = isLoading ? "Sending..." : "Send";
}
}
// Initialize the chat application when the page loads
document.addEventListener("DOMContentLoaded", () => {
new ChatApp();
});
Begrijpen van Elk JavaScript Concept
ES6 Class Structuur:
class ChatApp {
constructor() {
// This runs when you create a new ChatApp instance
// It's like the "setup" function for your chat
}
methodName() {
// Methods are functions that belong to the class
// They can access class properties using "this"
}
}
Async/Await Patroon:
// Old way (callback hell):
fetch(url)
.then(response => response.json())
.then(data => console.log(data))
.catch(error => console.error(error));
// Modern way (async/await):
try {
const response = await fetch(url);
const data = await response.json();
console.log(data);
} catch (error) {
console.error(error);
}
Event-Driven Programmering: In plaats van constant te controleren of er iets is gebeurd, "luisteren" we naar events:
// When form is submitted, run handleSubmit
this.form.addEventListener("submit", (e) => this.handleSubmit(e));
// When Enter key is pressed, also run handleSubmit
this.input.addEventListener("keypress", (e) => { /* ... */ });
DOM Manipulatie:
// Create new elements
const messageElement = document.createElement("div");
// Modify their properties
messageElement.className = "message user";
messageElement.innerHTML = "Hello world!";
// Add to the page
this.messages.appendChild(messageElement);
Veiligheid en Best Practices
XSS Preventie:
escapeHtml(text) {
const div = document.createElement('div');
div.textContent = text; // This automatically escapes HTML
return div.innerHTML;
}
Waarom dit belangrijk is: Als een gebruiker <script>alert('hack')</script> typt, zorgt deze functie ervoor dat het als tekst wordt weergegeven in plaats van als code wordt uitgevoerd.
Foutafhandeling:
try {
const reply = await this.callAPI(messageText);
this.appendMessage(reply, "assistant");
} catch (error) {
// Show user-friendly error instead of breaking the app
this.appendMessage("Sorry, I'm having trouble...", "error");
}
Overwegingen voor Gebruikerservaring:
- Optimistische UI: Voeg gebruikersberichten onmiddellijk toe, wacht niet op serverreactie
- Laadstatus: Schakel knoppen uit en toon "Verzenden..." tijdens het wachten
- Automatisch scrollen: Houd de nieuwste berichten zichtbaar
- Inputvalidatie: Verstuur geen lege berichten
- Toetsenbord sneltoetsen: Enter-toets verzendt berichten (zoals echte chatapps)
Begrijpen van de Applicatiestroom
- Pagina laadt →
DOMContentLoadedevent wordt geactiveerd →new ChatApp()wordt aangemaakt - Constructor wordt uitgevoerd → Verkrijgt DOM-elementreferenties → Stelt event listeners in
- Gebruiker typt bericht → Drukt op Enter of klikt op Verzenden →
handleSubmitwordt uitgevoerd - handleSubmit → Valideert input → Toont laadstatus → Roept API aan
- API reageert → Voegt AI-bericht toe aan chat → Interface opnieuw inschakelen
- Klaar voor volgend bericht → Gebruiker kan doorgaan met chatten
Deze architectuur is schaalbaar – je kunt eenvoudig functies toevoegen zoals berichtbewerking, bestanduploads of meerdere gespreksthreads zonder de kernstructuur opnieuw te schrijven.
🎯 Pedagogische Check-in: Moderne Frontend Architectuur
Architectuur Begrip: Je hebt een complete single-page applicatie geïmplementeerd met moderne JavaScript-patronen. Dit vertegenwoordigt frontend-ontwikkeling op professioneel niveau.
Belangrijke Concepten Beheerst:
- ES6 Class Architectuur: Georganiseerde, onderhoudbare code structuur
- Async/Await Patronen: Moderne asynchrone programmering
- Event-Driven Programmering: Responsief ontwerp van gebruikersinterfaces
- Veiligheidspraktijken: XSS preventie en inputvalidatie
Industrie Connectie: De patronen die je hebt geleerd (class-gebaseerde architectuur, asynchrone operaties, DOM-manipulatie) vormen de basis van moderne frameworks zoals React, Vue en Angular. Je bouwt met dezelfde architecturale denkwijze die wordt gebruikt in productieapplicaties.
