Web-Dev-For-Beginners/translations/id/9-chat-project/README.md

Membangun Asisten Chat dengan AI

Ingat saat di Star Trek, kru berbicara santai dengan komputer kapal, menanyakan pertanyaan kompleks dan mendapatkan jawaban yang bijaksana? Apa yang dulu tampak seperti fiksi ilmiah murni di tahun 1960-an kini menjadi sesuatu yang bisa Anda bangun menggunakan teknologi web yang sudah Anda kenal.

Dalam pelajaran ini, kita akan membuat asisten chat AI menggunakan HTML, CSS, JavaScript, dan beberapa integrasi backend. Anda akan menemukan bagaimana keterampilan yang telah Anda pelajari dapat terhubung dengan layanan AI yang kuat yang dapat memahami konteks dan menghasilkan respons yang bermakna.

Pikirkan AI seperti memiliki akses ke perpustakaan besar yang tidak hanya dapat menemukan informasi tetapi juga menyusunnya menjadi jawaban yang koheren yang disesuaikan dengan pertanyaan spesifik Anda. Alih-alih mencari melalui ribuan halaman, Anda mendapatkan respons langsung yang kontekstual.

Integrasi ini terjadi melalui teknologi web yang sudah familiar yang bekerja bersama. HTML menciptakan antarmuka chat, CSS menangani desain visual, JavaScript mengelola interaksi pengguna, dan API backend menghubungkan semuanya ke layanan AI. Ini mirip dengan bagaimana bagian-bagian berbeda dari orkestra bekerja bersama untuk menciptakan simfoni.

Pada dasarnya, kita sedang membangun jembatan antara komunikasi manusia alami dan pemrosesan mesin. Anda akan mempelajari implementasi teknis integrasi layanan AI dan pola desain yang membuat interaksi terasa intuitif.

Pada akhir pelajaran ini, integrasi AI akan terasa kurang seperti proses misterius dan lebih seperti API lain yang dapat Anda gunakan. Anda akan memahami pola dasar yang mendukung aplikasi seperti ChatGPT dan Claude, menggunakan prinsip pengembangan web yang sama yang telah Anda pelajari.

Berikut adalah tampilan proyek akhir Anda:

Memahami AI: Dari Misteri ke Penguasaan

Sebelum masuk ke kode, mari kita pahami apa yang sedang kita kerjakan. Jika Anda pernah menggunakan API sebelumnya, Anda tahu pola dasarnya: kirim permintaan, terima respons.

API AI mengikuti struktur serupa, tetapi alih-alih mengambil data yang sudah tersimpan dari database, mereka menghasilkan respons baru berdasarkan pola yang dipelajari dari sejumlah besar teks. Pikirkan ini seperti perbedaan antara sistem katalog perpustakaan dan pustakawan yang berpengetahuan luas yang dapat menyusun informasi dari berbagai sumber.

Apa Itu "Generative AI" Sebenarnya?

Pertimbangkan bagaimana Batu Rosetta memungkinkan para sarjana memahami hieroglif Mesir dengan menemukan pola antara bahasa yang dikenal dan yang tidak dikenal. Model AI bekerja dengan cara yang sama – mereka menemukan pola dalam sejumlah besar teks untuk memahami cara kerja bahasa, lalu menggunakan pola tersebut untuk menghasilkan respons yang sesuai dengan pertanyaan baru.

Mari saya jelaskan dengan perbandingan sederhana:

• Database tradisional: Seperti meminta akta kelahiran Anda – Anda mendapatkan dokumen yang sama persis setiap kali
• Mesin pencari: Seperti meminta pustakawan menemukan buku tentang kucing – mereka menunjukkan apa yang tersedia
• Generative AI: Seperti bertanya kepada teman yang berpengetahuan tentang kucing – mereka memberi tahu Anda hal-hal menarik dengan kata-kata mereka sendiri, disesuaikan dengan apa yang ingin Anda ketahui

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

Bagaimana Model AI Belajar (Versi Sederhana)

Model AI belajar melalui paparan dataset besar yang berisi teks dari buku, artikel, dan percakapan. Melalui proses ini, mereka mengidentifikasi pola dalam:

• Bagaimana pemikiran disusun dalam komunikasi tertulis
• Kata-kata apa yang biasanya muncul bersama
• Bagaimana percakapan biasanya mengalir
• Perbedaan kontekstual antara komunikasi formal dan informal

Ini mirip dengan bagaimana arkeolog menguraikan bahasa kuno: mereka menganalisis ribuan contoh untuk memahami tata bahasa, kosakata, dan konteks budaya, akhirnya mampu menafsirkan teks baru menggunakan pola yang telah dipelajari.

Mengapa Model GitHub?

Kami menggunakan Model GitHub karena alasan yang cukup praktis – ini memberi kami akses ke AI tingkat perusahaan tanpa harus mengatur infrastruktur AI kami sendiri (yang, percayalah, Anda tidak ingin melakukannya sekarang!). Pikirkan ini seperti menggunakan API cuaca daripada mencoba memprediksi cuaca sendiri dengan mendirikan stasiun cuaca di mana-mana.

Ini pada dasarnya adalah "AI-as-a-Service," dan bagian terbaiknya? Gratis untuk memulai, sehingga Anda dapat bereksperimen tanpa khawatir tentang biaya yang besar.

graph LR
    A[Frontend Chat UI] --> B[Your Backend API]
    B --> C[GitHub Models API]
    C --> D[AI Model Processing]
    D --> C
    C --> B
    B --> A

Kami akan menggunakan Model GitHub untuk integrasi backend kami, yang menyediakan akses ke kemampuan AI tingkat profesional melalui antarmuka yang ramah pengembang. GitHub Models Playground berfungsi sebagai lingkungan pengujian di mana Anda dapat bereksperimen dengan berbagai model AI dan memahami kemampuannya sebelum mengimplementasikannya dalam kode.

Berikut adalah apa yang membuat playground ini sangat berguna:

• Coba berbagai model AI seperti GPT-4o-mini, Claude, dan lainnya (semuanya gratis!)
• Uji ide dan prompt Anda sebelum menulis kode apa pun
• Dapatkan cuplikan kode siap pakai dalam bahasa pemrograman favorit Anda
• Sesuaikan pengaturan seperti tingkat kreativitas dan panjang respons untuk melihat bagaimana mereka memengaruhi output

Setelah Anda mencoba-coba sedikit, cukup klik tab "Code" dan pilih bahasa pemrograman Anda untuk mendapatkan kode implementasi yang Anda butuhkan.

Menyiapkan Integrasi Backend Python

Sekarang mari kita implementasikan integrasi AI menggunakan Python. Python sangat baik untuk aplikasi AI karena sintaksnya yang sederhana dan pustaka yang kuat. Kita akan mulai dengan kode dari playground Model GitHub dan kemudian merombaknya menjadi fungsi yang dapat digunakan kembali dan siap produksi.

Memahami Implementasi Dasar

Ketika Anda mengambil kode Python dari playground, Anda akan mendapatkan sesuatu yang terlihat seperti ini. Jangan khawatir jika awalnya tampak banyak – mari kita bahas bagian demi bagian:

"""Run this model in Python

> pip install openai
"""
import os
from openai import OpenAI

# To authenticate with the model you will need to generate a personal access token (PAT) in your GitHub settings. 
# Create your PAT token by following instructions here: https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens
client = OpenAI(
    base_url="https://models.github.ai/inference",
    api_key=os.environ["GITHUB_TOKEN"],
)

```python
response = client.chat.completions.create(
    messages=[
        {
            "role": "system",
            "content": "",
        },
        {
            "role": "user",
            "content": "What is the capital of France?",
        }
    ],
    model="openai/gpt-4o-mini",
    temperature=1,
    max_tokens=4096,
    top_p=1
)

print(response.choices[0].message.content)

Berikut adalah apa yang terjadi dalam kode ini:

• Kita mengimpor alat yang kita butuhkan: os untuk membaca variabel lingkungan dan OpenAI untuk berbicara dengan AI
• Kita mengatur klien OpenAI untuk menunjuk ke server AI GitHub alih-alih langsung ke OpenAI
• Kita mengautentikasi menggunakan token GitHub khusus (lebih lanjut tentang ini nanti!)
• Kita menyusun percakapan kita dengan berbagai "peran" – pikirkan ini seperti mengatur adegan untuk sebuah drama
• Kita mengirim permintaan kita ke AI dengan beberapa parameter penyetelan
• Kita mengekstrak teks respons aktual dari semua data yang kembali

Memahami Peran Pesan: Kerangka Percakapan AI

Percakapan AI menggunakan struktur spesifik dengan berbagai "peran" yang memiliki tujuan berbeda:

messages=[
    {
        "role": "system",
        "content": "You are a helpful assistant who explains things simply."
    },
    {
        "role": "user", 
        "content": "What is machine learning?"
    }
]

Pikirkan ini seperti mengarahkan sebuah drama:

• Peran sistem: Seperti arahan panggung untuk aktor – ini memberi tahu AI bagaimana berperilaku, kepribadian apa yang dimiliki, dan bagaimana merespons
• Peran pengguna: Pertanyaan atau pesan aktual dari orang yang menggunakan aplikasi Anda
• Peran asisten: Respons AI (Anda tidak mengirim ini, tetapi muncul dalam riwayat percakapan)

Analogi dunia nyata: Bayangkan Anda memperkenalkan seorang teman kepada seseorang di sebuah pesta:

• Pesan sistem: "Ini teman saya Sarah, dia seorang dokter yang pandai menjelaskan konsep medis dengan cara yang sederhana"
• Pesan pengguna: "Bisakah Anda menjelaskan bagaimana vaksin bekerja?"
• Respons asisten: Sarah merespons sebagai dokter yang ramah, bukan sebagai pengacara atau koki

Memahami Parameter AI: Menyetel Perilaku Respons

Parameter numerik dalam panggilan API AI mengontrol bagaimana model menghasilkan respons. Pengaturan ini memungkinkan Anda menyesuaikan perilaku AI untuk berbagai kasus penggunaan:

Temperature (0.0 hingga 2.0): Pengatur Kreativitas

Apa yang dilakukan: Mengontrol seberapa kreatif atau dapat diprediksi respons AI.

Pikirkan ini seperti tingkat improvisasi musisi jazz:

• Temperature = 0.1: Memainkan melodi yang sama persis setiap saat (sangat dapat diprediksi)
• Temperature = 0.7: Menambahkan beberapa variasi yang menarik sambil tetap dapat dikenali (kreativitas seimbang)
• Temperature = 1.5: Jazz eksperimental penuh dengan tikungan tak terduga (sangat tidak dapat diprediksi)

# Very predictable responses (good for factual questions)
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "What is 2+2?"}],
    temperature=0.1  # Will almost always say "4"
)

# Creative responses (good for brainstorming)
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "Write a creative story opening"}],
    temperature=1.2  # Will generate unique, unexpected stories
)

Max Tokens (1 hingga 4096+): Pengontrol Panjang Respons

Apa yang dilakukan: Menetapkan batas pada seberapa panjang respons AI.

Pikirkan token sebagai kira-kira setara dengan kata (sekitar 1 token = 0.75 kata dalam bahasa Inggris):

• max_tokens=50: Pendek dan padat (seperti pesan teks)
• max_tokens=500: Satu atau dua paragraf yang bagus
• max_tokens=2000: Penjelasan rinci dengan contoh

# Short, concise answers
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "Explain JavaScript"}],
    max_tokens=100  # Forces a brief explanation
)

# Detailed, comprehensive answers  
response = client.chat.completions.create(
    messages=[{"role": "user", "content": "Explain JavaScript"}],
    max_tokens=1500  # Allows for detailed explanations with examples
)

Top_p (0.0 hingga 1.0): Parameter Fokus

Apa yang dilakukan: Mengontrol seberapa fokus AI tetap pada respons yang paling mungkin.

Bayangkan AI memiliki kosakata besar, diurutkan berdasarkan seberapa mungkin setiap kata muncul:

• top_p=0.1: Hanya mempertimbangkan 10% kata yang paling mungkin (sangat fokus)
• top_p=0.9: Mempertimbangkan 90% kata yang mungkin (lebih kreatif)
• top_p=1.0: Mempertimbangkan semuanya (variasi maksimum)

Sebagai contoh: Jika Anda bertanya "Langit biasanya..."

• Top_p rendah: Hampir pasti mengatakan "biru"
• Top_p tinggi: Mungkin mengatakan "biru", "berawan", "luas", "berubah", "indah", dll.

Menggabungkan Semuanya: Kombinasi Parameter untuk Berbagai Kasus Penggunaan

# For factual, consistent answers (like a documentation bot)
factual_params = {
    "temperature": 0.2,
    "max_tokens": 300,
    "top_p": 0.3
}

# For creative writing assistance
creative_params = {
    "temperature": 1.1,
    "max_tokens": 1000,
    "top_p": 0.9
}

# For conversational, helpful responses (balanced)
conversational_params = {
    "temperature": 0.7,
    "max_tokens": 500,
    "top_p": 0.8
}

Memahami mengapa parameter ini penting: Aplikasi yang berbeda membutuhkan jenis respons yang berbeda. Bot layanan pelanggan harus konsisten dan faktual (temperature rendah), sementara asisten penulisan kreatif harus imajinatif dan bervariasi (temperature tinggi). Memahami parameter ini memberi Anda kendali atas kepribadian dan gaya respons AI Anda.

**Here's what's happening in this code:**
- **We import** the tools we need: `os` for reading environment variables and `OpenAI` for talking to the AI
- **We set up** the OpenAI client to point to GitHub's AI servers instead of OpenAI directly
- **We authenticate** using a special GitHub token (more on that in a minute!)
- **We structure** our conversation with different "roles" – think of it like setting the scene for a play
- **We send** our request to the AI with some fine-tuning parameters
- **We extract** the actual response text from all the data that comes back

> 🔐 **Security Note**: Never hardcode API keys in your source code! Always use environment variables to store sensitive credentials like your `GITHUB_TOKEN`.

### Creating a Reusable AI Function

Let's refactor this code into a clean, reusable function that we can easily integrate into our web application:

```python
import asyncio
from openai import AsyncOpenAI

# Use AsyncOpenAI for better performance
client = AsyncOpenAI(
    base_url="https://models.github.ai/inference",
    api_key=os.environ["GITHUB_TOKEN"],
)

async def call_llm_async(prompt: str, system_message: str = "You are a helpful assistant."):
    """
    Sends a prompt to the AI model asynchronously and returns the response.
    
    Args:
        prompt: The user's question or message
        system_message: Instructions that define the AI's behavior and personality
    
    Returns:
        str: The AI's response to the prompt
    """
    try:
        response = await client.chat.completions.create(
            messages=[
                {
                    "role": "system",
                    "content": system_message,
                },
                {
                    "role": "user",
                    "content": prompt,
                }
            ],
            model="openai/gpt-4o-mini",
            temperature=1,
            max_tokens=4096,
            top_p=1
        )
        return response.choices[0].message.content
    except Exception as e:
        logger.error(f"AI API error: {str(e)}")
        return "I'm sorry, I'm having trouble processing your request right now."

# Backward compatibility function for synchronous calls
def call_llm(prompt: str, system_message: str = "You are a helpful assistant."):
    """Synchronous wrapper for async AI calls."""
    return asyncio.run(call_llm_async(prompt, system_message))

Memahami fungsi yang ditingkatkan ini:

• Menerima dua parameter: prompt pengguna dan pesan sistem opsional
• Menyediakan pesan sistem default untuk perilaku asisten umum
• Menggunakan petunjuk tipe Python yang tepat untuk dokumentasi kode yang lebih baik
• Mengembalikan hanya konten respons, membuatnya mudah digunakan dalam API web kami
• Mempertahankan parameter model yang sama untuk perilaku AI yang konsisten

Keajaiban Prompt Sistem: Memprogram Kepribadian AI

Jika parameter mengontrol bagaimana AI berpikir, prompt sistem mengontrol siapa AI berpikir dirinya. Ini adalah salah satu bagian paling keren dari bekerja dengan AI – Anda pada dasarnya memberikan AI kepribadian lengkap, tingkat keahlian, dan gaya komunikasi.

Pikirkan prompt sistem seperti memilih aktor untuk peran tertentu: Alih-alih memiliki satu asisten generik, Anda dapat menciptakan ahli khusus untuk situasi yang berbeda. Butuh guru yang sabar? Mitra brainstorming yang kreatif? Penasihat bisnis yang tegas? Cukup ubah prompt sistem!

Mengapa Prompt Sistem Sangat Kuat

Berikut bagian yang menarik: Model AI telah dilatih pada banyak percakapan di mana orang mengadopsi peran dan tingkat keahlian yang berbeda. Ketika Anda memberikan AI peran tertentu, itu seperti menyalakan saklar yang mengaktifkan semua pola yang dipelajari tersebut.

Ini seperti metode akting untuk AI: Katakan kepada seorang aktor "Anda adalah profesor tua yang bijaksana" dan lihat bagaimana mereka secara otomatis menyesuaikan postur, kosakata, dan gaya bicara mereka. AI melakukan sesuatu yang sangat mirip dengan pola bahasa.

Membuat Prompt Sistem yang Efektif: Seni dan Ilmu

Anatomi prompt sistem yang hebat:

1. Peran/Identitas: Siapa AI itu?
2. Keahlian: Apa yang mereka ketahui?
3. Gaya komunikasi: Bagaimana mereka berbicara?
4. Instruksi spesifik: Apa yang harus mereka fokuskan?

# ❌ Vague system prompt
"You are helpful."

# ✅ Detailed, effective system prompt
"You are Dr. Sarah Chen, a senior software engineer with 15 years of experience at major tech companies. You explain programming concepts using real-world analogies and always provide practical examples. You're patient with beginners and enthusiastic about helping them understand complex topics."

Contoh Prompt Sistem dengan Konteks

Mari kita lihat bagaimana prompt sistem yang berbeda menciptakan kepribadian AI yang sepenuhnya berbeda:

# Example 1: The Patient Teacher
teacher_prompt = """
You are an experienced programming instructor who has taught thousands of students. 
You break down complex concepts into simple steps, use analogies from everyday life, 
and always check if the student understands before moving on. You're encouraging 
and never make students feel bad for not knowing something.
"""

# Example 2: The Creative Collaborator  
creative_prompt = """
You are a creative writing partner who loves brainstorming wild ideas. You're 
enthusiastic, imaginative, and always build on the user's ideas rather than 
replacing them. You ask thought-provoking questions to spark creativity and 
offer unexpected perspectives that make stories more interesting.
"""

# Example 3: The Strategic Business Advisor
business_prompt = """
You are a strategic business consultant with an MBA and 20 years of experience 
helping startups scale. You think in frameworks, provide structured advice, 
and always consider both short-term tactics and long-term strategy. You ask 
probing questions to understand the full business context before giving advice.
"""

Melihat Prompt Sistem dalam Aksi

Mari kita uji pertanyaan yang sama dengan prompt sistem yang berbeda untuk melihat perbedaan dramatis:

Pertanyaan: "Bagaimana cara menangani autentikasi pengguna dalam aplikasi web saya?"

# With teacher prompt:
teacher_response = call_llm(
    "How do I handle user authentication in my web app?",
    teacher_prompt
)
# Typical response: "Great question! Let's break authentication down into simple steps. 
# Think of it like a nightclub bouncer checking IDs..."

