使用 Python 或 Bubble 构建简单聊天机器人

摘要

30 秒看懂

Matthew Berman 演示两种基本聊天机器人界面：使用 Gradio 的 Python 笔记本，以及使用 API 连接器的 Bubble 应用。视频使用较早的 API 和 SDK 约定，读者应查看当前文档并保护 API 凭据。

全文

对照原始文稿

Berman 配置笔记本，并将 chat-completion 调用封装为简单界面。演示使用历史 API 语法。

我演示两种使用 OpenAI API 构建简单聊天机器人的方式：在 Python 笔记本中使用 Gradio，以及在 Bubble 中创建无代码界面。这是一份使用当时 API 和库的历史教程；当前界面、模型名称和 SDK 语法可能不同。

Python 示例需要 OpenAI API 密钥，以及用于 Colab 的 Google 账户。我创建笔记本并安装 OpenAI 和 Gradio 库。Colab 可以运行笔记本单元，方便实验，无须先配置本地 Python 环境。

示例导入库、配置 API 访问，然后定义一个函数，将用户提示词发送到 chat-completion 端点。演示使用的模型是 GPT-3.5 Turbo。API 凭据应保密，不应写入共享笔记本或客户端代码。

请求包含一个 messages 数组，其中有 user 角色和输入文本。我解释说，system 消息可以为助手提供一般指令，user 消息则包含提示词。响应中包含 choices，示例从中提取返回的消息文本。

我围绕函数创建一个 Gradio 界面，使用文本输入和输出，然后在 Colab 中启动。测试提示词要求讲一个笑话，并得到了回答。这只是简单的提示与响应演示；视频没有构建持久化对话历史。

他创建无代码应用，并配置经过身份验证的 JSON API 操作。凭据必须保密。

第二种方式使用 Bubble。我创建应用、安装 API Connector 插件，并为 chat-completion 端点配置私有授权头、JSON 内容类型和 POST 操作。分享应用时，凭据需要保持私密并留在服务端。

请求体指定模型和用户消息，并为提示词设置动态值。我用示例提示初始化调用，让 Bubble 能够检查响应结构。本教程使用视频展示的端点和设置，较新版本可能需要更新。

他添加输入、按钮和响应元素，然后将工作流绑定到返回的消息。预览测试了短提示和较长提示。

在 Bubble 的设计视图中，我添加多行输入框、提交按钮和显示答案的文本元素。目标是让界面先具备功能，外观可以以后再调整。

按钮工作流调用 API 操作，并传入输入框的值。第二步将第一个返回消息的内容保存在响应元素的自定义状态中，然后把显示元素绑定到该状态。

预览中，我提交一个要求给出名字的提示词并收到回答。较长的答案最初被截断，于是我扩大文本元素并再次测试。两种方式都展示了用户界面如何发送提示词并显示 API 响应。