ChatsAPI — 世界最速の AI エージェントフレームワーク-Python チュートリアル-php.cn

GitHub: https://github.com/chatsapi/ChatsAPI
ライブラリ: https://pypi.org/project/chatsapi/

人工知能は業界を変革しましたが、それを効果的に導入することは依然として困難な課題です。複雑なフレームワーク、遅い応答時間、急峻な学習曲線が、企業と開発者の両方にとって障壁となっています。 ChatsAPI をご利用ください。これは、比類のないスピード、柔軟性、シンプルさを実現するように設計された、画期的な高性能 AI エージェントフレームワークです。

この記事では、ChatsAPI のユニークな点、それがゲームチェンジャーである理由、そして開発者が比類のない簡単さと効率でインテリジェントなシステムを構築できるようにする方法を明らかにします。

ChatsAPI のユニークな点は何ですか?

ChatsAPI は単なる AI フレームワークではありません。それは AI 主導のインタラクションにおける革命です。その理由は次のとおりです:

比類のないパフォーマンス ChatsAPI は、SBERT 埋め込み、HNSWlib、BM25 ハイブリッド検索を活用して、これまで構築された中で最速のクエリマッチングシステムを提供します。

速度: 応答時間がミリ秒未満である ChatsAPI は、世界最速の AI エージェントフレームワークです。 HNSWlib を利用した検索により、大規模なデータセットであっても、ルートと知識を超高速で取得できます。

効率: SBERT と BM25 のハイブリッドアプローチは、セマンティックな理解を従来のランキングシステムと組み合わせて、速度と精度の両方を保証します。

LLM とのシームレスな統合
ChatsAPI は、OpenAI、Gemini、LlamaAPI、Ollama などの最先端の大規模言語モデル (LLM) をサポートしています。これにより、LLM をアプリケーションに統合する複雑さが簡素化され、より良いエクスペリエンスの構築に集中できるようになります。
動的ルートマッチング
ChatsAPI は自然言語理解 (NLU) を使用して、比類のない精度でユーザーのクエリを事前定義されたルートに動的に照合します。

@trigger などのデコレーターを使用してルートを簡単に登録します。

ユースケースがどれほど複雑であっても、@extract でパラメーター抽出を使用して入力処理を簡素化します。

シンプルなデザイン私たちは、パワーとシンプルさは共存できると信じています。 ChatsAPI を使用すると、開発者は堅牢な AI 駆動システムを数分で構築できます。複雑なセットアップや構成に苦労する必要はもうありません。

ChatsAPI の利点

高パフォーマンスのクエリ処理
従来の AI システムは速度か精度のいずれかで苦労していますが、ChatsAPI は両方を実現します。膨大なナレッジベースから最適な一致を見つける場合でも、大量のクエリを処理する場合でも、ChatsAPI は優れています。

柔軟なフレームワーク
ChatsAPI は、次のものを構築しているかどうかにかかわらず、あらゆるユースケースに適応します。

カスタマーサポートチャットボット。
インテリジェントな検索システム。
電子商取引、ヘルスケア、教育向けの AI を活用したアシスタント。

開発者向けに構築

開発者によって開発者のために設計された ChatsAPI は以下を提供します:

クイックスタート: わずか数ステップで環境をセットアップし、ルートを定義し、運用を開始します。
カスタマイズ: デコレーターを使用して動作を調整し、特定のニーズに合わせてパフォーマンスを微調整します。
簡単な LLM 統合: 最小限の労力で OpenAI や Gemini などのサポートされている LLM を切り替えます。

ChatsAPI はどのように機能しますか?

