Web-Dev-For-Beginners/translations/sk/9-chat-project

Chat projekt

Tento chat projekt ukazuje, ako vytvoriť Chat Asistenta pomocou GitHub Models.

Takto vyzerá hotový projekt:

Trochu kontextu: vytváranie chat asistentov pomocou generatívnej AI je skvelý spôsob, ako začať učiť sa o AI. V tejto lekcii sa naučíte, ako integrovať generatívnu AI do webovej aplikácie. Poďme na to.

Pripojenie ku generatívnej AI

Na backend používame GitHub Models. Je to skvelá služba, ktorá vám umožňuje používať AI zadarmo. Prejdite na jej playground a získajte kód, ktorý zodpovedá vášmu zvolenému backend jazyku. Takto to vyzerá na GitHub Models Playground

Ako sme spomenuli, vyberte kartu "Code" a váš zvolený runtime.

V tomto prípade vyberáme Python, čo znamená, že použijeme tento kód:

"""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)

Upravme tento kód tak, aby bol znovu použiteľný:

def call_llm(prompt: str, system_message: str):
    response = 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

S touto funkciou call_llm teraz môžeme zadať prompt a systémový prompt a funkcia nám vráti výsledok.

Prispôsobenie AI asistenta

Ak chcete prispôsobiť AI asistenta, môžete špecifikovať, ako sa má správať, vyplnením systémového promptu takto:

call_llm("Tell me about you", "You're Albert Einstein, you only know of things in the time you were alive")

Zverejnenie cez Web API

Skvelé, máme hotovú AI časť, pozrime sa, ako ju môžeme integrovať do Web API. Pre Web API sme sa rozhodli použiť Flask, ale akýkoľvek webový framework by mal byť vhodný. Pozrime sa na kód:

# api.py
from flask import Flask, request, jsonify
from llm import call_llm
from flask_cors import CORS

app = Flask(__name__)
CORS(app)   # *   example.com

@app.route("/", methods=["GET"])
def index():
    return "Welcome to this API. Call POST /hello with 'message': 'my message' as JSON payload"


@app.route("/hello", methods=["POST"])
def hello():
    # get message from request body  { "message": "do this taks for me" }
    data = request.get_json()
    message = data.get("message", "")

    response = call_llm(message, "You are a helpful assistant.")
    return jsonify({
        "response": response
    })

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

Tu vytvárame Flask API a definujeme predvolenú trasu "/" a "/chat". Tá druhá je určená na použitie naším frontendom na odosielanie otázok.

Na integráciu llm.py potrebujeme urobiť nasledovné:

• Importovať funkciu call_llm:

  from llm import call_llm
  from flask import Flask, request
  

• Zavolať ju z trasy "/chat":

  @app.route("/hello", methods=["POST"])
  def hello():
     # get message from request body  { "message": "do this taks for me" }
     data = request.get_json()
     message = data.get("message", "")
  
     response = call_llm(message, "You are a helpful assistant.")
     return jsonify({
        "response": response
     })
  

  Tu analyzujeme prichádzajúcu požiadavku, aby sme získali vlastnosť message z JSON tela. Následne zavoláme LLM pomocou tohto volania:

  response = call_llm(message, "You are a helpful assistant")
  
  # return the response as JSON
  return jsonify({
     "response": response 
  })
  

Skvelé, teraz máme hotovo, čo sme potrebovali.

Nastavenie Cors

Mali by sme spomenúť, že sme nastavili niečo ako CORS, zdieľanie zdrojov medzi rôznymi doménami. To znamená, že keďže náš backend a frontend budú bežať na rôznych portoch, musíme povoliť frontendu volať backend. V api.py je kód, ktorý to nastavuje:

from flask_cors import CORS

app = Flask(__name__)
CORS(app)   # *   example.com

Momentálne je nastavený na povolenie "*" čo znamená všetky domény, čo je trochu nebezpečné. Mali by sme to obmedziť, keď prejdeme do produkcie.

Spustenie projektu

Dobre, máme llm.py a api.py, ako to môžeme spustiť s backendom? Potrebujeme urobiť dve veci:

• Nainštalovať závislosti:

  cd backend
  python -m venv venv
  source ./venv/bin/activate
  
  pip install openai flask flask-cors openai
  

• Spustiť API

  python api.py
  

  Ak ste v Codespaces, musíte prejsť na Ports v spodnej časti editora, kliknúť pravým tlačidlom myši na port a vybrať "Port Visibility" a zvoliť "Public".

