ChatGPT搭建AI網站實戰

哥不是小蘿莉發表於2023-03-31

1.概述

ChatGPT是一款基於GPT-3.5架構的大型語言模型,它能夠進行自然語言處理和生成對話等任務。作為一款智慧化的聊天機器人,ChatGPT有著廣泛的應用場景,如線上客服、智慧助手、個性化推薦等。今天筆者給大家分享一下如何使用ChatGPT的API模型快速搭建一個AI網站。

2.內容

在實戰中,我發現ChatGPT的最大優勢在於其自然流暢的對話互動能力。ChatGPT能夠自動理解使用者的意圖和提出的問題,並針對性地給出回答和建議。同時,它還可以基於已有的上下文資訊生成更加豐富的回覆,從而實現更加自然和貼近人類的互動效果。

下面我將分享一些關於如何使用ChatGPT的實戰經驗,大概流程如下所示:

 

 

 

在使用ChatGPT前,我們需要對資料進行預處理。預處理的目的是將原始文字轉換為模型可以理解的格式。具體來說,需要進行的預處理步驟包括:分詞、標記化、向量化等。這些步驟都可以使用常見的NLP工具庫來實現,如NLTK、spaCy、transformers等。在預處理完資料後,我們需要使用訓練資料來訓練ChatGPT模型。通常情況下,我們會使用一些優秀的深度學習框架來實現模型的訓練,如PyTorch、TensorFlow等。在模型訓練過程中,我們需要設定一些超引數,如學習率、批次大小、模型深度等。在模型訓練完成後,我們需要對模型進行評估。評估的目的是瞭解模型的效能和表現,從而決定是否需要進行進一步的調整和最佳化。常見的模型評估指標包括:準確率、召回率、F1值等。在完成模型訓練和評估後,我們需要將ChatGPT應用到實際場景中。通常情況下,我們需要將ChatGPT整合到我們的應用程式中,如線上客服、智慧助手等。在部署過程中,我們需要考慮一些問題,如效能、可靠性、安全性等。

3.如何使用ChatGPT快速實現一個AI網站呢?

使用ChatGPT實現一個AI網站,大概步驟如下所示:

 

 

 

首先,您需要確定您的AI網站將用於哪些目的和哪些受眾。您的目標可能是提供線上客服、智慧問答、語音識別、自動翻譯等功能。您的受眾可能是您的客戶、讀者、訪問者等。透過明確您的目標和受眾,您可以更好地規劃您的網站架構和設計。要構建一個AI網站,您需要選擇一個Web開發框架。常用的Web開發框架包括Django、Flask、Express等。這些框架提供了許多常見的功能和模板,可以幫助您更快速地開發網站,並提高開發效率。整合ChatGPT是實現AI網站的關鍵步驟。您可以使用Python或JavaScript等程式語言來呼叫ChatGPT API並將其嵌入到您的Web應用程式中。這樣,您的網站就可以透過ChatGPT提供更好的使用者體驗和服務。例如,使用者可以透過與ChatGPT互動來獲取問題的答案、進行語音互動等。

為了讓使用者能夠更好地與ChatGPT互動,您需要建立一個使用者友好的介面。您可以使用HTML、CSS、JavaScript等技術來設計和建立您的使用者介面。您需要考慮到使用者的需求和體驗,並確保您的介面簡潔、易用、美觀等。為了讓ChatGPT能夠準確地回答使用者的問題,您需要對ChatGPT進行訓練。您可以使用自然語言處理技術來訓練ChatGPT,以便它能夠理解和響應使用者的問題。您可以使用開源的資料集和演算法來訓練ChatGPT,並最佳化模型以提高精度和效率。

在將您的網站部署到生產環境之前,您需要對它進行測試和最佳化。您應該檢查所有功能並確保它們能夠正常執行,同時還應該最佳化效能和使用者體驗,以提高使用者滿意度。您可以使用自動化測試工具來測試您的網站,並使用效能分析工具來識別瓶頸和最佳化點。您可以收集使用者反饋並進行改進,以不斷改善您的網站。

當您準備好將您的網站部署到生產環境時,您需要選擇一個合適的Web伺服器和資料庫。常用的Web伺服器包括Apache、Nginx等,常用的資料庫包括MySQL、PostgreSQL等。您還需要選擇一個合適的雲服務提供商,如AWS、Google Cloud等,並將您的應用程式部署到雲伺服器上。一旦您的網站部署到生產環境,您需要進行定期的維護和升級。您應該定期備份您的資料並更新您的應用程式以確保安全性和穩定性。您還應該持續地最佳化您的使用者體驗和功能,以滿足使用者的需求和期望。

