生成式AI應(yīng)用開發(fā)：基于OpenAI API實(shí)現(xiàn)

第1章  緒論 1
1.1  AGI的新時(shí)代已經(jīng)到來 1
1.2  ChatGPT全景介紹：歷史、原理與API 2
1.2.1  GPT模型的基本概念和發(fā)展歷程 2
1.2.2  GPT為什么能做到跨領(lǐng)域與人交互 3
1.2.3  OpenAI API簡介 7
1.3  生成式AI應(yīng)用的市場前景 10
1.4  本書的內(nèi)容安排 11
第2章  OpenAI API請求庫 14
2.1  OpenAI API 14
2.1.1  OpenAI API提供的模型類別 14
2.1.2  在瀏覽器端實(shí)現(xiàn)文本轉(zhuǎn)音頻 16
2.1.3  在Node.js運(yùn)行時(shí)實(shí)現(xiàn)文本轉(zhuǎn)音頻 18
2.1.4  音頻轉(zhuǎn)文本的實(shí)現(xiàn) 21
2.2  Chat系列OpenAI API端點(diǎn) 23
2.2.1  Chat系列API端點(diǎn)參數(shù)及使用 23
2.2.2  Chat API的流響應(yīng) 26
2.3  API請求庫 31
2.3.1  使用OpenAI請求庫 31
2.3.2  實(shí)戰(zhàn)：封裝并發(fā)布一個(gè)大語言模型API的請求庫 33
2.3.3  ChatGPT國內(nèi)可用免費(fèi)API轉(zhuǎn)發(fā)開源倉庫：GPT-API-free 71
2.4  本章小結(jié) 72
第3章  基礎(chǔ)應(yīng)用：ChatGPT的實(shí)現(xiàn) 74
3.1  項(xiàng)目初始化和產(chǎn)品功能拆解 74
3.1.1  項(xiàng)目初始化 74
3.1.2  產(chǎn)品功能拆解 77
3.2  ChatGPT靜態(tài)交互的實(shí)現(xiàn) 78
3.2.1  右側(cè)ChatGPT對話區(qū)域 78
3.2.2  左側(cè)邊欄區(qū)域（Chat信息和API_KEY填寫） 81
3.3  ChatGPT可交互功能的補(bǔ)充 90
3.3.1  使用llm-request接入OpenAI API 91
3.3.2  New Chat事件的綁定 96
3.3.3  聊天記錄的緩存 97
3.3.4  響應(yīng)內(nèi)容的富文本處理（換行、代碼高亮、代碼復(fù)制） 101
3.3.5  思考題：如何避免在請求中暴露API_KEY 112
3.4  創(chuàng)建不同角色類別的聊天 114
3.4.1  什么是System Prompt 114
3.4.2  為ChatGPT項(xiàng)目放開System Prompt的填寫 115
3.4.3  示例：創(chuàng)建布布熊的虛擬女友一二熊 118
3.5  社區(qū)功能：跨平臺ChatGPT應(yīng)用—ChatGPT Next Web 119
3.5.1  初識ChatGPT Next Web 119
3.5.2  使用Vercel把ChatGPT Next Web部署到公網(wǎng) 121
3.6  本章小結(jié) 121
第4章  交互應(yīng)用：集成AI模型功能到飛書機(jī)器人 123
4.1  創(chuàng)建飛書機(jī)器人 123
4.1.1  飛書開放平臺 123
4.1.2  創(chuàng)建一個(gè)飛書機(jī)器人一二熊 124
4.2  飛書機(jī)器人的API服務(wù) 125
4.2.1  飛書機(jī)器人API服務(wù)的事件訂閱 125
4.2.2  開發(fā)階段：使用反向代理工具Ngrok對本地服務(wù)進(jìn)行內(nèi)網(wǎng)穿透 127
4.2.3  訂閱message接收事件并響應(yīng) 130
4.2.4  部署上線：使用Vercel Serverless Functions輕服務(wù)部署 132
4.3  支持一二熊的消息回復(fù) 137
4.3.1  支持一二熊的單聊回復(fù)消息 137
4.3.2  支持一二熊在群聊中回復(fù)消息 144
4.3.3  使用自定義消息卡片配置幫助文檔 148
4.4  結(jié)合AI實(shí)現(xiàn)一二熊的辦公輔助功能 150
4.4.1  支持對飛書文檔內(nèi)容進(jìn)行總結(jié) 151
4.4.2  支持向指定人員發(fā)送消息通知 156
4.4.3  支持向指定群發(fā)送消息通知 159
4.4.4  支持自動拉群并說明拉群用意 169
4.4.5  支持創(chuàng)建任務(wù)并自動生成任務(wù)摘要 174
4.5  本章小結(jié) 180
第5章  VSCode自定義插件 181
5.1  AI在代碼輔助領(lǐng)域的實(shí)施 181
5.1.1  ChatGPT出色的代碼輔助功能 181
5.1.2  OpenAI API與IDE插件的結(jié)合 183
5.2  初識VSCode插件開發(fā) 185
5.2.1  VSCode插件初始化 185
5.2.2  VSCode插件的目錄結(jié)構(gòu)及文件剖析 186
5.2.3  VSCode插件的啟動與本地調(diào)試 188
5.2.4  VSCode插件中單元測試的環(huán)境API mock 190
5.3  VSCode插件開發(fā)常用擴(kuò)展功能 191
5.3.1  插件命令 191
5.3.2  菜單項(xiàng) 196
5.3.3  插件配置項(xiàng) 198
5.3.4  按鍵綁定 203
5.3.5  消息通知 203