# With business prompt:
business_response = call_llm(
    "How do I handle user authentication in my web app?", 
    business_prompt
)
# Typical response: "From a strategic perspective, authentication is crucial for user 
# trust and regulatory compliance. Let me outline a framework considering security, 
# user experience, and scalability..."

Teknik Prompt Sistem Lanjutan

1. Pengaturan Konteks: Berikan AI informasi latar belakang

system_prompt = """
You are helping a junior developer who just started their first job at a startup. 
They know basic HTML/CSS/JavaScript but are new to backend development and databases. 
Be encouraging and explain things step-by-step without being condescending.
"""

2. Format Output: Beritahu AI bagaimana menyusun respons

system_prompt = """
You are a technical mentor. Always structure your responses as:
1. Quick Answer (1-2 sentences)
2. Detailed Explanation 
3. Code Example
4. Common Pitfalls to Avoid
5. Next Steps for Learning
"""

3. Pengaturan Kendala: Tentukan apa yang TIDAK boleh dilakukan oleh AI

system_prompt = """
You are a coding tutor focused on teaching best practices. Never write complete 
solutions for the user - instead, guide them with hints and questions so they 
learn by doing. Always explain the 'why' behind coding decisions.
"""

Mengapa Ini Penting untuk Asisten Chat Anda

Memahami prompt sistem memberi Anda kekuatan luar biasa untuk menciptakan asisten AI khusus:

• Bot layanan pelanggan: Membantu, sabar, sadar kebijakan
• Tutor pembelajaran: Mendukung, langkah demi langkah, memeriksa pemahaman
• Mitra kreatif: Imajinatif, membangun ide, bertanya "bagaimana jika?"
• Ahli teknis: Tepat, rinci, sadar keamanan

Wawasan utama: Anda tidak hanya memanggil API AI – Anda menciptakan kepribadian AI khusus yang melayani kasus penggunaan spesifik Anda. Inilah yang membuat aplikasi AI modern terasa disesuaikan dan berguna daripada generik.

Membangun API Web dengan FastAPI: Hub Komunikasi AI Berperforma Tinggi Anda

Sekarang mari kita bangun backend yang menghubungkan frontend Anda ke layanan AI. Kita akan menggunakan FastAPI, kerangka kerja Python modern yang unggul dalam membangun API untuk aplikasi AI.

FastAPI menawarkan beberapa keuntungan untuk jenis proyek ini: dukungan async bawaan untuk menangani permintaan bersamaan, pembuatan dokumentasi API otomatis, dan kinerja yang sangat baik. Server FastAPI Anda bertindak sebagai perantara yang menerima permintaan dari frontend, berkomunikasi dengan layanan AI, dan mengembalikan respons yang diformat.

Mengapa FastAPI untuk Aplikasi AI?

Anda mungkin bertanya: "Apakah saya tidak bisa langsung memanggil AI dari JavaScript frontend saya?" atau "Mengapa FastAPI daripada Flask atau Django?" Pertanyaan yang bagus! Inilah alasan mengapa FastAPI sangat cocok untuk apa yang kita bangun:

• Async secara default: Dapat menangani banyak permintaan AI sekaligus tanpa macet
• Dokumentasi otomatis: Kunjungi /docs dan dapatkan halaman dokumentasi API interaktif yang indah secara gratis
• Validasi bawaan: Menangkap kesalahan sebelum menyebabkan masalah
• Sangat cepat: Salah satu framework Python tercepat yang ada
• Python modern: Menggunakan semua fitur terbaru dan terbaik dari Python

Dan inilah alasan mengapa kita membutuhkan backend:

Keamanan: Kunci API AI Anda seperti kata sandi – jika Anda meletakkannya di JavaScript frontend, siapa pun yang melihat kode sumber situs web Anda dapat mencurinya dan menggunakan kredit AI Anda. Backend menjaga kredensial sensitif tetap aman.

Rate Limiting & Kontrol: Backend memungkinkan Anda mengontrol seberapa sering pengguna dapat membuat permintaan, menerapkan autentikasi pengguna, dan menambahkan logging untuk melacak penggunaan.

Pemrosesan Data: Anda mungkin ingin menyimpan percakapan, menyaring konten yang tidak pantas, atau menggabungkan beberapa layanan AI. Backend adalah tempat logika ini berada.

Arsitektur menyerupai model client-server:

• Frontend: Lapisan antarmuka pengguna untuk interaksi
• Backend API: Lapisan pemrosesan dan pengaturan permintaan
• Layanan AI: Komputasi eksternal dan pembuatan respons
• Variabel Lingkungan: Penyimpanan konfigurasi dan kredensial yang aman

Memahami Alur Permintaan-Respons

Mari kita telusuri apa yang terjadi ketika pengguna mengirim pesan:

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

Memahami setiap langkah:

1. Interaksi pengguna: Orang mengetik di antarmuka chat
2. Pemrosesan frontend: JavaScript menangkap input dan memformatnya sebagai JSON
3. Validasi API: FastAPI secara otomatis memvalidasi permintaan menggunakan model Pydantic
4. Integrasi AI: Backend menambahkan konteks (system prompt) dan memanggil layanan AI
5. Penanganan respons: API menerima respons AI dan dapat memodifikasinya jika diperlukan
6. Tampilan frontend: JavaScript menampilkan respons di antarmuka chat

Memahami Arsitektur API

sequenceDiagram
    participant Frontend
    participant FastAPI
    participant AI Function
    participant GitHub Models
    
    Frontend->>FastAPI: POST /hello {"message": "Hello AI!"}
    FastAPI->>AI Function: call_llm(message, system_prompt)
    AI Function->>GitHub Models: API request
    GitHub Models->>AI Function: AI response
    AI Function->>FastAPI: response text
    FastAPI->>Frontend: {"response": "Hello! How can I help?"}

Membuat Aplikasi FastAPI

Mari kita bangun API kita langkah demi langkah. Buat file bernama api.py dengan kode FastAPI berikut:

# api.py
from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel
from llm import call_llm
import logging

# Configure logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Create FastAPI application
app = FastAPI(
    title="AI Chat API",
    description="A high-performance API for AI-powered chat applications",
    version="1.0.0"
)

# Configure CORS
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],  # Configure appropriately for production
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

# Pydantic models for request/response validation
class ChatMessage(BaseModel):
    message: str

class ChatResponse(BaseModel):
    response: str

@app.get("/")
async def root():
    """Root endpoint providing API information."""
    return {
        "message": "Welcome to the AI Chat API",
        "docs": "/docs",
        "health": "/health"
    }

@app.get("/health")
async def health_check():
    """Health check endpoint."""
    return {"status": "healthy", "service": "ai-chat-api"}

@app.post("/hello", response_model=ChatResponse)
async def chat_endpoint(chat_message: ChatMessage):
    """Main chat endpoint that processes messages and returns AI responses."""
    try:
        # Extract and validate message
        message = chat_message.message.strip()
        if not message:
            raise HTTPException(status_code=400, detail="Message cannot be empty")
        
        logger.info(f"Processing message: {message[:50]}...")
        
        # Call AI service (note: call_llm should be made async for better performance)
        ai_response = await call_llm_async(message, "You are a helpful and friendly assistant.")
        
        logger.info("AI response generated successfully")
        return ChatResponse(response=ai_response)
        
    except HTTPException:
        raise
    except Exception as e:
        logger.error(f"Error processing chat message: {str(e)}")
        raise HTTPException(status_code=500, detail="Internal server error")

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

Memahami implementasi FastAPI:

• Mengimpor FastAPI untuk fungsionalitas framework web modern dan Pydantic untuk validasi data
• Membuat dokumentasi API otomatis (tersedia di /docs saat server berjalan)
• Mengaktifkan middleware CORS untuk memungkinkan permintaan frontend dari asal yang berbeda
• Mendefinisikan model Pydantic untuk validasi dan dokumentasi permintaan/respons otomatis
• Menggunakan endpoint async untuk kinerja yang lebih baik dengan permintaan bersamaan
• Mengimplementasikan kode status HTTP yang tepat dan penanganan kesalahan dengan HTTPException
• Menyertakan logging terstruktur untuk pemantauan dan debugging
• Menyediakan endpoint pemeriksaan kesehatan untuk memantau status layanan

Keunggulan utama FastAPI dibandingkan framework tradisional:

• Validasi otomatis: Model Pydantic memastikan integritas data sebelum diproses
• Dokumentasi interaktif: Kunjungi /docs untuk dokumentasi API yang dibuat otomatis dan dapat diuji
• Keamanan tipe: Petunjuk tipe Python mencegah kesalahan runtime dan meningkatkan kualitas kode
• Dukungan async: Menangani banyak permintaan AI secara bersamaan tanpa hambatan
• Performa: Pemrosesan permintaan yang jauh lebih cepat untuk aplikasi real-time

Memahami CORS: Penjaga Keamanan Web

CORS (Cross-Origin Resource Sharing) seperti penjaga keamanan di sebuah gedung yang memeriksa apakah pengunjung diizinkan masuk. Mari kita pahami mengapa ini penting dan bagaimana pengaruhnya terhadap aplikasi Anda.

Apa itu CORS dan Mengapa Ada?

Masalahnya: Bayangkan jika situs web mana pun dapat membuat permintaan ke situs web bank Anda atas nama Anda tanpa izin. Itu akan menjadi mimpi buruk keamanan! Browser mencegah ini secara default melalui "Kebijakan Same-Origin."

Kebijakan Same-Origin: Browser hanya mengizinkan halaman web untuk membuat permintaan ke domain, port, dan protokol yang sama dari mana mereka dimuat.