4.基於promptable快速實現

如果你不懂演算法,那麼可以透過在promptable 快速建立prompt,然後部署生成一個PromptID,透過這個PromptID直接呼叫OpenAI的介面得到模型輸出的結果。操作如下:

4.1 編寫一個hook模組

用來呼叫OpenAI的介面,獲取輸出結果,實現程式碼如下所示:

import { addMessage, getHistoryString } from "@/utils/chatHistory";
import React, { useEffect } from "react";

export const useChatGpt = (message, promptId, chatHistory) => {
  // Send user meesage to api, meesage and prompt in body
  // then update state value with response
  //   console.log("Hook api call", message, promptId);
  const [data, setData] = React.useState("");
  const [isLoading, setIsLoading] = React.useState(false);
  const [isError, setIsError] = React.useState(false);
  const [history, setHistory] = React.useState(chatHistory);
  const [isSuccess, setIsSuccess] = React.useState(false);

  const fetchData = async () => {
    setIsLoading(true);
    try {
      const response = await fetch("/api/chatgpt", {
        method: "POST",
        headers: {
          "Content-Type": "application/json",
        },
        body: JSON.stringify({
          message,
          promptId,
          chatHistory: getHistoryString(chatHistory),
        }),
      }).then((res) => res.json());
      if (response.reply) {
        console.log("Hook api call response", response.reply);
        setData(response.reply);
        setIsSuccess(true);
        setHistory(addMessage(chatHistory, response.reply, "agent"));
      } else {
        setIsError(true);
      }
    } catch (error) {
      setIsError(true);
    }
    setIsLoading(false);
  };

  useEffect(() => {
    setIsError(false);
    setIsSuccess(false);
    if (message) {
      fetchData();
    }
  }, [message]);

  useEffect(() => {
    setHistory(chatHistory);
  }, [chatHistory]);

  useEffect(() => {
    if (promptId) {
      setIsError(false);
      setIsSuccess(false);
      setHistory([]);
    }
  }, [promptId]);

  return {
    data,
    isLoading,
    isError,
    history,
    isSuccess,
  };
};

4.2 編寫一個頁面元件

透過編寫一個頁面元件,用來實現與後臺介面服務互動使用,該模組用來呼叫模型並得到輸出結果,實現程式碼如下所示:

import { useChatGpt } from "@/hook/useChatGpt";
import { addMessage } from "@/utils/chatHistory";
import { Button, TextField } from "@mui/material";
import React, { useEffect } from "react";
import { ChatHistoryFrame } from "./ChatHistoryFrame";

const promptId = "xxxxxx"; // 透過Prompt自動生成獲取ID

export const ChatContainer = () => {
  const [pendingMessage, setPendingMessage] = React.useState("");
  const [message, setMessage] = React.useState("");
  const [chatHistory, setChatHistory] = React.useState([]);
  const { isLoading, history, isSuccess, isError } = useChatGpt(
    message,
    promptId,
    chatHistory
  );

  useEffect(() => {
    if (isSuccess || isError) {
      setMessage("");
    }
  }, [isSuccess, isError]);

  return (
    <div id="chat-container">
        <h1>MOVIE to emoji</h1>
      </a>
      <ChatHistoryFrame chatHistory={chatHistory} isLoading={isLoading} />
      <div id="chat-input">
        <TextField
          type="text"
          onChange={(e) => {
            setPendingMessage(e.target.value);
          }}
        />
        <Button
          style={{
            backgroundColor: "black",
            width: "80px",
          }}
          variant="contained"
          onClick={() => {
            setMessage(pendingMessage);
            setChatHistory(addMessage(history || [], pendingMessage, "user"));
          }}
        >
          Send
        </Button>
        <Button
          style={{
            color: "black",
            width: "80px",
            borderColor: "black",
          }}
          variant="outlined"
          onClick={() => {
            setMessage("");
            setChatHistory([]);
          }}
        >
          Clear
        </Button>
      </div>
    </div>
  );
};

4.3 ChatGPT核心模組

編寫一個呼叫ChatGPT介面邏輯的核心模組,用來與API互動得到輸出結果,具體實現細節如下:

import { PromptableApi } from "promptable";
import { Configuration, OpenAIApi } from "openai";
import GPT3Tokenizer from "gpt3-tokenizer";

const configuration = new Configuration({
  apiKey: process.env.OPENAI_API_KEY,
});
const openai = new OpenAIApi(configuration);
const tokenizer = new GPT3Tokenizer({ type: "gpt3" });