Reflectievraag: Hoe zou je deze chatapplicatie uitbreiden om meerdere gesprekken of gebruikersauthenticatie te ondersteunen? Denk na over de benodigde architecturale wijzigingen en hoe de class-structuur zou evolueren.
Styling van Je Chatinterface
Laten we nu een moderne, visueel aantrekkelijke chatinterface maken met CSS. Goede styling zorgt ervoor dat je applicatie professioneel aanvoelt en verbetert de algehele gebruikerservaring. We gebruiken moderne CSS-functies zoals Flexbox, CSS Grid en aangepaste eigenschappen voor een responsief, toegankelijk ontwerp.
Maak styles.css met deze uitgebreide stijlen:
/* styles.css - Modern chat interface styling */
:root {
--primary-color: #2563eb;
--secondary-color: #f1f5f9;
--user-color: #3b82f6;
--assistant-color: #6b7280;
--error-color: #ef4444;
--text-primary: #1e293b;
--text-secondary: #64748b;
--border-radius: 12px;
--shadow: 0 4px 6px -1px rgba(0, 0, 0, 0.1);
}
* {
margin: 0;
padding: 0;
box-sizing: border-box;
}
body {
font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, sans-serif;
background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
min-height: 100vh;
display: flex;
align-items: center;
justify-content: center;
padding: 20px;
}
.chat-container {
width: 100%;
max-width: 800px;
height: 600px;
background: white;
border-radius: var(--border-radius);
box-shadow: var(--shadow);
display: flex;
flex-direction: column;
overflow: hidden;
}
.chat-header {
background: var(--primary-color);
color: white;
padding: 20px;
text-align: center;
}
.chat-header h1 {
font-size: 1.5rem;
margin-bottom: 5px;
}
.chat-header p {
opacity: 0.9;
font-size: 0.9rem;
}
.chat-messages {
flex: 1;
padding: 20px;
overflow-y: auto;
display: flex;
flex-direction: column;
gap: 15px;
background: var(--secondary-color);
}
.message {
display: flex;
max-width: 80%;
animation: slideIn 0.3s ease-out;
}
.message.user {
align-self: flex-end;
}
.message.user .message-content {
background: var(--user-color);
color: white;
border-radius: var(--border-radius) var(--border-radius) 4px var(--border-radius);
}
.message.assistant {
align-self: flex-start;
}
.message.assistant .message-content {
background: white;
color: var(--text-primary);
border-radius: var(--border-radius) var(--border-radius) var(--border-radius) 4px;
border: 1px solid #e2e8f0;
}
.message.error .message-content {
background: var(--error-color);
color: white;
border-radius: var(--border-radius);
}
.message-content {
padding: 12px 16px;
box-shadow: var(--shadow);
position: relative;
}
.message-text {
display: block;
line-height: 1.5;
word-wrap: break-word;
}
.message-time {
display: block;
font-size: 0.75rem;
opacity: 0.7;
margin-top: 5px;
}
.chat-form {
padding: 20px;
border-top: 1px solid #e2e8f0;
background: white;
}
.input-group {
display: flex;
gap: 10px;
align-items: center;
}
#messageInput {
flex: 1;
padding: 12px 16px;
border: 2px solid #e2e8f0;
border-radius: var(--border-radius);
font-size: 1rem;
outline: none;
transition: border-color 0.2s ease;
}
#messageInput:focus {
border-color: var(--primary-color);