Práca na fronte

Teraz, keď máme API spustené, vytvorme frontend pre tento projekt. Minimálny frontend, ktorý budeme postupne vylepšovať. V priečinku frontend vytvorte nasledovné:

backend/
frontend/
index.html
app.js
styles.css

Začnime s index.html:

<html>
    <head>
        <link rel="stylesheet" href="styles.css">
    </head>
    <body>
      <form>
        <textarea id="messages"></textarea>
        <input id="input" type="text" />
        <button type="submit" id="sendBtn">Send</button>  
      </form>  
      <script src="app.js" />
    </body>
</html>    

Toto je absolútne minimum, ktoré potrebujete na podporu chatovacieho okna, pozostáva z textového poľa, kde sa budú zobrazovať správy, vstupu na písanie správy a tlačidla na odoslanie správy na backend. Pozrime sa na JavaScript v app.js

app.js

// app.js

(function(){
  // 1. set up elements  
  const messages = document.getElementById("messages");
  const form = document.getElementById("form");
  const input = document.getElementById("input");

  const BASE_URL = "change this";
  const API_ENDPOINT = `${BASE_URL}/hello`;

  // 2. create a function that talks to our backend
  async function callApi(text) {
    const response = await fetch(API_ENDPOINT, {
      method: "POST",
      headers: { "Content-Type": "application/json" },
      body: JSON.stringify({ message: text })
    });
    let json = await response.json();
    return json.response;
  }

  // 3. add response to our textarea
  function appendMessage(text, role) {
    const el = document.createElement("div");
    el.className = `message ${role}`;
    el.innerHTML = text;
    messages.appendChild(el);
  }

  // 4. listen to submit events
  form.addEventListener("submit", async(e) => {
    e.preventDefault();
   // someone clicked the button in the form
   
   // get input
   const text = input.value.trim();

   appendMessage(text, "user")

   // reset it
   input.value = '';

   const reply = await callApi(text);

   // add to messages
   appendMessage(reply, "assistant");

  })
})();

Prejdime si kód po sekciách:

• 1. Tu získavame referenciu na všetky naše elementy, na ktoré sa budeme odkazovať neskôr v kóde.
• 2. V tejto sekcii vytvárame funkciu, ktorá používa zabudovanú metódu fetch na volanie nášho backendu.
• 3. appendMessage pomáha pridávať odpovede, ako aj to, čo napíšete ako používateľ.
• 4. Tu počúvame na udalosť submit, čítame vstupné pole, umiestňujeme správu používateľa do textového poľa, voláme API a zobrazujeme odpoveď v textovom poli.

Pozrime sa na štýlovanie, tu môžete byť kreatívni a upraviť vzhľad podľa svojich predstáv, ale tu sú niektoré návrhy:

styles.css

.message {
    background: #222;
    box-shadow: 0 0 0 10px orange;
    padding: 10px:
    margin: 5px;
}

.message.user {
    background: blue;
}

.message.assistant {
    background: grey;
} 

S týmito tromi triedami budete štýlovať správy rôzne v závislosti od toho, či pochádzajú od asistenta alebo od vás ako používateľa. Ak chcete inšpiráciu, pozrite si priečinok solution/frontend/styles.css.

Zmena Base Url

Jedna vec, ktorú sme tu nenastavili, bola BASE_URL, táto hodnota nie je známa, kým váš backend nie je spustený. Na nastavenie:

• Ak spúšťate API lokálne, malo by byť nastavené na niečo ako http://localhost:5000.
• Ak spúšťate v Codespaces, malo by vyzerať ako "[name]app.github.dev".

Zadanie

Vytvorte vlastný priečinok project s obsahom takto:

project/
  frontend/
    index.html
    app.js
    styles.css
  backend/
    api.py
    llm.py

Skopírujte obsah z toho, čo bolo uvedené vyššie, ale pokojne si ho prispôsobte podľa svojich predstáv.

Riešenie

Riešenie

Bonus

Skúste zmeniť osobnosť AI asistenta. Keď voláte call_llm v api.py, môžete zmeniť druhý argument na to, čo chcete, napríklad:

call_llm(message, "You are Captain Picard")

Zmeňte tiež CSS a text podľa svojich predstáv, teda urobte zmeny v index.html a styles.css.

Zhrnutie

Skvelé, naučili ste sa od základov, ako vytvoriť osobného asistenta pomocou AI. Urobili sme to pomocou GitHub Models, backendu v Pythone a frontendu v HTML, CSS a JavaScripte.

Nastavenie s Codespaces

• Prejdite na: Web Dev For Beginners repo

• Vytvorte z template (uistite sa, že ste prihlásení do GitHub) v pravom hornom rohu:

  

• Keď ste vo svojom repozitári, vytvorte Codespace:

  

  Toto by malo spustiť prostredie, s ktorým teraz môžete pracovať.

---

Upozornenie:
Tento dokument bol preložený pomocou služby na automatický preklad Co-op Translator. Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie odporúčame profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.