在學習新事物時是否感到不知所措？就像你淹沒在資訊中但實際上沒有吸收任何東西？我們都去過那裡。擁有一個了解您的水平並以簡單易懂的方式解釋事物的個人化學習夥伴不是很棒嗎？這正是我們要共同建構的。
本教學將向您展示如何將 BotHub API 與 PyQt5 結合起來創建一個互動式且適應性強的學習工具。它不僅僅是另一個聊天機器人；它是一個聊天機器人。它更像是私人導師，24/7 全天候提供服務。
在開始建造之前，讓我們先收集工具。我們需要一些關鍵的 Python 函式庫：
import os import datetime import json from dataclasses import dataclass from typing import List, Dict from openai import OpenAI from dotenv import load_dotenv from PyQt5.QtCore import Qt, QThread, pyqtSignal from PyQt5.QtGui import QMovie from PyQt5.QtWidgets import (QApplication, QWidget, QVBoxLayout, QHBoxLayout, QLabel, QLineEdit, QTextEdit, QRadioButton, QButtonGroup, QPushButton, QGroupBox, QListWidget, QListWidgetItem, QTabWidget, QFileDialog, QComboBox, QCheckBox, QMessageBox, QDialogButtonBox, QSpinBox, QFormLayout, QDialog, QDateEdit)
將這些庫視為工具包的不同部分。有些處理基礎知識，例如檔案管理 (os)、計時 (datetime) 和資料處理 (json)。其他的，像是資料類別和類型，可以幫助我們編寫乾淨、有組織的程式碼。真正的魔力發生在 openai 上，它讓我們能夠利用人工智慧的力量。 dotenv 確保我們敏感資訊（如 API 金鑰）的安全。最後，PyQt5 幫助我們創建了一個漂亮且直覺的使用者介面。
為了與我們的 AI 進行通信，我們將建立一個 UserRequest 類別。這有助於組織使用者提供的資訊：
@dataclass class UserRequest: query: str user_level: str preferences: Dict
使用方便的@dataclass 裝飾器，我們定義了三個關鍵資訊：使用者的查詢（他們要問什麼）、他們的使用者等級（初級、中級或高級）以及他們的偏好（例如他們想要查詢多長時間）回應是）。這將所有內容整齊地打包到一個物件中。
為了讓學習體驗真正個人化，我們需要記住使用者做了什麼以及他們喜歡如何學習。這就是 UserSession 類別的用武之地：
class UserSession:
def __init__(self):
self.history: List[Dict] = []
self.preferences: Dict = {}
self.level: str = "beginner"
def add_to_history(self, query, response):
self.history.append({"query": query, "response": response, "timestamp": datetime.datetime.now().isoformat()})
def update_preferences(self, new_preferences):
self.preferences.update(new_preferences)
UserSession 追蹤對話歷史記錄、使用者的首選項及其目前層級。這就像有一個專門的助手，可以記住一切並適應用戶的需求。
EducationalAssistant 類別是我們應用程式的核心。它負責與 BotHub API 互動：
class EducationalAssistant:
def __init__(self):
load_dotenv()
self.client = OpenAI(api_key=os.getenv('BOTHUB_API_KEY'), base_url='https://bothub.chat/api/v2/openai/v1')
self.session = UserSession()
def generate_prompt(self, request):
prompt = f"""As an educational assistant, provide a response for a {request.user_level} level student.
Query: {request.query}\n"""
if request.preferences:
prompt += "Consider these preferences:\n"
for key, value in request.preferences.items():
if key == "response_length":
prompt += f"Desired Length: Approximately {value} words\n"
elif key == "include_examples" and value:
prompt += "Include Examples: Yes\n"
else:
prompt += f"{key.capitalize()}: {value}\n"
prompt += "Please provide a detailed explanation."