}
#messageInput:disabled {
background: #f8fafc;
opacity: 0.6;
cursor: not-allowed;
}
#sendBtn {
padding: 12px 24px;
background: var(--primary-color);
color: white;
border: none;
border-radius: var(--border-radius);
font-size: 1rem;
font-weight: 600;
cursor: pointer;
transition: background-color 0.2s ease;
min-width: 80px;
}
#sendBtn:hover:not(:disabled) {
background: #1d4ed8;
}
#sendBtn:disabled {
background: #94a3b8;
cursor: not-allowed;
}
@keyframes slideIn {
from {
opacity: 0;
transform: translateY(10px);
}
to {
opacity: 1;
transform: translateY(0);
}
}
/* Responsive design for mobile devices */
@media (max-width: 768px) {
body {
padding: 10px;
}
.chat-container {
height: calc(100vh - 20px);
border-radius: 8px;
}
.message {
max-width: 90%;
}
.input-group {
flex-direction: column;
gap: 10px;
}
#messageInput {
width: 100%;
}
#sendBtn {
width: 100%;
}
}
/* Accessibility improvements */
@media (prefers-reduced-motion: reduce) {
.message {
animation: none;
}
* {
transition: none !important;
}
}
/* Dark mode support */
@media (prefers-color-scheme: dark) {
.chat-container {
background: #1e293b;
color: #f1f5f9;
}
.chat-messages {
background: #0f172a;
}
.message.assistant .message-content {
background: #334155;
color: #f1f5f9;
border-color: #475569;
}
.chat-form {
background: #1e293b;
border-color: #475569;
}
#messageInput {
background: #334155;
color: #f1f5f9;
border-color: #475569;
}
}
Begrijpen van de CSS Architectuur:
- Gebruikt CSS custom properties (variabelen) voor consistente thematisering en eenvoudige onderhoudbaarheid
- Implementeert Flexbox layout voor responsief ontwerp en juiste uitlijning
- Bevat vloeiende animaties voor berichtweergave zonder afleidend te zijn
- Biedt visuele onderscheid tussen gebruikersberichten, AI-reacties en foutstatussen
- Ondersteunt responsief ontwerp dat werkt op zowel desktop- als mobiele apparaten
- Houdt rekening met toegankelijkheid met voorkeuren voor verminderde beweging en juiste contrastverhoudingen
- Biedt ondersteuning voor donkere modus op basis van systeemvoorkeuren
Configureren van Je Backend URL
De laatste stap is het bijwerken van de BASE_URL in je JavaScript om overeen te komen met je backend server:
// For local development
this.BASE_URL = "http://localhost:5000";
// For GitHub Codespaces (replace with your actual URL)
this.BASE_URL = "https://your-codespace-name-5000.app.github.dev";
Je backend URL bepalen:
- Lokale ontwikkeling: Gebruik
http://localhost:5000als je zowel frontend als backend lokaal uitvoert - Codespaces: Zoek je backend URL in het tabblad Ports nadat je poort 5000 openbaar hebt gemaakt
- Productie: Vervang door je daadwerkelijke domein bij het implementeren op een hostingservice
💡 Testtip: Je kunt je backend direct testen door de root URL in je browser te bezoeken. Je zou het welkomstbericht van je FastAPI-server moeten zien.
Testen en Implementeren
Nu je zowel frontend- als backendcomponenten hebt gebouwd, laten we testen of alles samenwerkt en verkennen we implementatieopties om je chatassistent met anderen te delen.