const chatgpt = async (req, res) => {
  const { message, promptId, chatHistory } = req.body;
  console.log("api call entry", message, promptId);
  if (!message) {
    res.status(400).json({ error: "Message is required" });
    return;
  }
  if (!promptId) {
    res.status(400).json({ error: "Prompt ID is required" });
    return;
  }
  // call prompt ai api and openai api
  const reply = await getReply(message, promptId, chatHistory || "");
  res.status(200).json({ reply });
  return;
};

const getReply = async (message, promptId, chatHistory) => {
  // get prompt from prompt ai api based on promptId
  if (!promptId) {
    throw new Error("Prompt ID is required");
  }
  const promptDeployment = await PromptableApi.getActiveDeployment({
    promptId: promptId,
  });
  console.log("prompt deployment", promptDeployment);
  if (!promptDeployment) {
    throw new Error("Prompt deployment not found");
  }
  // replace prompt with message

  const beforeChatHistory = promptDeployment.text.replace("{{input}}", message);

  const numTokens = countBPETokens(beforeChatHistory);
  const afterChatHistory = beforeChatHistory.replace(
    "{{chat history}}",
    chatHistory
  );

  const finalPromptText = leftTruncateTranscript(
    afterChatHistory,
    4000 - numTokens
  );

  const revisedPrompt = {
    ...promptDeployment,
    text: finalPromptText,
  };

  console.log("revised prompt", revisedPrompt);
  // call openai api
  const response = await openai.createCompletion({
    model: revisedPrompt.config.model,
    prompt: revisedPrompt.text,
    temperature: revisedPrompt.config.temperature,
    max_tokens: revisedPrompt.config.max_tokens,
    top_p: 1.0,
    frequency_penalty: 0.0,
    presence_penalty: 0.0,
    stop: revisedPrompt.config.stop,
  });
  console.log("openai response", response.data);
  if (response.data.choices && response.data.choices.length > 0) {
    return response.data.choices[0].text;
  } else {
    return "I'm sorry, I don't understand.";
  }
};

function countBPETokens(text) {
  const encoded = tokenizer.encode(text);
  return encoded.bpe.length;
}

function leftTruncateTranscript(text, maxTokens) {
  const encoded = tokenizer.encode(text);
  const numTokens = encoded.bpe.length;
  const truncated = encoded.bpe.slice(numTokens - maxTokens);
  const decoded = tokenizer.decode(truncated);
  return decoded;
}

export default chatgpt;

4.4 使用依賴

最後,我們工程所使用的依賴包,如下所示:

"dependencies": {
    "@emotion/react": "^11.10.5",
    "@emotion/styled": "^11.10.5",
    "@mui/material": "^5.11.6",
    "@next/font": "13.1.6",
    "eslint": "8.32.0",
    "eslint-config-next": "13.1.6",
    "gpt3-tokenizer": "^1.1.5",
    "next": "13.1.6",
    "openai": "^3.2.1",
    "promptable": "^0.0.5",
    "react": "18.2.0",
    "react-dom": "18.2.0"
  }

4.5 編寫Prompt

在完成核心模組的後臺邏輯編寫後,可以訪問Prompt後臺,透過編寫Prompt來獲取ID,操作如下:

4.6 部署Prompt

完成Prompt編寫後,我們就可以部署Prompt了,部署成功後會生成一個PromptID,如下圖所示:

 這裡,在部署Prompt裡面有參考程式碼實現,具體如下:

import axios from 'axios'

// 這裡面的xxxxxxx是部署Prompt自動生成的ID,這裡我用xxxxxxx替換了
const { data } = await axios.get('https://promptable.ai/api/prompt/xxxxxxx/deployment/active')

const prompt = data.inputs?.reduce((acc, input) => {
  // Replace input.value with your value!
  return acc.replaceAll(`{{${input.name}}}, ${input.value}`)
}, data.text)

const res = await axios.get('https://openai.com/v1/completions', {
  data: {
    // your prompt
    prompt,

    // your model configs from promptable
    config: {
      ...data.config,
      // add any other configs here
    }
  }
})

// Your completion!
console.log(res.data.choices[0].text)

4.7 ChatGPT實現的AI網站預覽

最後,我們基於OpenAI最新的gpt-3.5-turbo模型,開發一個AI網站,效果如下:

 這裡為了節省token費用,透過點選“停止對話”按鈕暫時輸出了。因為使用OpenAI的介面是按照token來算費用的,英文字母算一個token,一個漢字算兩個token,收費明細如下:

 

5.總結

本文介紹瞭如何使用ChatGPT來實現一個AI網站。透過選擇合適的Web開發框架、整合ChatGPT、建立使用者介面、訓練ChatGPT、測試和最佳化、部署到生產環境以及進行維護和升級等步驟,您可以構建一個功能強大的AI網站,並提供更好的使用者體驗和服務。

相關文章