


In diesem Tutorial führen wir die Erstellung eines generativen KI-Chatbots mit Python und der OpenAI-API durch. Wir erstellen einen Chatbot, der natürliche Gespräche führen kann, dabei den Kontext beibehält und hilfreiche Antworten liefert.
Voraussetzungen
- Python 3.8
- Grundlegendes Verständnis der Python-Programmierung
- OpenAI-API-Schlüssel
- Grundkenntnisse über RESTful APIs
Einrichten der Umgebung
Zuerst richten wir unsere Entwicklungsumgebung ein. Erstellen Sie ein neues Python-Projekt und installieren Sie die erforderlichen Abhängigkeiten:
pip install openai python-dotenv streamlit
Projektstruktur
Unser Chatbot wird eine klare, modulare Struktur haben:
chatbot/ ├── .env ├── app.py ├── chat_handler.py └── requirements.txt
Durchführung
Beginnen wir mit unserer Kern-Chatbot-Logik in chat_handler.py:
import openai from typing import List, Dict import os from dotenv import load_dotenv load_dotenv() class ChatBot: def __init__(self): openai.api_key = os.getenv("OPENAI_API_KEY") self.conversation_history: List[Dict[str, str]] = [] self.system_prompt = """You are a helpful AI assistant. Provide clear, accurate, and engaging responses while maintaining a friendly tone.""" def add_message(self, role: str, content: str): self.conversation_history.append({"role": role, "content": content}) def get_response(self, user_input: str) -> str: # Add user input to conversation history self.add_message("user", user_input) # Prepare messages for API call messages = [{"role": "system", "content": self.system_prompt}] + \ self.conversation_history try: # Make API call to OpenAI response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages, max_tokens=1000, temperature=0.7 ) # Extract and store assistant's response assistant_response = response.choices[0].message.content self.add_message("assistant", assistant_response) return assistant_response except Exception as e: return f"An error occurred: {str(e)}"
Jetzt erstellen wir eine einfache Weboberfläche mit Streamlit in app.py:
import streamlit as st from chat_handler import ChatBot def main(): st.title("? AI Chatbot") # Initialize session state if "chatbot" not in st.session_state: st.session_state.chatbot = ChatBot() # Chat interface if "messages" not in st.session_state: st.session_state.messages = [] # Display chat history for message in st.session_state.messages: with st.chat_message(message["role"]): st.write(message["content"]) # Chat input if prompt := st.chat_input("What's on your mind?"): # Add user message to chat history st.session_state.messages.append({"role": "user", "content": prompt}) with st.chat_message("user"): st.write(prompt) # Get bot response response = st.session_state.chatbot.get_response(prompt) # Add assistant response to chat history st.session_state.messages.append({"role": "assistant", "content": response}) with st.chat_message("assistant"): st.write(response) if __name__ == "__main__": main()
Hauptmerkmale
- Konversationsspeicher: Der Chatbot behält den Kontext bei, indem er den Konversationsverlauf speichert.
- Systemaufforderung: Wir definieren das Verhalten und die Persönlichkeit des Chatbots durch eine Systemaufforderung.
- Fehlerbehandlung: Die Implementierung umfasst eine grundlegende Fehlerbehandlung für API-Aufrufe.
- Benutzeroberfläche: Eine übersichtliche, intuitive Weboberfläche mit Streamlit.
Ausführen des Chatbots
- Erstellen Sie eine .env-Datei mit Ihrem OpenAI-API-Schlüssel:
OPENAI_API_KEY=your_api_key_here
- Führen Sie die Anwendung aus:
streamlit run app.py
Mögliche Verbesserungen
- Konversationspersistenz: Datenbankintegration hinzufügen, um Chatverläufe zu speichern.
- Benutzerdefinierte Persönlichkeiten: Ermöglichen Sie Benutzern die Auswahl verschiedener Chatbot-Persönlichkeiten.
- Eingabevalidierung: Fügen Sie eine robustere Eingabevalidierung und -bereinigung hinzu.
- API-Ratenbegrenzung: Implementieren Sie eine Ratenbegrenzung, um die API-Nutzung zu verwalten.
- Antwort-Streaming: Fügen Sie Streaming-Antworten für eine bessere Benutzererfahrung hinzu.
Abschluss
Diese Implementierung demonstriert einen einfachen, aber funktionalen generativen KI-Chatbot. Der modulare Aufbau ermöglicht eine einfache Erweiterung und Anpassung an spezifische Anforderungen. Während dieses Beispiel die API von OpenAI verwendet, können dieselben Prinzipien auf andere Sprachmodelle oder APIs angewendet werden.
Denken Sie daran, dass Sie beim Einsatz eines Chatbots Folgendes berücksichtigen sollten:
- API-Kosten und Nutzungsbeschränkungen
- Datenschutz und Sicherheit der Benutzer
- Antwortlatenz und Optimierung
- Eingabevalidierung und Inhaltsmoderation
Ressourcen
- OpenAI API-Dokumentation
- Streamlit-Dokumentation
- Python-Umgebungsmanagement
Das obige ist der detaillierte Inhalt vonErstellen eines einfachen generativen KI-Chatbots: Ein praktischer Leitfaden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden


Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

WebStorm-Mac-Version
Nützliche JavaScript-Entwicklungstools

MinGW – Minimalistisches GNU für Windows
Dieses Projekt wird derzeit auf osdn.net/projects/mingw migriert. Sie können uns dort weiterhin folgen. MinGW: Eine native Windows-Portierung der GNU Compiler Collection (GCC), frei verteilbare Importbibliotheken und Header-Dateien zum Erstellen nativer Windows-Anwendungen, einschließlich Erweiterungen der MSVC-Laufzeit zur Unterstützung der C99-Funktionalität. Die gesamte MinGW-Software kann auf 64-Bit-Windows-Plattformen ausgeführt werden.

Dreamweaver CS6
Visuelle Webentwicklungstools

Herunterladen der Mac-Version des Atom-Editors
Der beliebteste Open-Source-Editor

SublimeText3 Englische Version
Empfohlen: Win-Version, unterstützt Code-Eingabeaufforderungen!