Lokale Testworkflow
Volg deze stappen om je complete applicatie te testen:
graph TD
A[Start Backend Server] --> B[Configure Environment Variables]
B --> C[Test API Endpoints]
C --> D[Open Frontend in Browser]
D --> E[Test Chat Functionality]
E --> F[Debug Any Issues]
Stapsgewijze testprocedure:
-
Start je backend server:
cd backend source venv/bin/activate # or venv\Scripts\activate on Windows python api.py -
Controleer of de API werkt:
- Open
http://localhost:5000in je browser - Je zou het welkomstbericht van je FastAPI-server moeten zien
- Open
-
Open je frontend:
- Navigeer naar je frontend-map
- Open
index.htmlin je webbrowser - Of gebruik de Live Server-extensie van VS Code voor een betere ontwikkelervaring
-
Test de chatfunctionaliteit:
- Typ een bericht in het invoerveld
- Klik op "Verzenden" of druk op Enter
- Controleer of de AI correct reageert
- Controleer de browserconsole op eventuele JavaScript-fouten
Veelvoorkomende Problemen Oplossen
| Probleem | Symptomen | Oplossing |
|---|---|---|
| CORS Fout | Frontend kan backend niet bereiken | Zorg ervoor dat FastAPI CORSMiddleware correct is geconfigureerd |
| API Sleutelfout | 401 Unauthorized reacties | Controleer je GITHUB_TOKEN omgevingsvariabele |
| Verbinding Geweigerd | Netwerkfouten in frontend | Controleer backend URL en of Flask-server actief is |
| Geen AI Reactie | Lege of foutreacties | Controleer backend logs op API-quota of authenticatieproblemen |
Veelvoorkomende debugstappen:
- Controleert browser Developer Tools Console op JavaScript-fouten
- Verifieert dat het tabblad Netwerk succesvolle API-verzoeken en -reacties toont
- Bekijkt backend terminaloutput op Python-fouten of API-problemen
- Bevestigt dat omgevingsvariabelen correct zijn geladen en toegankelijk zijn
📈 Jouw AI Applicatie Ontwikkeling Meesterschap Tijdlijn
timeline
title Complete AI Application Development Journey
section AI Foundations
Understanding Generative AI
: Grasp pattern recognition concepts
: Master AI parameter control
: Learn prompt engineering techniques
GitHub Models Integration
: Navigate AI service platforms
: Handle authentication securely
: Optimize model parameters
section Backend Development
Python API Architecture
: Build FastAPI applications
: Implement async operations
: Create secure endpoints
AI Service Integration
: Connect to external AI APIs
: Handle rate limiting
: Implement error boundaries
section Frontend Mastery
Modern JavaScript Patterns
: Master ES6 class architecture
: Implement async/await flows
: Build responsive interfaces
Real-time User Experience
: Create dynamic chat interfaces
: Handle loading states
: Optimize user interactions
section Production Readiness
Security & Performance
: Implement secure token management
: Prevent XSS vulnerabilities
: Optimize API performance
Professional Deployment
: Build scalable architectures
: Create maintainable code
: Document development processes
🎓 Afstudeermijlpaal: Je hebt met succes een complete AI-aangedreven applicatie gebouwd met dezelfde technologieën en architecturale patronen die moderne AI-assistenten aandrijven. Deze vaardigheden vertegenwoordigen de kruising van traditionele webontwikkeling en geavanceerde AI-integratie.
🔄 Volgende Niveau Mogelijkheden:
- Klaar om geavanceerde AI-frameworks te verkennen (LangChain, LangGraph)
- Bereid om multimodale AI-applicaties te bouwen (tekst, afbeelding, stem)
- Uitgerust om vector databases en ophaalsystemen te implementeren
- Basis gelegd voor machine learning en AI-modelaanpassing
GitHub Copilot Agent Uitdaging 🚀
Gebruik de Agent-modus om de volgende uitdaging te voltooien:
Beschrijving: Verbeter de chatassistent door gespreksgeschiedenis en berichtpersistentie toe te voegen. Deze uitdaging helpt je begrijpen hoe je staat beheert in chatapplicaties en gegevensopslag implementeert voor een betere gebruikerservaring.
Prompt: Pas de chatapplicatie aan om gespreksgeschiedenis te bevatten die blijft bestaan tussen sessies. Voeg functionaliteit toe om chatberichten op te slaan in local storage, gespreksgeschiedenis weer te geven wanneer de pagina wordt geladen, en een "Geschiedenis Wissen"-knop toe te voegen. Implementeer ook typindicatoren en berichttijdstempels om de chatervaring realistischer te maken.
Lees meer over agent mode hier.
Opdracht: Bouw Je Eigen AI Assistent
Nu ga je je eigen AI-assistent implementeren. In plaats van simpelweg de tutorialcode te repliceren, is dit een kans om de concepten toe te passen terwijl je iets bouwt dat jouw eigen interesses en gebruiksscenario's weerspiegelt.
Projectvereisten
Laten we je project opzetten met een schone, georganiseerde structuur:
my-ai-assistant/
├── backend/
│ ├── api.py # Your FastAPI server
│ ├── llm.py # AI integration functions
│ ├── .env # Your secrets (keep this safe!)
