OpenAI API: Programmera KI-baserade chattar, säljassistenter och textäventyr.

Det här kan du förvänta dig i den här OpenAI API-kursen.

I den här videon kommer verktygen som används och de nödvändiga kunskaperna att diskuteras.

Här handlar det om OpenAI-plattformen och hur man kan använda den.

Här handlar det om uppdateringen av OpenAI. Ta reda på vilka ändringar som har gjorts. I projektfilen är allt viktigt sammanfattat igen.

Vi skapar vårt första projekt med npm create astro och undersöker strukturen av produkten.

Eftersom vi använder React för vårt UI måste Astro JS först göras kapabel att använda React-komponenter.

Vår slutpunkt för chattjänsten kommer att vara en get-Request till URL:en /api/chatt. Vi kommer att skapa denna slutpunkt i den här videon.

För att använda OpenAI:s API behöver vi förutom en API-nyckel som vi kan generera via vårt konto på OpenAI-plattformen, även openai-npm-paketet.

För att testa har vi använt en fast text på servern. Här vill vi för första gången använda texten som skickas av webbläsaren i URL som frågeparameter.

Bara att chatta över URL:en i webbläsarens adressfält är inte en långsiktig lösning. Därför skapar vi i den här videon ett grundläggande React-användargränssnitt som tillåter inmatning av chatttexten.

Än så länge har vi ingen riktig chatt, utan bara få en fråga och svaret på den. För att ha en givande konversation med LLM måste vi komma ihåg chattloggen.

Ibland vill man bara börja om från början och glömma det som sagts. För att inte behöva starta om servern använder vi en chatt-ID för att återställa chattloggen på servern.

Hittills har chattandet varit ganska rudimentärt. Här kommer några förbättringar att implementeras som kommer att skjuta vår chattapp lite mer mot ChatGPT.

Chathistoriken har varit svåra att läsa hittills och görs lite "finare" i den här videon.

Nu är vår första chattapp klar och ändå finns det mycket att göra om man vill utmana ChatGPT. ;-) Om man inte vill det kan man gå vidare till nästa avsnitt med ett nytt projekt.

Vi sätter upp det nya projektet och använder oss av vår första Chat-App.

Ett spel behöver en historia. I den här videon presenterar jag min idé för det och gör de första förberedelserna för navigeringen genom spelet.

Tre uppdrag (chats) måste spelaren klara av för att nå slutet av spelet. Dessa förbereder jag i den här videon.

Bartendern är den första chattenpartnern i detta spel och "väcks till liv" i denna video.

Hittills har bartendern varit lite omedveten om sin roll i spelet. Vi åtgärdar det genom att lägga till den första systemprompten.

Vår chattvän har blivit helt uppslukad av sin roll som bartender, men i programmet vet vi ännu inte om uppdraget har slutförts av spelaren. Funktionanrop kan användas för detta ändamål, som LLM kan utföra på egen hand om det anser att det är lämpligt. Vi måste se till att det faktiskt görs.

Funktionsanrop kan ha returvärden och dessa måste vi också meddela AI:n, vilket vi åstadkommer i den här videon.

Webbläsaren måste meddelas att uppdraget är slutfört, först då kan spelaren prata med Dr. Owen och komma närmare målet.

Också den vackraste konversationen måste ta slut, men hur får vi detta att fungera i programmet? Genom ett funktionsanrop förstås.

Till sist kan spelaren prata med AI-experten för att få reda på lösningen på det sista pusslet.

Barkeeper och Dr. Owen är två olika karaktärer och får därför inte dela någon chattlogg. Därför bör vi skapa en ny chattlogg för Dr. Owen.

Dr. Owen behöver en funktion så att vi får reda på att spelaren har blivit ombedd att lösa sitt lilla säkerhetsrobotproblem och har fått ett svar. Du får svaret i den här videon.

Vår slutboss i det här spelet är säkerhetsroboten som har vägrat att släppa förbi oss hela tiden. Men nu har spelaren makten eller snarare kunskapen att till slut lura honom.

Vårt nya projekt tar oss till gitarrbutikernas värld, naturligtvis med vänligt stöd från OpenAI:s API, som gör det möjligt för oss att förverkliga en virtuell försäljningsassistent.

Hittills har försäljningsassistenten inte varit särskilt bra på rådgivning. Detta ska nu förbättras med en simulerad "databas" med hjälp av kartor.

Hittills har vi bara haft 2 produkter som vi nu utökar till 4 i den här videon. Det viktiga här är att vi nu har flera produkter per typ och kan därför fråga säljassistenten vilka elbasar som finns i sortimentet.

Priset är inte allt när man köper en gitarr, men en kund som inte vill ta en ny bostadslån bör ändå kunna fråga säljaren om elgitarrer i det lägre eller medelhöga prissegmentet. Detta uppnår vi genom att lägga till en andra parameter prisintervall i den aktuella funktionen, som sedan LLM ska anropa.

Vi har förstört det med den senaste videon. Men oroa dig inte, felet är snabbt åtgärdat om man vet var man ska leta.

Vad vore en onlinebutik utan en varukorg? Även om vi inte kommer att implementera en riktig varukorg (det är inte syftet med den här kursen), kommer vi i den här videon att skapa grunderna så att ni kan ansluta en varukorg till den virtuella försäljningsassistenten. Även här kommer funktionsanropet till undsättning!

Kunder kommer i de flesta fall bara ha en grov idé om produkternas namn. LLM kan bara göra funktionsanrop med de namn som finns i kundens förfrågan. Men med en liten knep kan AI enkelt användas för en "oskarp" sökning i produktnamnen i dessa fall.

En liten sammanfattning av vad vi har uppnått i den här kursen, vad ni kan göra med det och vilka spännande API:er som finns på OpenAI.