Analogi dunia nyata: Ini seperti keamanan gedung apartemen – hanya penghuni (asal yang sama) yang dapat mengakses gedung secara default. Jika Anda ingin membiarkan teman (asal yang berbeda) berkunjung, Anda harus secara eksplisit memberi tahu keamanan bahwa itu diperbolehkan.

CORS di Lingkungan Pengembangan Anda

Selama pengembangan, frontend dan backend Anda berjalan di port yang berbeda:

• Frontend: http://localhost:3000 (atau file:// jika membuka HTML langsung)
• Backend: http://localhost:5000

Ini dianggap sebagai "asal yang berbeda" meskipun berada di komputer yang sama!

from fastapi.middleware.cors import CORSMiddleware

app = FastAPI(__name__)
CORS(app)   # This tells browsers: "It's okay for other origins to make requests to this API"

Apa yang dilakukan konfigurasi CORS dalam praktiknya:

• Menambahkan header HTTP khusus ke respons API yang memberi tahu browser "permintaan lintas asal ini diizinkan"
• Menangani permintaan "preflight" (browser terkadang memeriksa izin sebelum mengirimkan permintaan sebenarnya)
• Mencegah kesalahan "diblokir oleh kebijakan CORS" yang ditakuti di konsol browser Anda

Keamanan CORS: Pengembangan vs Produksi

# 🚨 Development: Allows ALL origins (convenient but insecure)
CORS(app)

# ✅ Production: Only allow your specific frontend domain
CORS(app, origins=["https://yourdomain.com", "https://www.yourdomain.com"])

# 🔒 Advanced: Different origins for different environments
if app.debug:  # Development mode
    CORS(app, origins=["http://localhost:3000", "http://127.0.0.1:3000"])
else:  # Production mode
    CORS(app, origins=["https://yourdomain.com"])

Mengapa ini penting: Dalam pengembangan, CORS(app) seperti membiarkan pintu depan Anda tidak terkunci – nyaman tetapi tidak aman. Dalam produksi, Anda ingin menentukan dengan tepat situs web mana yang dapat berbicara dengan API Anda.

Skenario dan Solusi CORS Umum

Skenario	Masalah	Solusi
Pengembangan Lokal	Frontend tidak dapat mencapai backend	Tambahkan CORSMiddleware ke FastAPI
GitHub Pages + Heroku	Frontend yang diterapkan tidak dapat mencapai API	Tambahkan URL GitHub Pages Anda ke asal CORS
Domain Kustom	Kesalahan CORS di produksi	Perbarui asal CORS agar sesuai dengan domain Anda
Aplikasi Mobile	Aplikasi tidak dapat mencapai web API	Tambahkan domain aplikasi Anda atau gunakan * dengan hati-hati

Tips profesional: Anda dapat memeriksa header CORS di Developer Tools browser Anda di tab Network. Cari header seperti Access-Control-Allow-Origin di respons.

Penanganan Kesalahan dan Validasi

Perhatikan bagaimana API kita menyertakan penanganan kesalahan yang tepat:

# Validate that we received a message
if not message:
    return jsonify({"error": "Message field is required"}), 400

Prinsip validasi utama:

• Memeriksa bidang yang diperlukan sebelum memproses permintaan
• Mengembalikan pesan kesalahan yang bermakna dalam format JSON
• Menggunakan kode status HTTP yang sesuai (400 untuk permintaan buruk)
• Memberikan umpan balik yang jelas untuk membantu pengembang frontend memecahkan masalah

Menyiapkan dan Menjalankan Backend Anda

Sekarang kita telah menyiapkan integrasi AI dan server FastAPI, mari kita jalankan semuanya. Proses pengaturan melibatkan instalasi dependensi Python, konfigurasi variabel lingkungan, dan memulai server pengembangan Anda.

Pengaturan Lingkungan Python

Mari kita siapkan lingkungan pengembangan Python Anda. Lingkungan virtual seperti pendekatan terkompartementasi Proyek Manhattan – setiap proyek mendapatkan ruang terisolasi sendiri dengan alat dan dependensi spesifik, mencegah konflik antar proyek.

# Navigate to your backend directory
cd backend

# Create a virtual environment (like creating a clean room for your project)
python -m venv venv

# Activate it (Linux/Mac)
source ./venv/bin/activate

# On Windows, use:
# venv\Scripts\activate

# Install the good stuff
pip install openai fastapi uvicorn python-dotenv

Apa yang baru saja kita lakukan:

• Membuat gelembung Python kita sendiri di mana kita dapat menginstal paket tanpa memengaruhi apa pun
• Mengaktifkan sehingga terminal kita tahu untuk menggunakan lingkungan spesifik ini
• Menginstal kebutuhan dasar: OpenAI untuk keajaiban AI, FastAPI untuk web API kita, Uvicorn untuk menjalankannya, dan python-dotenv untuk pengelolaan rahasia yang aman

Penjelasan dependensi utama:

• FastAPI: Framework web modern dan cepat dengan dokumentasi API otomatis
• Uvicorn: Server ASGI yang sangat cepat untuk menjalankan aplikasi FastAPI
• OpenAI: Library resmi untuk integrasi Model GitHub dan API OpenAI
• python-dotenv: Memuat variabel lingkungan secara aman dari file .env

Konfigurasi Lingkungan: Menjaga Rahasia Tetap Aman

Sebelum kita memulai API kita, kita perlu membahas salah satu pelajaran terpenting dalam pengembangan web: bagaimana menjaga rahasia Anda tetap benar-benar aman. Variabel lingkungan seperti brankas aman yang hanya dapat diakses oleh aplikasi Anda.

Apa Itu Variabel Lingkungan?

Pikirkan variabel lingkungan seperti kotak deposit aman – Anda meletakkan barang berharga Anda di sana, dan hanya Anda (dan aplikasi Anda) yang memiliki kunci untuk mengambilnya. Alih-alih menulis informasi sensitif langsung di kode Anda (di mana siapa pun dapat melihatnya), Anda menyimpannya dengan aman di lingkungan.

Berikut perbedaannya:

• Cara yang salah: Menulis kata sandi Anda di catatan tempel dan meletakkannya di monitor Anda
• Cara yang benar: Menyimpan kata sandi Anda di pengelola kata sandi yang aman yang hanya dapat Anda akses

Mengapa Variabel Lingkungan Penting

# 🚨 NEVER DO THIS - API key visible to everyone
client = OpenAI(
    api_key="ghp_1234567890abcdef...",  # Anyone can steal this!
    base_url="https://models.github.ai/inference"
)

# ✅ DO THIS - API key stored securely
client = OpenAI(
    api_key=os.environ["GITHUB_TOKEN"],  # Only your app can access this
    base_url="https://models.github.ai/inference"
)

Apa yang terjadi ketika Anda menulis rahasia di kode:

1. Paparan kontrol versi: Siapa pun yang memiliki akses ke repositori Git Anda dapat melihat kunci API Anda
2. Repositori publik: Jika Anda mengunggah ke GitHub, kunci Anda terlihat oleh seluruh internet
3. Berbagi tim: Pengembang lain yang bekerja pada proyek Anda mendapatkan akses ke kunci API pribadi Anda
4. Pelanggaran keamanan: Jika seseorang mencuri kunci API Anda, mereka dapat menggunakan kredit AI Anda

Menyiapkan File Lingkungan Anda

Buat file .env di direktori backend Anda. File ini menyimpan rahasia Anda secara lokal:

# .env file - This should NEVER be committed to Git
GITHUB_TOKEN=your_github_personal_access_token_here
FASTAPI_DEBUG=True
ENVIRONMENT=development

Memahami file .env:

• Satu rahasia per baris dalam format KEY=value
• Tidak ada spasi di sekitar tanda sama dengan
• Tidak perlu tanda kutip di sekitar nilai (biasanya)
• Komentar dimulai dengan #

Membuat Token Akses Pribadi GitHub Anda

Token GitHub Anda seperti kata sandi khusus yang memberi aplikasi Anda izin untuk menggunakan layanan AI GitHub:

Langkah-langkah pembuatan token:

1. Pergi ke Pengaturan GitHub → Pengaturan pengembang → Token akses pribadi → Token (klasik)
2. Klik "Generate new token (classic)"
3. Tetapkan masa berlaku (30 hari untuk pengujian, lebih lama untuk produksi)
4. Pilih cakupan: Centang "repo" dan izin lain yang Anda butuhkan
5. Buat token dan salin segera (Anda tidak dapat melihatnya lagi!)
6. Tempelkan ke file .env Anda

# Example of what your token looks like (this is fake!)
GITHUB_TOKEN=ghp_1A2B3C4D5E6F7G8H9I0J1K2L3M4N5O6P7Q8R

Memuat Variabel Lingkungan di Python

import os
from dotenv import load_dotenv

# Load environment variables from .env file
load_dotenv()

# Now you can access them securely
api_key = os.environ.get("GITHUB_TOKEN")
if not api_key:
    raise ValueError("GITHUB_TOKEN not found in environment variables!")

client = OpenAI(
    api_key=api_key,
    base_url="https://models.github.ai/inference"
)

Apa yang dilakukan kode ini:

• Memuat file .env Anda dan membuat variabel tersedia untuk Python
• Memeriksa apakah token yang diperlukan ada (penanganan kesalahan yang baik!)
• Menghasilkan kesalahan yang jelas jika token hilang
• Menggunakan token secara aman tanpa mengeksposnya di kode

Keamanan Git: File .gitignore

File .gitignore Anda memberi tahu Git file mana yang tidak boleh dilacak atau diunggah:

# .gitignore - Add these lines
.env
*.env
.env.local
.env.production
__pycache__/
venv/
.vscode/

Mengapa ini penting: Setelah Anda menambahkan .env ke .gitignore, Git akan mengabaikan file lingkungan Anda, mencegah Anda secara tidak sengaja mengunggah rahasia Anda ke GitHub.