│ └── requirements.txt # Python dependencies
├── frontend/
│ ├── index.html # Your chat interface
│ ├── app.js # The JavaScript magic
│ └── styles.css # Make it look amazing
└── README.md # Tell the world about your creation
Kern Implementatietaken
Backend Ontwikkeling:
- Neem onze FastAPI-code en maak het je eigen
- Creëer een unieke AI-persoonlijkheid – misschien een behulpzame kookassistent, een creatieve schrijfpartner of een studiehulp?
- Voeg solide foutafhandeling toe zodat je app niet crasht als er iets misgaat
- Schrijf duidelijke documentatie voor iedereen die wil begrijpen hoe je API werkt
Frontend Ontwikkeling:
- Bouw een chatinterface die intuïtief en uitnodigend aanvoelt
- Schrijf schone, moderne JavaScript waar je trots op kunt zijn om aan andere ontwikkelaars te laten zien
- Ontwerp aangepaste styling die de persoonlijkheid van je AI weerspiegelt – leuk en kleurrijk? Schoon en minimalistisch? Helemaal aan jou!
- Zorg ervoor dat het geweldig werkt op zowel telefoons als computers
Personalisatievereisten:
- Kies een unieke naam en persoonlijkheid voor je AI-assistent – misschien iets dat jouw interesses weerspiegelt of de problemen die je wilt oplossen
- Pas het visuele ontwerp aan om bij de sfeer van je assistent te passen
- Schrijf een boeiend welkomstbericht dat mensen uitnodigt om te beginnen met chatten
- Test je assistent met verschillende soorten vragen om te zien hoe hij reageert
Ideeën voor Verbeteringen (Optioneel)
Wil je je project naar een hoger niveau tillen? Hier zijn enkele leuke ideeën om te verkennen:
| Functie | Beschrijving | Vaardigheden die je oefent |
|---|---|---|
| Berichtgeschiedenis | Onthoud gesprekken zelfs na het vernieuwen van de pagina | Werken met localStorage, JSON-verwerking |
| Typindicatoren | Toon "AI is aan het typen..." tijdens het wachten op reacties | CSS-animaties, asynchrone programmering |
| Berichttijdstempels | Toon wanneer elk bericht is verzonden | Datum/tijd formattering, UX-ontwerp |
| Chat Exporteren | Laat gebruikers hun gesprek downloaden | Bestandshandling, gegevensexport |
| Thema Wisselen | Licht/donker modus schakelen | CSS-variabelen, gebruikersvoorkeuren |
| Stem Invoer | Voeg spraak-naar-tekst functionaliteit toe | Web API's, toegankelijkheid |
Testen en Documentatie
Kwaliteitscontrole:
- Test je applicatie met verschillende invoertypes en randgevallen
- Controleer of responsief ontwerp werkt op verschillende schermformaten
- Controleer toegankelijkheid met toetsenbordnavigatie en schermlezers
- Valideer HTML en CSS op naleving van standaarden
Documentatievereisten:
- Schrijf een README.md waarin je project en hoe het te gebruiken wordt uitgelegd
- Voeg screenshots toe van je chatinterface in actie
- Documenteer eventuele unieke functies of aanpassingen die je hebt toegevoegd
- Geef duidelijke installatie-instructies voor andere ontwikkelaars
Inzendrichtlijnen
Projectresultaten:
- Compleet projectmap met alle broncode
- README.md met projectbeschrijving en installatie-instructies
- Screenshots die je chatassistent in actie laten zien
- Korte reflectie over wat je hebt geleerd en welke uitdagingen je bent tegengekomen
Evaluatiecriteria:
- Functionaliteit: Werkt de chatassistent zoals verwacht?
- Codekwaliteit: Is de code goed georganiseerd, becommentarieerd en onderhoudbaar?
- Ontwerp: Is de interface visueel aantrekkelijk en gebruiksvriendelijk?
- Creativiteit: Hoe uniek en gepersonaliseerd is je implementatie?
- Documentatie: Zijn de installatie-instructies duidelijk en volledig?