5.3.6  收集用戶輸入 203
5.3.7  文件選擇器 205
5.3.8  創(chuàng)建進(jìn)度條 208
5.3.9  診斷和快速修復(fù) 210
5.4  特殊判斷值when子句 213
5.4.1  when子句運(yùn)算符 214
5.4.2  when子句內(nèi)置環(huán)境變量 214
5.4.3  自定義when子句環(huán)境變量 215
5.5  VSCode插件支持的工作臺空間 216
5.5.1  活動欄區(qū)域：視圖容器 217
5.5.2  側(cè)邊欄區(qū)域：樹視圖 219
5.5.3  狀態(tài)欄區(qū)域：狀態(tài)欄項(xiàng)目 221
5.5.4  編輯器組區(qū)域：網(wǎng)頁視圖 224
5.6  使用React開發(fā)Webview 226
5.6.1  Webview的React開發(fā)配置 226
5.6.2  Webview和Extension的相互通信 231
5.6.3  Webview的開發(fā)者調(diào)試 236
5.7  VSCode插件的聯(lián)動與發(fā)布 236
5.7.1  擴(kuò)展依賴插件 237
5.7.2  VSCode插件的發(fā)布 237
5.8  本章小結(jié) 238
第6章  編程應(yīng)用：AI編碼輔助插件 239
6.1  在VSCode插件中實(shí)現(xiàn)ChatGPT 239
6.1.1  項(xiàng)目初始化 239
6.1.2  插件功能剖析 240
6.1.3  插件功能配置項(xiàng)注冊 240
6.1.4  任務(wù)欄注冊 241
6.1.5  緩存首頁的實(shí)現(xiàn) 246
6.1.6  聊天頁面的實(shí)現(xiàn) 253
6.2  代碼語言轉(zhuǎn)換工具 263
6.2.1  插件功能剖析 263
6.2.2  插件功能配置項(xiàng)注冊 263
6.2.3  支持全文件語言轉(zhuǎn)換 264
6.2.4  支持對全文件語言轉(zhuǎn)換結(jié)果的追問 268
6.2.5  支持局部代碼語言轉(zhuǎn)換 277
6.3  代碼審查工具 280
6.3.1  插件功能剖析 280
6.3.2  插件功能的配置項(xiàng)注冊 281
6.3.3  支持單文件粒度代碼AI診斷 282
6.3.4  人工的診斷行列匹配 287
6.3.5  支持對問題代碼的AI快速修復(fù) 292
6.3.6  支持狀態(tài)欄狀態(tài)顯示 298
6.4  本章小結(jié) 300
第7章  Hugging Face開源模型的私有化部署和微調(diào) 301
7.1  模型私有化部署 301
7.1.1  什么是模型私有化部署 301
7.1.2  使用Anaconda管理Python環(huán)境 302
7.1.3  私有化部署ChatGLM3-6B模型 304
7.1.4  ChatGLM3-6B模型的低成本部署 308
7.2  模型微調(diào) 309
7.2.1  什么是模型微調(diào) 309
7.2.2  對ChatGLM3-6B模型進(jìn)行單機(jī)單卡P-Tuning  310
7.3  開源AI社區(qū)Hugging Face 317
7.3.1  什么是Hugging Face 317
7.3.2  機(jī)器學(xué)習(xí)庫Transformers 317
7.4  本章小結(jié) 328
第8章  檢索增強(qiáng)生成技術(shù)：向量化與大模型的結(jié)合 329
8.1  檢索增強(qiáng)生成技術(shù)介紹 329
8.1.1  訓(xùn)練模型是一個(gè)高成本的過程 329
8.1.2  檢索增強(qiáng)生成技術(shù)：低成本信息穿透的實(shí)現(xiàn) 330
8.2  文本向量化 332
8.2.1  什么是文本向量化 332
8.2.2  OpenAI提供的文本向量化功能 333
8.2.3  私有化部署Hugging Face向量化模型 335
8.3  向量數(shù)據(jù)庫Chroma 340
8.3.1  什么是向量數(shù)據(jù)庫Chroma 340
8.3.2  文本向量化及相似度匹配的示例 341
8.3.3  集合API 342
8.3.4  相似度距離計(jì)算方法 352
8.3.5  embeddings向量化函數(shù) 353
8.4  實(shí)戰(zhàn)：為ChatGPT提供知識庫功能 357
8.4.1  知識庫整體功能剖析 357
8.4.2  支持文件上傳至知識庫 358
8.4.3  支持包含相似搜索的詢問模式 376
8.5  本章小結(jié) 380
第9章  提示詞工程與LLM社區(qū)生態(tài) 382
9.1  提示詞工程 382
9.1.1  英文組織提示詞 382
9.1.2  明確輸入和輸出 383
9.1.3  輔助推理鍵 384
9.1.4  特殊或生僻場景提供示例 385
9.1.5  分治法：減小模型介入問題的粒度 386
9.1.6  結(jié)構(gòu)化組織提示詞 388
9.2  國內(nèi)Chat大模型 389
9.2.1  文心一言 389
9.2.2  通義千問 395
9.2.3  豆包 399
9.2.4  元寶 402
9.2.5  Kimi 408
9.3  AI應(yīng)用搭建平臺Coze 410
9.3.1  什么是Coze 411
9.3.2  基礎(chǔ)使用 412
9.3.3  高階功能 414
9.3.4  Coze應(yīng)用的API調(diào)用 435
9.4  本章小結(jié) 441