ChatsAPI はその中核として、次の 3 段階のプロセスを通じて動作します。

ルートの登録: @trigger デコレータを使用してルートを定義し、関数に関連付けます。
検索と一致: ChatsAPI は SBERT 埋め込みと BM25 ハイブリッド検索を使用して、ユーザー入力と適切なルートを動的に一致させます。
パラメータの抽出: @extract デコレータを使用すると、ChatsAPI はパラメータを自動的に抽出して検証し、複雑な入力の処理を容易にします。

結果は?高速、正確、そして驚くほど使いやすいシステムです。

使用例

カスタマーサポート
非常に高速なクエリ解決により顧客との対話を自動化します。 ChatsAPI により、ユーザーは関連性のある回答を即座に得ることができるため、満足度が向上し、運用コストが削減されます。
ナレッジベース検索
ユーザーが意味を理解して膨大なナレッジベースを検索できるようにします。ハイブリッド SBERT-BM25 アプローチにより、正確でコンテキストを認識した結果が保証されます。
会話型 AI
ユーザー入力をリアルタイムで理解し、それに適応する会話型 AI エージェントを構築します。 ChatsAPI はトップ LLM とシームレスに統合し、自然で魅力的な会話を提供します。

なぜ気にする必要があるのでしょうか?

他のフレームワークは柔軟性やパフォーマンスを約束しますが、ChatsAPI のように両方を実現できるものはありません。私たちは次のようなフレームワークを作成しました:

市場の他のものより速い。
セットアップと使用がより簡単。
よりスマート。セマンティックアプローチとキーワードベースのアプローチを融合した独自のハイブリッド検索エンジンを備えています。

ChatsAPI を使用すると、開発者は複雑さやパフォーマンスの低下に悩まされることなく、AI の可能性を最大限に引き出すことができます。

始め方

ChatsAPI を始めるのは簡単です:

フレームワークをインストールします。

pip install chatsapi

ログイン後にコピー

ルートを定義します。

from chatsapi import ChatsAPI  

chat = ChatsAPI()  

@chat.trigger("Hello")  
async def greet(input_text):  
    return "Hi there!"

ログイン後にコピー

メッセージからデータを抽出します

from chatsapi import ChatsAPI  

chat = ChatsAPI()  

@chat.trigger("Need help with account settings.")
@chat.extract([
    ("account_number", "Account number (a nine digit number)", int, None),
    ("holder_name", "Account holder's name (a person name)", str, None)
])
async def account_help(chat_message: str, extracted: dict):
    return {"message": chat_message, "extracted": extracted}
Run your message (with no LLM)
@app.post("/chat")
async def message(request: RequestModel, response: Response):
    reply = await chat.run(request.message)
    return {"message": reply}

ログイン後にコピー

会話 (LLM を使用) — 完全な例

import os
from dotenv import load_dotenv
from fastapi import FastAPI, Request, Response
from pydantic import BaseModel
from chatsapi.chatsapi import ChatsAPI

# Load environment variables from .env file
load_dotenv()

app = FastAPI()                 # instantiate FastAPI or your web framework
chat = ChatsAPI(                # instantiate ChatsAPI
    llm_type="gemini",
    llm_model="models/gemini-pro",
    llm_api_key=os.getenv("GOOGLE_API_KEY"),
)

# chat trigger - 1
@chat.trigger("Want to cancel a credit card.")
@chat.extract([("card_number", "Credit card number (a 12 digit number)", str, None)])
async def cancel_credit_card(chat_message: str, extracted: dict):
    return {"message": chat_message, "extracted": extracted}

# chat trigger - 2
@chat.trigger("Need help with account settings.")
@chat.extract([
    ("account_number", "Account number (a nine digit number)", int, None),
    ("holder_name", "Account holder's name (a person name)", str, None)
])
async def account_help(chat_message: str, extracted: dict):
    return {"message": chat_message, "extracted": extracted}

# request model
class RequestModel(BaseModel):
    message: str

# chat conversation
@app.post("/chat")
async def message(request: RequestModel, response: Response, http_request: Request):
    session_id = http_request.cookies.get("session_id")
    reply = await chat.conversation(request.message, session_id)

    return {"message": f"{reply}"}

# set chat session
@app.post("/set-session")
def set_session(response: Response):
    session_id = chat.set_session()
    response.set_cookie(key="session_id", value=session_id)
    return {"message": "Session set"}

# end chat session
@app.post("/end-session")
def end_session(response: Response, http_request: Request):
    session_id = http_request.cookies.get("session_id")
    chat.end_session(session_id)
    response.delete_cookie("session_id")
    return {"message": "Session ended"}

ログイン後にコピー