Lingkungan yang Berbeda, Rahasia yang Berbeda

Aplikasi profesional menggunakan kunci API yang berbeda untuk lingkungan yang berbeda:

# .env.development
GITHUB_TOKEN=your_development_token
DEBUG=True

# .env.production  
GITHUB_TOKEN=your_production_token
DEBUG=False

Mengapa ini penting: Anda tidak ingin eksperimen pengembangan Anda memengaruhi kuota penggunaan AI produksi Anda, dan Anda menginginkan tingkat keamanan yang berbeda untuk lingkungan yang berbeda.

Memulai Server Pengembangan Anda: Menghidupkan FastAPI Anda

Sekarang saatnya momen yang mendebarkan – memulai server pengembangan FastAPI Anda dan melihat integrasi AI Anda hidup! FastAPI menggunakan Uvicorn, server ASGI yang sangat cepat yang dirancang khusus untuk aplikasi Python async.

Memahami Proses Startup Server FastAPI

# Method 1: Direct Python execution (includes auto-reload)
python api.py

# Method 2: Using Uvicorn directly (more control)
uvicorn api:app --host 0.0.0.0 --port 5000 --reload

Ketika Anda menjalankan perintah ini, berikut yang terjadi di balik layar:

1. Python memuat aplikasi FastAPI Anda:

• Mengimpor semua library yang diperlukan (FastAPI, Pydantic, OpenAI, dll.)
• Memuat variabel lingkungan dari file .env Anda
• Membuat instance aplikasi FastAPI dengan dokumentasi otomatis

2. Uvicorn mengonfigurasi server ASGI:

• Mengikat ke port 5000 dengan kemampuan penanganan permintaan async
• Menyiapkan pengaturan rute permintaan dengan validasi otomatis
• Mengaktifkan hot reload untuk pengembangan (restart saat file berubah)
• Menghasilkan dokumentasi API interaktif

3. Server mulai mendengarkan:

• Terminal Anda menunjukkan: INFO: Uvicorn running on http://0.0.0.0:5000
• Server dapat menangani banyak permintaan AI secara bersamaan
• API Anda siap dengan dokumentasi otomatis di http://localhost:5000/docs

Apa yang Harus Anda Lihat Ketika Semuanya Berjalan

$ python api.py
INFO:     Will watch for changes in these directories: ['/your/project/path']
INFO:     Uvicorn running on http://0.0.0.0:5000 (Press CTRL+C to quit)
INFO:     Started reloader process [12345] using WatchFiles
INFO:     Started server process [12346]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

Memahami output FastAPI:

• Akan memantau perubahan: Auto-reload diaktifkan untuk pengembangan
• Uvicorn berjalan: Server ASGI berperforma tinggi aktif
• Proses reloader dimulai: Pemantau file untuk restart otomatis
• Startup aplikasi selesai: Aplikasi FastAPI berhasil diinisialisasi
• Dokumentasi interaktif tersedia: Kunjungi /docs untuk dokumentasi API otomatis

Menguji FastAPI Anda: Berbagai Pendekatan yang Kuat

FastAPI menyediakan beberapa cara yang nyaman untuk menguji API Anda, termasuk dokumentasi interaktif otomatis:

Metode 1: Dokumentasi API Interaktif (Direkomendasikan)

1. Buka browser Anda dan pergi ke http://localhost:5000/docs
2. Anda akan melihat Swagger UI dengan semua endpoint Anda terdokumentasi
3. Klik pada /hello → "Try it out" → Masukkan pesan uji → "Execute"
4. Lihat respons langsung di browser dengan format yang tepat

Metode 2: Tes Browser Dasar

1. Pergi ke http://localhost:5000 untuk endpoint root
2. Pergi ke http://localhost:5000/health untuk memeriksa kesehatan server
3. Ini mengonfirmasi bahwa server FastAPI Anda berjalan dengan baik

Metode 2: Tes Command Line (Lanjutan)

# Test with curl (if available)
curl -X POST http://localhost:5000/hello \
  -H "Content-Type: application/json" \
  -d '{"message": "Hello AI!"}'

# Expected response:
# {"response": "Hello! I'm your AI assistant. How can I help you today?"}

Metode 3: Skrip Tes Python

# test_api.py - Create this file to test your API
import requests
import json

# Test the API endpoint
url = "http://localhost:5000/hello"
data = {"message": "Tell me a joke about programming"}

response = requests.post(url, json=data)
if response.status_code == 200:
    result = response.json()
    print("AI Response:", result['response'])
else:
    print("Error:", response.status_code, response.text)

Memecahkan Masalah Umum Saat Startup

Pesan Error	Artinya	Cara Memperbaiki
ModuleNotFoundError: No module named 'fastapi'	FastAPI belum terinstal	Jalankan pip install fastapi uvicorn di lingkungan virtual Anda
ModuleNotFoundError: No module named 'uvicorn'	Server ASGI belum terinstal	Jalankan pip install uvicorn di lingkungan virtual Anda
KeyError: 'GITHUB_TOKEN'	Variabel lingkungan tidak ditemukan	Periksa file .env Anda dan panggilan load_dotenv()
Address already in use	Port 5000 sedang digunakan	Matikan proses lain yang menggunakan port 5000 atau ubah portnya
ValidationError	Data permintaan tidak sesuai dengan model Pydantic	Periksa format permintaan Anda agar sesuai dengan skema yang diharapkan
HTTPException 422	Entitas tidak dapat diproses	Validasi permintaan gagal, periksa /docs untuk format yang benar
OpenAI API error	Autentikasi layanan AI gagal	Pastikan token GitHub Anda benar dan memiliki izin yang sesuai

Praktik Terbaik dalam Pengembangan

Hot Reloading: FastAPI dengan Uvicorn menyediakan fitur reload otomatis saat Anda menyimpan perubahan pada file Python Anda. Ini berarti Anda dapat langsung menguji kode tanpa harus memulai ulang secara manual.

# Enable hot reloading explicitly
if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000, debug=True)  # debug=True enables hot reload

Logging untuk Pengembangan: Tambahkan logging untuk memahami apa yang terjadi:

import logging

# Set up logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

@app.route("/hello", methods=["POST"])
def hello():
    data = request.get_json()
    message = data.get("message", "")
    
    logger.info(f"Received message: {message}")
    
    if not message:
        logger.warning("Empty message received")
        return jsonify({"error": "Message field is required"}), 400
    
    try:
        response = call_llm(message, "You are a helpful and friendly assistant.")
        logger.info(f"AI response generated successfully")
        return jsonify({"response": response})
    except Exception as e:
        logger.error(f"AI API error: {str(e)}")
        return jsonify({"error": "AI service temporarily unavailable"}), 500

Mengapa logging membantu: Selama pengembangan, Anda dapat melihat dengan tepat permintaan apa yang masuk, bagaimana AI merespons, dan di mana kesalahan terjadi. Ini membuat proses debugging jauh lebih cepat.

Konfigurasi untuk GitHub Codespaces: Pengembangan Cloud yang Mudah

GitHub Codespaces seperti memiliki komputer pengembangan yang kuat di cloud yang dapat Anda akses dari browser mana saja. Jika Anda bekerja di Codespaces, ada beberapa langkah tambahan untuk membuat backend Anda dapat diakses oleh frontend.

Memahami Jaringan Codespaces

Di lingkungan pengembangan lokal, semuanya berjalan di komputer yang sama:

• Backend: http://localhost:5000
• Frontend: http://localhost:3000 (atau file://)

Di Codespaces, lingkungan pengembangan Anda berjalan di server GitHub, sehingga "localhost" memiliki arti yang berbeda. GitHub secara otomatis membuat URL publik untuk layanan Anda, tetapi Anda perlu mengkonfigurasinya dengan benar.

Langkah-Langkah Konfigurasi Codespaces

1. Mulai server backend Anda:

cd backend
python api.py

Anda akan melihat pesan startup FastAPI/Uvicorn yang sudah dikenal, tetapi perhatikan bahwa ini berjalan di dalam lingkungan Codespace.

2. Konfigurasi visibilitas port:

• Cari tab "Ports" di panel bawah VS Code
• Temukan port 5000 dalam daftar
• Klik kanan pada port 5000
• Pilih "Port Visibility" → "Public"

Mengapa membuatnya publik? Secara default, port Codespace bersifat privat (hanya dapat diakses oleh Anda). Membuatnya publik memungkinkan frontend Anda (yang berjalan di browser) berkomunikasi dengan backend Anda.

3. Dapatkan URL publik Anda: Setelah membuat port publik, Anda akan melihat URL seperti:

https://your-codespace-name-5000.app.github.dev

4. Perbarui konfigurasi frontend Anda:

// In your frontend app.js, update the BASE_URL:
this.BASE_URL = "https://your-codespace-name-5000.app.github.dev";

Memahami URL Codespace

URL Codespace mengikuti pola yang dapat diprediksi:

https://[codespace-name]-[port].app.github.dev

Penjelasan:

• codespace-name: Identifier unik untuk Codespace Anda (biasanya termasuk nama pengguna Anda)
• port: Nomor port tempat layanan Anda berjalan (5000 untuk aplikasi FastAPI kita)
• app.github.dev: Domain GitHub untuk aplikasi Codespace

Menguji Pengaturan Codespace Anda

1. Uji backend secara langsung: Buka URL publik Anda di tab browser baru. Anda seharusnya melihat:

Welcome to the AI Chat API. Send POST requests to /hello with JSON payload containing 'message' field.

