Hướng dẫn: Tạo Chatbot đơn giản với Python và API của ChatGPT và FastAPI

Câu hỏi 1|Câu trả lời 1
Câu hỏi 2|Câu trả lời 2
Làm thế nào để học Python?|Bạn có thể bắt đầu với các khóa học cơ bản trên YouTube hoặc tài liệu tại python.org.
Python có khó học không?|Python là ngôn ngữ lập trình dễ học, đặc biệt phù hợp cho người mới bắt đầu.
1
2
3
4
5
6

pip install fastapi pydantic scikit-learn numpy openai uvicorn
1
2

from fastapi import FastAPI
from pydantic import BaseModel
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
import openai


# Đặt API Key của OpenAI
openai.api_key = "YOU_API_KEY"

app = FastAPI()

# Đọc dữ liệu từ file
def load_data(file_path):
    data = {}
    with open(file_path, "r", encoding="utf-8") as f:
        for line in f:
            if "|" in line:
                question, answer = line.strip().split("|", 1)
                data[question] = answer
    return data

data = load_data("data.txt")

# Hàm tạo embedding
def get_embedding(text):
    response = openai.Embedding.create(
        model="text-embedding-ada-002",
        input=text
    )
    return response['data'][0]['embedding']

# Tạo embedding cho tất cả câu hỏi trong dữ liệu
def generate_embeddings(data):
    embeddings = {}
    for question in data.keys():
        embeddings[question] = get_embedding(question)
    return embeddings

# Tạo embedding cho dữ liệu ban đầu
embeddings = generate_embeddings(data)

# Định nghĩa mô hình yêu cầu từ người dùng
class UserQuestion(BaseModel):
    user_question: str

# Tìm câu hỏi tương đồng dựa trên embedding
def find_closest_questions(user_question, data, embeddings, top_n=10):
    user_embedding = get_embedding(user_question)
    question_similarities = [
        (question, cosine_similarity([user_embedding], [embedding])[0][0])
        for question, embedding in embeddings.items()
    ]
    # Sắp xếp câu hỏi theo điểm tương đồng
    question_similarities = sorted(question_similarities, key=lambda x: x[1], reverse=True)
    return [q[0] for q in question_similarities[:top_n]]

# So sánh câu hỏi của người dùng với dữ liệu
def find_best_match(user_question, data, embeddings):
    top_questions = find_closest_questions(user_question, data, embeddings)
    prompt = f"""
    Dưới đây là danh sách câu hỏi:
    {', '.join(top_questions)}

    Câu hỏi của tôi: "{user_question}"

    Hãy trả về câu hỏi nào trong danh sách trên có câu hỏi gần giống nhất, mang ý nghĩa tương tự với câu hỏi của tôi. Cấu trúc trả ra là duy nhất chuỗi câu hỏi. Nếu không có câu hỏi nào tương đồng, trả về "Không tìm thấy câu hỏi tương đồng".
    """
    
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[
            {"role": "system", "content": "Bạn là một trợ lý chuyên giúp tìm kiếm câu hỏi phù hợp nhất."},
            {"role": "user", "content": prompt}
        ],
        matokens=100,
        temperature=0
    )
    return response.choices[0].message["content"].strip()

# Định nghĩa mô hình dữ liệu cho Body yêu cầu
class UserQuestion(BaseModel):
    user_question: str

@app.post("/chat/")
def chatbot(request: UserQuestion):
    user_question = request.user_question
    best_match = find_best_match(user_question, data, embeddings)
    if best_match == "Không tìm thấy câu hỏi tương đồng":
        return {"question": user_question, "answer": "Mình có thể cho em thông tin cụ thể hơn không ạ?"}
    else:
        return {"question": user_question, "answer": data.get(best_match, "Mình chưa có câu trả lời cho câu hỏi này.")}

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96