return prompt
def generate_text_response(self, request):
try:
response = self.client.chat.completions.create(
model="claude-3.5-sonnet", // u can use any model in "Models available" on BotHub
messages=[
{"role": "system", "content": "You are an educational assistant."},
{"role": "user", "content": self.generate_prompt(request)}
]
)
return response.choices[0].message.content
except Exception as e:
return f"Error generating text response: {e}"
這個類別處理一些關鍵任務。首先，它使用您的 API 金鑰初始化與 BotHub 的連線（我們之前討論過）。它還設定一個 UserSession 來追蹤互動。 generate_prompt 方法接受使用者的請求並將其轉換為 API 可以理解的提示。最後，generate_text_response 將提示傳送到 API 並檢索 AI 產生的答案。
為了避免讓使用者在 AI 思考時等待，我們將使用單獨的執行緒進行 API 呼叫：
import os import datetime import json from dataclasses import dataclass from typing import List, Dict from openai import OpenAI from dotenv import load_dotenv from PyQt5.QtCore import Qt, QThread, pyqtSignal from PyQt5.QtGui import QMovie from PyQt5.QtWidgets import (QApplication, QWidget, QVBoxLayout, QHBoxLayout, QLabel, QLineEdit, QTextEdit, QRadioButton, QButtonGroup, QPushButton, QGroupBox, QListWidget, QListWidgetItem, QTabWidget, QFileDialog, QComboBox, QCheckBox, QMessageBox, QDialogButtonBox, QSpinBox, QFormLayout, QDialog, QDateEdit)
這個GenerateResponseThread基於PyQt5的QThread，在背景執行API請求，確保使用者介面保持回應。
每個人的學習方式都不同。為了滿足個人喜好，我們將建立一個 PreferencesDialog：
@dataclass class UserRequest: query: str user_level: str preferences: Dict
此對話框允許使用者自訂設置，例如 AI 的語氣、所需的回應長度以及是否包含範例。這種程度的客製化可確保更具吸引力和更有效的學習體驗。
最後，讓我們使用 EducationalAssistantGUI 類別建立使用者介面：
class UserSession:
def __init__(self):
self.history: List[Dict] = []
self.preferences: Dict = {}
self.level: str = "beginner"
def add_to_history(self, query, response):
self.history.append({"query": query, "response": response, "timestamp": datetime.datetime.now().isoformat()})
def update_preferences(self, new_preferences):
self.preferences.update(new_preferences)
此類建置主窗口，其中包括兩個選項卡：「聊天」和「歷史記錄」。 「聊天」標籤允許使用者輸入查詢、選擇等級並查看人工智慧的回應。 「歷史記錄」標籤顯示過去的對話，提供搜尋和匯出功能。
現在，讓我們將我們的創作變成現實：
class EducationalAssistant:
def __init__(self):
load_dotenv()
self.client = OpenAI(api_key=os.getenv('BOTHUB_API_KEY'), base_url='https://bothub.chat/api/v2/openai/v1')
self.session = UserSession()
def generate_prompt(self, request):
prompt = f"""As an educational assistant, provide a response for a {request.user_level} level student.
Query: {request.query}\n"""
if request.preferences:
prompt += "Consider these preferences:\n"
for key, value in request.preferences.items():
if key == "response_length":
prompt += f"Desired Length: Approximately {value} words\n"
elif key == "include_examples" and value:
prompt += "Include Examples: Yes\n"
else:
prompt += f"{key.capitalize()}: {value}\n"
prompt += "Please provide a detailed explanation."
return prompt
def generate_text_response(self, request):
try:
response = self.client.chat.completions.create(
model="claude-3.5-sonnet", // u can use any model in "Models available" on BotHub
messages=[
{"role": "system", "content": "You are an educational assistant."},
{"role": "user", "content": self.generate_prompt(request)}
]
)
return response.choices[0].message.content
except Exception as e:
return f"Error generating text response: {e}"
恭喜！您已經建立了自己的個人化 AI 學習助理。
現在您已經有了一個可以運行的應用程序，請考慮如何使其變得更好！ BotHub API 提供了很大的靈活性。您可以整合圖像生成或語音轉錄，而不僅僅是文字回應。 BotHub 還允許您存取多種 AI 模型，讓您可以為不同的任務選擇最佳的模型。想像一下，您的助手能夠總結複雜的主題、翻譯語言，甚至產生練習測驗！可能性是巨大的。你已經打下了堅實的基礎；現在就出發去探索吧！
以上是教學：創建您自己的 AI 學習夥伴的詳細內容。更多資訊請關注PHP中文網其他相關文章！