2. Uji dengan alat pengembang browser:

// Open browser console and test your API
fetch('https://your-codespace-name-5000.app.github.dev/hello', {
  method: 'POST',
  headers: {'Content-Type': 'application/json'},
  body: JSON.stringify({message: 'Hello from Codespaces!'})
})
.then(response => response.json())
.then(data => console.log(data));

Codespaces vs Pengembangan Lokal

Aspek	Pengembangan Lokal	GitHub Codespaces
Waktu Setup	Lebih lama (instal Python, dependensi)	Instan (lingkungan sudah dikonfigurasi)
Akses URL	http://localhost:5000	https://xyz-5000.app.github.dev
Konfigurasi Port	Otomatis	Manual (buat port publik)
Persistensi File	Mesin lokal	Repository GitHub
Kolaborasi	Sulit berbagi lingkungan	Mudah berbagi tautan Codespace
Ketergantungan Internet	Hanya untuk panggilan API AI	Diperlukan untuk semuanya

Tips Pengembangan di Codespace

Variabel Lingkungan di Codespaces: File .env Anda bekerja dengan cara yang sama di Codespaces, tetapi Anda juga dapat mengatur variabel lingkungan langsung di Codespace:

# Set environment variable for the current session
export GITHUB_TOKEN="your_token_here"

# Or add to your .bashrc for persistence
echo 'export GITHUB_TOKEN="your_token_here"' >> ~/.bashrc

Manajemen Port:

• Codespaces secara otomatis mendeteksi saat aplikasi Anda mulai mendengarkan di port
• Anda dapat meneruskan beberapa port secara bersamaan (berguna jika Anda menambahkan database nanti)
• Port tetap dapat diakses selama Codespace Anda berjalan

Alur Kerja Pengembangan:

1. Lakukan perubahan kode di VS Code
2. FastAPI auto-reload (berkat mode reload Uvicorn)
3. Uji perubahan langsung melalui URL publik
4. Commit dan push saat siap

💡 Tip Pro: Tandai URL backend Codespace Anda selama pengembangan. Karena nama Codespace stabil, URL tidak akan berubah selama Anda menggunakan Codespace yang sama.

Membuat Antarmuka Chat Frontend: Tempat Manusia Bertemu AI

Sekarang kita akan membangun antarmuka pengguna – bagian yang menentukan bagaimana orang berinteraksi dengan asisten AI Anda. Seperti desain antarmuka iPhone asli, kita fokus pada membuat teknologi kompleks terasa intuitif dan mudah digunakan.

Memahami Arsitektur Frontend Modern

Antarmuka chat kita akan menjadi apa yang disebut "Single Page Application" atau SPA. Alih-alih pendekatan lama di mana setiap klik memuat halaman baru, aplikasi kita akan memperbarui dengan mulus dan instan:

Website lama: Seperti membaca buku fisik – Anda membalik ke halaman yang benar-benar baru Aplikasi chat kita: Seperti menggunakan ponsel Anda – semuanya mengalir dan diperbarui dengan lancar

graph TD
    A[User Types Message] --> B[JavaScript Captures Input]
    B --> C[Validate & Format Data]
    C --> D[Send to Backend API]
    D --> E[Display Loading State]
    E --> F[Receive AI Response]
    F --> G[Update Chat Interface]
    G --> H[Ready for Next Message]

Tiga Pilar Pengembangan Frontend

Setiap aplikasi frontend – dari website sederhana hingga aplikasi kompleks seperti Discord atau Slack – dibangun di atas tiga teknologi inti. Anggaplah mereka sebagai fondasi dari semua yang Anda lihat dan interaksi di web:

HTML (Struktur): Ini adalah fondasi Anda

• Menentukan elemen apa yang ada (tombol, area teks, kontainer)
• Memberikan makna pada konten (ini adalah header, ini adalah formulir, dll.)
• Membuat struktur dasar yang menjadi dasar segalanya

CSS (Presentasi): Ini adalah desainer interior Anda

• Membuat semuanya terlihat indah (warna, font, tata letak)
• Menangani berbagai ukuran layar (ponsel vs laptop vs tablet)
• Membuat animasi yang halus dan umpan balik visual

JavaScript (Perilaku): Ini adalah otak Anda

• Merespons apa yang dilakukan pengguna (klik, mengetik, menggulir)
• Berkomunikasi dengan backend Anda dan memperbarui halaman
• Membuat semuanya interaktif dan dinamis

Anggaplah seperti desain arsitektur:

• HTML: Cetak biru struktural (mendefinisikan ruang dan hubungan)
• CSS: Desain estetika dan lingkungan (gaya visual dan pengalaman pengguna)
• JavaScript: Sistem mekanis (fungsi dan interaktivitas)

Mengapa Arsitektur JavaScript Modern Penting

Aplikasi chat kita akan menggunakan pola JavaScript modern yang akan Anda lihat di aplikasi profesional. Memahami konsep-konsep ini akan membantu Anda berkembang sebagai pengembang:

Arsitektur Berbasis Kelas: Kita akan mengorganisasi kode kita ke dalam kelas, seperti membuat cetak biru untuk objek Async/Await: Cara modern untuk menangani operasi yang memakan waktu (seperti panggilan API) Pemrograman Berbasis Event: Aplikasi kita merespons tindakan pengguna (klik, penekanan tombol) daripada berjalan dalam loop Manipulasi DOM: Memperbarui konten halaman web secara dinamis berdasarkan interaksi pengguna dan respons API

Pengaturan Struktur Proyek

Buat direktori frontend dengan struktur yang terorganisasi ini:

frontend/
├── index.html      # Main HTML structure
├── app.js          # JavaScript functionality
└── styles.css      # Visual styling

Memahami arsitektur:

• Memisahkan perhatian antara struktur (HTML), perilaku (JavaScript), dan presentasi (CSS)
• Mempertahankan struktur file sederhana yang mudah dinavigasi dan dimodifikasi
• Mengikuti praktik terbaik pengembangan web untuk organisasi dan pemeliharaan

Membangun Fondasi HTML: Struktur Semantik untuk Aksesibilitas

Mari kita mulai dengan struktur HTML. Pengembangan web modern menekankan "HTML semantik" – menggunakan elemen HTML yang dengan jelas menggambarkan tujuannya, bukan hanya tampilannya. Ini membuat aplikasi Anda dapat diakses oleh pembaca layar, mesin pencari, dan alat lainnya.

Mengapa HTML semantik penting: Bayangkan menjelaskan aplikasi chat Anda kepada seseorang melalui telepon. Anda akan mengatakan "ada header dengan judul, area utama tempat percakapan muncul, dan formulir di bagian bawah untuk mengetik pesan." HTML semantik menggunakan elemen yang sesuai dengan deskripsi alami ini.

Buat index.html dengan markup yang terstruktur dengan baik ini:

<!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>

Memahami setiap elemen HTML dan tujuannya:

Struktur Dokumen

• <!DOCTYPE html>: Memberitahu browser bahwa ini adalah HTML5 modern
• <html lang="en">: Menentukan bahasa halaman untuk pembaca layar dan alat terjemahan
• <meta charset="UTF-8">: Memastikan pengkodean karakter yang tepat untuk teks internasional
• <meta name="viewport"...>: Membuat halaman responsif untuk perangkat seluler dengan mengontrol zoom dan skala

Elemen Semantik

• <header>: Dengan jelas mengidentifikasi bagian atas dengan judul dan deskripsi
• <main>: Menunjukkan area konten utama (tempat percakapan terjadi)
• <form>: Semantik yang benar untuk input pengguna, memungkinkan navigasi keyboard yang tepat

Fitur Aksesibilitas

• role="log": Memberitahu pembaca layar bahwa area ini berisi log kronologis pesan
• aria-live="polite": Mengumumkan pesan baru ke pembaca layar tanpa mengganggu
• aria-label: Memberikan label deskriptif untuk kontrol formulir
• required: Browser memvalidasi bahwa pengguna memasukkan pesan sebelum mengirim

Integrasi CSS dan JavaScript

• Atribut class: Memberikan kaitan gaya untuk CSS (misalnya, chat-container, input-group)
• Atribut id: Memungkinkan JavaScript menemukan dan memanipulasi elemen tertentu
• Penempatan Script: File JavaScript dimuat di akhir sehingga HTML dimuat terlebih dahulu

Mengapa struktur ini bekerja:

• Alur logis: Header → Konten utama → Formulir input sesuai dengan urutan membaca alami
• Dapat diakses dengan keyboard: Pengguna dapat menavigasi semua elemen interaktif dengan tombol tab
• Ramah pembaca layar: Landmark dan deskripsi yang jelas untuk pengguna dengan gangguan penglihatan
• Responsif untuk perangkat seluler: Tag meta viewport memungkinkan desain responsif
• Peningkatan progresif: Berfungsi bahkan jika CSS atau JavaScript gagal dimuat

Menambahkan JavaScript Interaktif: Logika Aplikasi Web Modern

Sekarang mari kita bangun JavaScript yang membuat antarmuka chat kita hidup. Kita akan menggunakan pola JavaScript modern yang sering digunakan dalam pengembangan web profesional, termasuk kelas ES6, async/await, dan pemrograman berbasis event.

Memahami Arsitektur JavaScript Modern

Alih-alih menulis kode prosedural (serangkaian fungsi yang berjalan secara berurutan), kita akan membuat arsitektur berbasis kelas. Anggaplah kelas sebagai cetak biru untuk membuat objek – seperti bagaimana cetak biru arsitek dapat digunakan untuk membangun beberapa rumah.

Mengapa menggunakan kelas untuk aplikasi web?

