生成式AI应用开发：基于OpenAI API实现

第1章  绪论 1
1.1  AGI的新时代已经到来 1
1.2  ChatGPT全景介绍：历史、原理与API 2
1.2.1  GPT模型的基本概念和发展历程 2
1.2.2  GPT为什么能做到跨领域与人交互 3
1.2.3  OpenAI API简介 7
1.3  生成式AI应用的市场前景 10
1.4  本书的内容安排 11
第2章  OpenAI API请求库 14
2.1  OpenAI API 14
2.1.1  OpenAI API提供的模型类别 14
2.1.2  在浏览器端实现文本转音频 16
2.1.3  在Node.js运行时实现文本转音频 18
2.1.4  音频转文本的实现 21
2.2  Chat系列OpenAI API端点 23
2.2.1  Chat系列API端点参数及使用 23
2.2.2  Chat API的流响应 26
2.3  API请求库 31
2.3.1  使用OpenAI请求库 31
2.3.2  实战：封装并发布一个大语言模型API的请求库 33
2.3.3  ChatGPT国内可用免费API转发开源仓库：GPT-API-free 71
2.4  本章小结 72
第3章  基础应用：ChatGPT的实现 74
3.1  项目初始化和产品功能拆解 74
3.1.1  项目初始化 74
3.1.2  产品功能拆解 77
3.2  ChatGPT静态交互的实现 78
3.2.1  右侧ChatGPT对话区域 78
3.2.2  左侧边栏区域（Chat信息和API_KEY填写） 81
3.3  ChatGPT可交互功能的补充 90
3.3.1  使用llm-request接入OpenAI API 91
3.3.2  New Chat事件的绑定 96
3.3.3  聊天记录的缓存 97
3.3.4  响应内容的富文本处理（换行、代码高亮、代码复制） 101
3.3.5  思考题：如何避免在请求中暴露API_KEY 112
3.4  创建不同角色类别的聊天 114
3.4.1  什么是System Prompt 114
3.4.2  为ChatGPT项目放开System Prompt的填写 115
3.4.3  示例：创建布布熊的虚拟女友一二熊 118
3.5  社区功能：跨平台ChatGPT应用—ChatGPT Next Web 119
3.5.1  初识ChatGPT Next Web 119
3.5.2  使用Vercel把ChatGPT Next Web部署到公网 121
3.6  本章小结 121
第4章  交互应用：集成AI模型功能到飞书机器人 123
4.1  创建飞书机器人 123
4.1.1  飞书开放平台 123
4.1.2  创建一个飞书机器人一二熊 124
4.2  飞书机器人的API服务 125
4.2.1  飞书机器人API服务的事件订阅 125
4.2.2  开发阶段：使用反向代理工具Ngrok对本地服务进行内网穿透 127
4.2.3  订阅message接收事件并响应 130
4.2.4  部署上线：使用Vercel Serverless Functions轻服务部署 132
4.3  支持一二熊的消息回复 137
4.3.1  支持一二熊的单聊回复消息 137
4.3.2  支持一二熊在群聊中回复消息 144
4.3.3  使用自定义消息卡片配置帮助文档 148
4.4  结合AI实现一二熊的办公辅助功能 150
4.4.1  支持对飞书文档内容进行总结 151
4.4.2  支持向指定人员发送消息通知 156
4.4.3  支持向指定群发送消息通知 159
4.4.4  支持自动拉群并说明拉群用意 169
4.4.5  支持创建任务并自动生成任务摘要 174
4.5  本章小结 180
第5章  VSCode自定义插件 181
5.1  AI在代码辅助领域的实施 181
5.1.1  ChatGPT出色的代码辅助功能 181
5.1.2  OpenAI API与IDE插件的结合 183
5.2  初识VSCode插件开发 185
5.2.1  VSCode插件初始化 185
5.2.2  VSCode插件的目录结构及文件剖析 186
5.2.3  VSCode插件的启动与本地调试 188
5.2.4  VSCode插件中单元测试的环境API mock 190
5.3  VSCode插件开发常用扩展功能 191
5.3.1  插件命令 191
5.3.2  菜单项 196
5.3.3  插件配置项 198
5.3.4  按键绑定 203
5.3.5  消息通知 203