💡 Succes Tip: Begin eerst met de basisvereisten en voeg pas verbeteringen toe zodra alles werkt. Focus op het creëren van een gepolijste kernervaring voordat je geavanceerde functies toevoegt.
Oplossing
Bonus Uitdagingen
Klaar om je AI-assistent naar een hoger niveau te tillen? Probeer deze geavanceerde uitdagingen die je begrip van AI-integratie en webontwikkeling zullen verdiepen.
Personalisatie van Persoonlijkheid
De echte magie gebeurt wanneer je je AI-assistent een unieke persoonlijkheid geeft. Experimenteer met verschillende systeemprompts om gespecialiseerde assistenten te creëren:
Professionele Assistent Voorbeeld:
call_llm(message, "You are a professional business consultant with 20 years of experience. Provide structured, actionable advice with specific steps and considerations.")
Creatieve Schrijfhelper Voorbeeld:
call_llm(message, "You are an enthusiastic creative writing coach. Help users develop their storytelling skills with imaginative prompts and constructive feedback.")
Technische Mentor Voorbeeld:
call_llm(message, "You are a patient senior developer who explains complex programming concepts using simple analogies and practical examples.")
Frontend Verbeteringen
Transformeer je chatinterface met deze visuele en functionele verbeteringen:
Geavanceerde CSS Functies:
- Implementeer vloeiende berichtanimaties en overgangen
- Voeg toe aangepaste chatbubbeldesigns met CSS-vormen en -gradaties
- Creëer een typindicatoranimatie voor wanneer de AI "nadenkt"
- Ontwerp emoji-reacties of een berichtbeoordelingssysteem
JavaScript Verbeteringen:
- Voeg toe toetsenbord sneltoetsen (Ctrl+Enter om te verzenden, Escape om invoer te wissen)
- Implementeer berichtzoek- en filterfunctionaliteit
- Creëer een gespreks-exportfunctie (download als tekst of JSON)
- Voeg toe auto-save naar localStorage om berichtverlies te voorkomen
Geavanceerde AI Integratie
Meerdere AI Persoonlijkheden:
- Creëer een dropdown om te schakelen tussen verschillende AI-persoonlijkheden
- Sla op de voorkeur van de gebruiker in localStorage
- Implementeer contextwisseling die de gespreksstroom behoudt
Slimme Reactie Functies:
- Voeg toe gesprekscontextbewustzijn (AI onthoudt eerdere berichten)
- Implementeer slimme suggesties op basis van het gespreksonderwerp
- Maak snelle antwoordknoppen voor veelgestelde vragen
🎯 Leerdoel: Deze bonusuitdagingen helpen je geavanceerde webontwikkelingspatronen en AI-integratietechnieken te begrijpen die worden gebruikt in productieapplicaties.
Samenvatting en Volgende Stappen
Gefeliciteerd! Je hebt met succes een complete AI-aangedreven chatassistent vanaf nul gebouwd. Dit project heeft je praktische ervaring gegeven met moderne webontwikkelingstechnologieën en AI-integratie – vaardigheden die steeds waardevoller worden in het huidige technologische landschap.
Wat Je Hebt Bereikt
Tijdens deze les heb je verschillende belangrijke technologieën en concepten onder de knie gekregen:
Backend Ontwikkeling:
- Geïntegreerd met de GitHub Models API voor AI-functionaliteit
- Gebouwd een RESTful API met Flask met correcte foutafhandeling
- Geïmplementeerd veilige authenticatie met behulp van omgevingsvariabelen
- Geconfigureerd CORS voor cross-origin verzoeken tussen frontend en backend
Frontend Ontwikkeling:
- Gemaakt een responsieve chatinterface met semantische HTML
- Geïmplementeerd moderne JavaScript met async/await en een op klassen gebaseerde architectuur
- Ontworpen een aantrekkelijke gebruikersinterface met CSS Grid, Flexbox en animaties
- Toegevoegd toegankelijkheidsfuncties en principes voor responsief ontwerp
Full-Stack Integratie:
- Verbonden frontend en backend via HTTP API-aanroepen
- Afgehandeld realtime gebruikersinteracties en asynchrone gegevensstromen
- Geïmplementeerd foutafhandeling en gebruikersfeedback door de hele applicatie
- Getest de volledige applicatieworkflow van gebruikersinvoer tot AI-reactie
Belangrijke Leerresultaten
mindmap
root((AI Chat App Skills))
API Integration
Authentication
Error Handling
Async Programming
Web Development
HTML5 Semantics
Modern CSS
ES6+ JavaScript
User Experience
Responsive Design
Accessibility
Real-time Interaction
AI Understanding
Prompt Engineering
Model Parameters
Conversation Flow
Dit project heeft je geïntroduceerd in de basisprincipes van het bouwen van AI-aangedreven applicaties, wat de toekomst van webontwikkeling vertegenwoordigt. Je begrijpt nu hoe je AI-functionaliteiten kunt integreren in traditionele webapplicaties, waardoor je boeiende gebruikerservaringen kunt creëren die intelligent en responsief aanvoelen.