• Organisasi: Semua fungsi terkait dikelompokkan bersama
• Dapat digunakan kembali: Anda dapat membuat beberapa instance chat di halaman yang sama
• Pemeliharaan: Lebih mudah untuk debugging dan memodifikasi fitur tertentu
• Standar profesional: Pola ini digunakan dalam framework seperti React, Vue, dan Angular

Buat app.js dengan JavaScript yang modern dan terstruktur dengan baik ini:

// 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();
});

Memahami Setiap Konsep JavaScript

Struktur Kelas ES6:

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"
    }
}

Pola Async/Await:

// 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);
}

Pemrograman Berbasis Event: Alih-alih terus-menerus memeriksa apakah sesuatu terjadi, kita "mendengarkan" event:

// 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) => { /* ... */ });

Manipulasi DOM:

// 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);

Keamanan dan Praktik Terbaik

Pencegahan XSS:

escapeHtml(text) {
    const div = document.createElement('div');
    div.textContent = text;  // This automatically escapes HTML
    return div.innerHTML;
}

Mengapa ini penting: Jika pengguna mengetik <script>alert('hack')</script>, fungsi ini memastikan itu ditampilkan sebagai teks daripada dieksekusi sebagai kode.

Penanganan Error:

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");
}

Pertimbangan Pengalaman Pengguna:

• UI Optimis: Tambahkan pesan pengguna segera, jangan tunggu respons server
• Status loading: Nonaktifkan tombol dan tampilkan "Mengirim..." saat menunggu
• Auto-scroll: Jaga agar pesan terbaru tetap terlihat
• Validasi input: Jangan kirim pesan kosong
• Shortcut keyboard: Tombol Enter mengirim pesan (seperti aplikasi chat sungguhan)

Memahami Alur Aplikasi

1. Halaman dimuat → Event DOMContentLoaded dipicu → new ChatApp() dibuat
2. Constructor berjalan → Mendapatkan referensi elemen DOM → Menyiapkan event listener
3. Pengguna mengetik pesan → Menekan Enter atau klik Kirim → handleSubmit berjalan
4. handleSubmit → Memvalidasi input → Menampilkan status loading → Memanggil API
5. API merespons → Menambahkan pesan AI ke chat → Mengaktifkan kembali antarmuka
6. Siap untuk pesan berikutnya → Pengguna dapat terus chatting Arsitektur ini dapat diskalakan – Anda dapat dengan mudah menambahkan fitur seperti pengeditan pesan, unggahan file, atau beberapa thread percakapan tanpa harus menulis ulang struktur inti.

Menata Antarmuka Chat Anda

Sekarang mari kita buat antarmuka chat yang modern dan menarik secara visual dengan CSS. Penataan yang baik membuat aplikasi Anda terlihat profesional dan meningkatkan pengalaman pengguna secara keseluruhan. Kita akan menggunakan fitur CSS modern seperti Flexbox, CSS Grid, dan properti khusus untuk desain yang responsif dan mudah diakses.

Buat file styles.css dengan gaya yang lengkap berikut:

/* 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;
    }
}

Memahami arsitektur CSS:

• Menggunakan properti khusus CSS (variabel) untuk tema yang konsisten dan pemeliharaan yang mudah
• Menerapkan tata letak Flexbox untuk desain responsif dan penyelarasan yang tepat
• Menyertakan animasi yang halus untuk kemunculan pesan tanpa mengganggu
• Memberikan perbedaan visual antara pesan pengguna, respons AI, dan status kesalahan
• Mendukung desain responsif yang berfungsi baik di perangkat desktop maupun seluler
• Mempertimbangkan aksesibilitas dengan preferensi gerakan yang dikurangi dan rasio kontras yang tepat
• Menawarkan dukungan mode gelap berdasarkan preferensi sistem pengguna

Mengonfigurasi URL Backend Anda

Langkah terakhir adalah memperbarui BASE_URL di JavaScript Anda agar sesuai dengan server backend Anda:

// 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";

Menentukan URL backend Anda:

• Pengembangan lokal: Gunakan http://localhost:5000 jika menjalankan frontend dan backend secara lokal
• Codespaces: Temukan URL backend Anda di tab Ports setelah membuat port 5000 menjadi publik
• Produksi: Ganti dengan domain Anda yang sebenarnya saat menerapkan ke layanan hosting

💡 Tips Pengujian: Anda dapat menguji backend Anda secara langsung dengan mengunjungi URL root di browser Anda. Anda seharusnya melihat pesan selamat datang dari server FastAPI Anda.

Pengujian dan Penerapan

Setelah Anda membangun komponen frontend dan backend, mari kita uji apakah semuanya bekerja bersama dan eksplorasi opsi penerapan untuk membagikan asisten chat Anda kepada orang lain.

Alur Pengujian Lokal

Ikuti langkah-langkah ini untuk menguji aplikasi Anda secara lengkap:

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]

Proses pengujian langkah demi langkah:

1. Mulai server backend Anda:

   cd backend
   source venv/bin/activate  # or venv\Scripts\activate on Windows
   python api.py
   

2. Verifikasi API berfungsi:

   • Buka http://localhost:5000 di browser Anda
   • Anda seharusnya melihat pesan selamat datang dari server FastAPI Anda

3. Buka frontend Anda:

   • Navigasikan ke direktori frontend Anda
   • Buka index.html di browser web Anda
   • Atau gunakan ekstensi Live Server di VS Code untuk pengalaman pengembangan yang lebih baik

4. Uji fungsi chat:

   • Ketik pesan di bidang input
   • Klik "Kirim" atau tekan Enter
   • Verifikasi bahwa AI merespons dengan tepat
   • Periksa konsol browser untuk kesalahan JavaScript

Mengatasi Masalah Umum

Masalah	Gejala	Solusi
Kesalahan CORS	Frontend tidak dapat mengakses backend	Pastikan FastAPI CORSMiddleware dikonfigurasi dengan benar
Kesalahan API Key	Respons 401 Unauthorized	Periksa variabel lingkungan GITHUB_TOKEN Anda
Koneksi Ditolak	Kesalahan jaringan di frontend	Verifikasi URL backend dan pastikan server Flask berjalan
Tidak Ada Respons AI	Respons kosong atau kesalahan	Periksa log backend untuk kuota API atau masalah autentikasi

Langkah-langkah debugging umum:

• Periksa Konsol Alat Pengembang browser untuk kesalahan JavaScript
• Verifikasi tab Jaringan menunjukkan permintaan dan respons API yang berhasil
• Tinjau output terminal backend untuk kesalahan Python atau masalah API
• Pastikan variabel lingkungan dimuat dan dapat diakses dengan benar

Tantangan Agen GitHub Copilot 🚀

Gunakan mode Agen untuk menyelesaikan tantangan berikut:

Deskripsi: Tingkatkan asisten chat dengan menambahkan riwayat percakapan dan penyimpanan pesan. Tantangan ini akan membantu Anda memahami cara mengelola status dalam aplikasi chat dan menerapkan penyimpanan data untuk pengalaman pengguna yang lebih baik.

Prompt: Modifikasi aplikasi chat untuk menyertakan riwayat percakapan yang bertahan di antara sesi. Tambahkan fungsi untuk menyimpan pesan chat ke penyimpanan lokal, menampilkan riwayat percakapan saat halaman dimuat, dan sertakan tombol "Hapus Riwayat". Juga, terapkan indikator mengetik dan stempel waktu pesan untuk membuat pengalaman chat lebih realistis.

Pelajari lebih lanjut tentang mode agen di sini.

Tugas: Bangun Asisten AI Pribadi Anda

Sekarang Anda akan membuat implementasi asisten AI Anda sendiri. Alih-alih hanya menyalin kode tutorial, ini adalah kesempatan untuk menerapkan konsep sambil membangun sesuatu yang mencerminkan minat dan kasus penggunaan Anda sendiri.

Persyaratan Proyek

Mari kita atur proyek Anda dengan struktur yang bersih dan terorganisir:

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

Tugas Implementasi Inti

Pengembangan Backend:

• Gunakan kode FastAPI kami dan sesuaikan dengan kebutuhan Anda
• Ciptakan kepribadian AI yang unik – mungkin asisten memasak yang membantu, mitra penulis kreatif, atau teman belajar?
• Tambahkan penanganan kesalahan yang solid agar aplikasi Anda tidak rusak saat terjadi masalah
• Tulis dokumentasi yang jelas untuk siapa saja yang ingin memahami cara kerja API Anda

Pengembangan Frontend:

• Bangun antarmuka chat yang terasa intuitif dan ramah
• Tulis JavaScript modern yang bersih dan membanggakan untuk ditunjukkan kepada pengembang lain
• Desain gaya khusus yang mencerminkan kepribadian AI Anda – menyenangkan dan penuh warna? Bersih dan minimalis? Sepenuhnya terserah Anda!
• Pastikan aplikasi berfungsi dengan baik di ponsel dan komputer

Persyaratan Personalisasi:

• Pilih nama dan kepribadian unik untuk asisten AI Anda – mungkin sesuatu yang mencerminkan minat Anda atau masalah yang ingin Anda selesaikan
• Sesuaikan desain visual agar sesuai dengan suasana asisten Anda
• Tulis pesan selamat datang yang menarik perhatian orang untuk mulai mengobrol
• Uji asisten Anda dengan berbagai jenis pertanyaan untuk melihat bagaimana ia merespons

Ide Peningkatan (Opsional)

Ingin membawa proyek Anda ke tingkat berikutnya? Berikut beberapa ide menarik untuk dieksplorasi:

Fitur	Deskripsi	Keterampilan yang Akan Dipraktikkan
Riwayat Pesan	Mengingat percakapan bahkan setelah halaman di-refresh	Bekerja dengan localStorage, penanganan JSON
Indikator Mengetik	Menampilkan "AI sedang mengetik..." saat menunggu respons	Animasi CSS, pemrograman async
Stempel Waktu Pesan	Menampilkan waktu pengiriman setiap pesan	Format tanggal/waktu, desain UX
Ekspor Chat	Membiarkan pengguna mengunduh percakapan mereka	Penanganan file, ekspor data
Pengalihan Tema	Tombol toggle mode terang/gelap	Variabel CSS, preferensi pengguna
Input Suara	Menambahkan fungsi pengenalan suara	Web API, aksesibilitas