5.3.6  收集用户输入 203
5.3.7  文件选择器 205
5.3.8  创建进度条 208
5.3.9  诊断和快速修复 210
5.4  特殊判断值when子句 213
5.4.1  when子句运算符 214
5.4.2  when子句内置环境变量 214
5.4.3  自定义when子句环境变量 215
5.5  VSCode插件支持的工作台空间 216
5.5.1  活动栏区域：视图容器 217
5.5.2  侧边栏区域：树视图 219
5.5.3  状态栏区域：状态栏项目 221
5.5.4  编辑器组区域：网页视图 224
5.6  使用React开发Webview 226
5.6.1  Webview的React开发配置 226
5.6.2  Webview和Extension的相互通信 231
5.6.3  Webview的开发者调试 236
5.7  VSCode插件的联动与发布 236
5.7.1  扩展依赖插件 237
5.7.2  VSCode插件的发布 237
5.8  本章小结 238
第6章  编程应用：AI编码辅助插件 239
6.1  在VSCode插件中实现ChatGPT 239
6.1.1  项目初始化 239
6.1.2  插件功能剖析 240
6.1.3  插件功能配置项注册 240
6.1.4  任务栏注册 241
6.1.5  缓存首页的实现 246
6.1.6  聊天页面的实现 253
6.2  代码语言转换工具 263
6.2.1  插件功能剖析 263
6.2.2  插件功能配置项注册 263
6.2.3  支持全文件语言转换 264
6.2.4  支持对全文件语言转换结果的追问 268
6.2.5  支持局部代码语言转换 277
6.3  代码审查工具 280
6.3.1  插件功能剖析 280
6.3.2  插件功能的配置项注册 281
6.3.3  支持单文件粒度代码AI诊断 282
6.3.4  人工的诊断行列匹配 287
6.3.5  支持对问题代码的AI快速修复 292
6.3.6  支持状态栏状态显示 298
6.4  本章小结 300
第7章  Hugging Face开源模型的私有化部署和微调 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环境 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  模型微调 309
7.2.1  什么是模型微调 309
7.2.2  对ChatGLM3-6B模型进行单机单卡P-Tuning  310
7.3  开源AI社区Hugging Face 317
7.3.1  什么是Hugging Face 317
7.3.2  机器学习库Transformers 317
7.4  本章小结 328
第8章  检索增强生成技术：向量化与大模型的结合 329
8.1  检索增强生成技术介绍 329
8.1.1  训练模型是一个高成本的过程 329
8.1.2  检索增强生成技术：低成本信息穿透的实现 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  向量数据库Chroma 340
8.3.1  什么是向量数据库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  相似度距离计算方法 352
8.3.5  embeddings向量化函数 353
8.4  实战：为ChatGPT提供知识库功能 357
8.4.1  知识库整体功能剖析 357
8.4.2  支持文件上传至知识库 358
8.4.3  支持包含相似搜索的询问模式 376
8.5  本章小结 380
第9章  提示词工程与LLM社区生态 382
9.1  提示词工程 382
9.1.1  英文组织提示词 382
9.1.2  明确输入和输出 383
9.1.3  辅助推理键 384
9.1.4  特殊或生僻场景提供示例 385
9.1.5  分治法：减小模型介入问题的粒度 386
9.1.6  结构化组织提示词 388
9.2  国内Chat大模型 389
9.2.1  文心一言 389
9.2.2  通义千问 395
9.2.3  豆包 399
9.2.4  元宝 402
9.2.5  Kimi 408
9.3  AI应用搭建平台Coze 410
9.3.1  什么是Coze 411
9.3.2  基础使用 412
9.3.3  高阶功能 414
9.3.4  Coze应用的API调用 435
9.4  本章小结 441