Professionele Toepassingen
De vaardigheden die je in deze les hebt ontwikkeld, zijn direct toepasbaar in moderne softwareontwikkelingscarrières:
- Full-stack webontwikkeling met moderne frameworks en API's
- AI-integratie in webapplicaties en mobiele apps
- API-ontwerp en -ontwikkeling voor microservices-architecturen
- Ontwikkeling van gebruikersinterfaces met focus op toegankelijkheid en responsief ontwerp
- DevOps-praktijken inclusief omgevingsconfiguratie en implementatie
Je AI-ontwikkelingsreis Voortzetten
Volgende Leer Stappen:
- Verken meer geavanceerde AI-modellen en API's (GPT-4, Claude, Gemini)
- Leer over prompt-engineeringtechnieken voor betere AI-reacties
- Bestudeer gespreksontwerp en principes voor chatbotgebruikerservaring
- Onderzoek AI-veiligheid, ethiek en verantwoordelijke AI-ontwikkelingspraktijken
- Bouw complexere applicaties met gespreksgeheugen en contextbewustzijn
Geavanceerde Projectideeën:
- Multi-user chatrooms met AI-moderatie
- AI-aangedreven klantenservice chatbots
- Educatieve tutor-assistenten met gepersonaliseerd leren
- Creatieve schrijfpartners met verschillende AI-persoonlijkheden
- Technische documentatie-assistenten voor ontwikkelaars
Aan de Slag met GitHub Codespaces
Wil je dit project uitproberen in een cloudontwikkelingsomgeving? GitHub Codespaces biedt een complete ontwikkelomgeving in je browser, perfect om te experimenteren met AI-applicaties zonder lokale installatievereisten.
Je Ontwikkelomgeving Instellen
Stap 1: Maak vanuit Template
- Ga naar de Web Dev For Beginners repository
- Klik op "Use this template" in de rechterbovenhoek (zorg ervoor dat je bent ingelogd op GitHub)
Stap 2: Codespaces Starten
- Open je nieuw aangemaakte repository
- Klik op de groene knop "Code" en selecteer "Codespaces"
- Kies "Create codespace on main" om je ontwikkelomgeving te starten
Stap 3: Omgevingsconfiguratie
Zodra je Codespace is geladen, heb je toegang tot:
- Vooraf geïnstalleerde Python, Node.js en alle benodigde ontwikkeltools
- VS Code-interface met extensies voor webontwikkeling
- Terminaltoegang voor het uitvoeren van backend- en frontendservers
- Port forwarding voor het testen van je applicaties
Wat Codespaces biedt:
- Elimineert problemen met lokale omgevingsinstellingen en configuratie
- Biedt een consistente ontwikkelomgeving op verschillende apparaten
- Inclusief vooraf geconfigureerde tools en extensies voor webontwikkeling
- Maakt naadloze integratie met GitHub mogelijk voor versiebeheer en samenwerking
🚀 Pro Tip: Codespaces is perfect voor leren en prototypen van AI-applicaties, omdat het alle complexe omgevingsinstellingen automatisch afhandelt, zodat jij je kunt concentreren op bouwen en leren in plaats van op configuratieproblemen.
Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsservice Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.