Pengujian dan Dokumentasi

Jaminan Kualitas:

• Uji aplikasi Anda dengan berbagai jenis input dan kasus tepi
• Verifikasi desain responsif berfungsi di berbagai ukuran layar
• Periksa aksesibilitas dengan navigasi keyboard dan pembaca layar
• Validasi HTML dan CSS untuk kepatuhan standar

Persyaratan Dokumentasi:

• Tulis README.md yang menjelaskan proyek Anda dan cara menjalankannya
• Sertakan tangkapan layar antarmuka chat Anda saat beraksi
• Dokumentasikan fitur unik atau kustomisasi yang Anda tambahkan
• Berikan instruksi pengaturan yang jelas untuk pengembang lain

Panduan Pengiriman

Hasil Proyek:

1. Folder proyek lengkap dengan semua kode sumber
2. README.md dengan deskripsi proyek dan instruksi pengaturan
3. Tangkapan layar yang menunjukkan asisten chat Anda saat beraksi
4. Refleksi singkat tentang apa yang Anda pelajari dan tantangan yang Anda hadapi

Kriteria Evaluasi:

• Fungsionalitas: Apakah asisten chat berfungsi seperti yang diharapkan?
• Kualitas Kode: Apakah kode terorganisir dengan baik, dikomentari, dan dapat dipelihara?
• Desain: Apakah antarmuka terlihat menarik secara visual dan ramah pengguna?
• Kreativitas: Seberapa unik dan personal implementasi Anda?
• Dokumentasi: Apakah instruksi pengaturan jelas dan lengkap?

💡 Tips Sukses: Mulailah dengan persyaratan dasar terlebih dahulu, lalu tambahkan peningkatan setelah semuanya berfungsi. Fokuslah pada menciptakan pengalaman inti yang halus sebelum menambahkan fitur lanjutan.

Solusi

Solusi

Tantangan Bonus

Siap membawa asisten AI Anda ke tingkat berikutnya? Coba tantangan lanjutan ini yang akan memperdalam pemahaman Anda tentang integrasi AI dan pengembangan web.

Personalisasi Kepribadian

Keajaiban sesungguhnya terjadi ketika Anda memberikan asisten AI Anda kepribadian yang unik. Bereksperimenlah dengan berbagai prompt sistem untuk menciptakan asisten khusus:

Contoh Asisten Profesional:

call_llm(message, "You are a professional business consultant with 20 years of experience. Provide structured, actionable advice with specific steps and considerations.")

Contoh Pembantu Penulisan Kreatif:

call_llm(message, "You are an enthusiastic creative writing coach. Help users develop their storytelling skills with imaginative prompts and constructive feedback.")

Contoh Mentor Teknis:

call_llm(message, "You are a patient senior developer who explains complex programming concepts using simple analogies and practical examples.")

Peningkatan Frontend

Transformasikan antarmuka chat Anda dengan peningkatan visual dan fungsional berikut:

Fitur CSS Lanjutan:

• Terapkan animasi dan transisi pesan yang halus
• Tambahkan desain gelembung chat khusus dengan bentuk dan gradasi CSS
• Buat animasi indikator mengetik untuk saat AI "berpikir"
• Desain reaksi emoji atau sistem penilaian pesan

Peningkatan JavaScript:

• Tambahkan pintasan keyboard (Ctrl+Enter untuk mengirim, Escape untuk menghapus input)
• Terapkan fungsi pencarian dan penyaringan pesan
• Buat fitur ekspor percakapan (unduh sebagai teks atau JSON)
• Tambahkan penyimpanan otomatis ke localStorage untuk mencegah kehilangan pesan

Integrasi AI Lanjutan

Beberapa Kepribadian AI:

• Buat dropdown untuk beralih antara berbagai kepribadian AI
• Simpan kepribadian pilihan pengguna di localStorage
• Terapkan pengalihan konteks yang mempertahankan alur percakapan

Fitur Respons Cerdas:

• Tambahkan kesadaran konteks percakapan (AI mengingat pesan sebelumnya)
• Terapkan saran cerdas berdasarkan topik percakapan
• Buat tombol balasan cepat untuk pertanyaan umum

🎯 Tujuan Pembelajaran: Tantangan bonus ini membantu Anda memahami pola pengembangan web lanjutan dan teknik integrasi AI yang digunakan dalam aplikasi produksi.

Ringkasan dan Langkah Selanjutnya

Selamat! Anda telah berhasil membangun asisten chat bertenaga AI dari awal. Proyek ini telah memberi Anda pengalaman langsung dengan teknologi pengembangan web modern dan integrasi AI – keterampilan yang semakin berharga di dunia teknologi saat ini.

Apa yang Telah Anda Capai

Sepanjang pelajaran ini, Anda telah menguasai beberapa teknologi dan konsep utama:

Pengembangan Backend:

• Mengintegrasikan dengan GitHub Models API untuk fungsi AI
• Membangun API RESTful menggunakan Flask dengan penanganan kesalahan yang tepat
• Menerapkan autentikasi yang aman menggunakan variabel lingkungan
• Mengonfigurasi CORS untuk permintaan lintas asal antara frontend dan backend

Pengembangan Frontend:

• Menciptakan antarmuka chat responsif menggunakan HTML semantik
• Menerapkan JavaScript modern dengan async/await dan arsitektur berbasis kelas
• Merancang antarmuka pengguna yang menarik dengan CSS Grid, Flexbox, dan animasi
• Menambahkan fitur aksesibilitas dan prinsip desain responsif

Integrasi Full-Stack:

• Menghubungkan frontend dan backend melalui panggilan API HTTP
• Menangani interaksi pengguna secara real-time dan aliran data asinkron
• Menerapkan penanganan kesalahan dan umpan balik pengguna di seluruh aplikasi
• Menguji alur kerja aplikasi lengkap dari input pengguna hingga respons AI

Hasil Pembelajaran Utama

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

Proyek ini telah memperkenalkan Anda pada dasar-dasar membangun aplikasi bertenaga AI, yang mewakili masa depan pengembangan web. Anda sekarang memahami cara mengintegrasikan kemampuan AI ke dalam aplikasi web tradisional, menciptakan pengalaman pengguna yang menarik, cerdas, dan responsif.

Aplikasi Profesional

Keterampilan yang Anda kembangkan dalam pelajaran ini langsung dapat diterapkan pada karier pengembangan perangkat lunak modern:

• Pengembangan web full-stack menggunakan framework dan API modern
• Integrasi AI dalam aplikasi web dan aplikasi seluler
• Desain dan pengembangan API untuk arsitektur mikroservices
• Pengembangan antarmuka pengguna dengan fokus pada aksesibilitas dan desain responsif
• Praktik DevOps termasuk konfigurasi lingkungan dan penerapan

Melanjutkan Perjalanan Pengembangan AI Anda

Langkah Pembelajaran Selanjutnya:

• Eksplorasi model dan API AI yang lebih canggih (GPT-4, Claude, Gemini)
• Pelajari teknik rekayasa prompt untuk respons AI yang lebih baik
• Studi desain percakapan dan prinsip pengalaman pengguna chatbot
• Selidiki keamanan AI, etika, dan praktik pengembangan AI yang bertanggung jawab
• Bangun aplikasi yang lebih kompleks dengan memori percakapan dan kesadaran konteks

Ide Proyek Lanjutan:

• Ruang obrolan multi-pengguna dengan moderasi AI
• Chatbot layanan pelanggan bertenaga AI
• Asisten pengajaran dengan pembelajaran yang dipersonalisasi
• Kolaborator penulisan kreatif dengan berbagai kepribadian AI
• Asisten dokumentasi teknis untuk pengembang

Memulai dengan GitHub Codespaces

Ingin mencoba proyek ini di lingkungan pengembangan cloud? GitHub Codespaces menyediakan pengaturan pengembangan lengkap di browser Anda, sempurna untuk bereksperimen dengan aplikasi AI tanpa persyaratan pengaturan lokal.

Menyiapkan Lingkungan Pengembangan Anda

Langkah 1: Buat dari Template

• Navigasikan ke repository Web Dev For Beginners
• Klik "Use this template" di sudut kanan atas (pastikan Anda sudah masuk ke GitHub)

Langkah 2: Luncurkan Codespaces

• Buka repository yang baru Anda buat
• Klik tombol hijau "Code" dan pilih "Codespaces"
• Pilih "Create codespace on main" untuk memulai lingkungan pengembangan Anda

Langkah 3: Konfigurasi Lingkungan Setelah Codespace Anda dimuat, Anda akan memiliki akses ke:

• Python, Node.js, dan semua alat pengembangan yang diperlukan yang sudah terinstal
• Antarmuka VS Code dengan ekstensi untuk pengembangan web
• Akses terminal untuk menjalankan server backend dan frontend
• Port forwarding untuk menguji aplikasi Anda

Apa yang disediakan oleh Codespaces:

• Menghilangkan masalah pengaturan dan konfigurasi lingkungan lokal
• Menyediakan lingkungan pengembangan yang konsisten di berbagai perangkat
• Termasuk alat dan ekstensi yang sudah dikonfigurasi untuk pengembangan web
• Menawarkan integrasi mulus dengan GitHub untuk kontrol versi dan kolaborasi

🚀 Tips Pro: Codespaces sangat cocok untuk belajar dan membuat prototipe aplikasi AI karena secara otomatis menangani semua pengaturan lingkungan yang kompleks, memungkinkan Anda fokus pada pembangunan dan pembelajaran daripada mengatasi masalah konfigurasi.

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diketahui bahwa terjemahan otomatis dapat mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang timbul dari penggunaan terjemahan ini.