该视频是使用全新开源任务人工智能构建应用程序和强大的 LLM 聊天机器人的终极初学者指南。
我将解释如何将 Claude 3 和 Mistral Large 与 Tasking AI 结合使用，以及为什么这个 Tasking AI 开源如此重要，并且对于任何希望在生成 AI 中构建应用程序和建立业务的人来说都是一个游戏规则改变者。
我将快速浏览一下新文档，以便您 100% 快速了解如何实现这一点，然后最后向您展示此任务处理 AI 的一些实际示例。
我们将在屏幕上构建一些应用程序，您可以复制、粘贴并根据您的用途进行调整
在我们开始之前！ 🦸🏻♀
如果您喜欢这个主题并且想支持我：
- 为我的文章点赞50次；这真的会对我有帮助。👏
- 在 Medium 上关注我并免费订阅以获取我的最新文章🫶
- 在我的YouTube 频道上关注我
什么是任务人工智能？
TaskingAI 开创了人工智能原生应用程序开发的新纪元，提供前所未有的简单性和创新性。借助 TaskingAI，构建由有状态 API 支持的响应式助手变得毫不费力。
无论您是编码新手还是已经编码多年都没关系，因为它为开发人员提供的易于使用的界面和工具包使 LLM 应用程序开发高效且灵活。
任务分配人工智能的特点
Tasking AI 平台是一个真正的一体化解决方案，它允许您通过统一的 API 和用于测试工作流程的直观控制台访问许多不同的 AI 模型。
其受 BaaS 启发的设计将 AI 逻辑与产品开发分开，提供了从原型设计到使用 RESTful API 和 SDK 构建的可扩展解决方案的清晰路径。
您可以使用强大的工具和先进的检索增强生成系统对其进行自定义。此外，它还利用 Python FastAPI 的异步功能来实现高性能、并发计算和无与伦比的可扩展性。
任务分配人工智能如何工作？
要使用 Tasking AI 创建 AI 助手或聊天机器人，您的第一步涉及选择支持一系列流行的开源或商业 LLM 的大型语言模型 (LLM)，例如 GPT-3.5、Gemini、Llama 等。
Tasking AI 集成了内置内存系统，使法学硕士能够访问聊天历史记录以增强响应生成。它还支持各种向量存储，允许实施 RAG 系统。此功能可让您轻松连接不同的数据源，例如纯文本。您的 LLM 很快将获得 PDF 支持
此外，Tasking AI 支持多种工具，允许您为 LLM 提供额外的信息源或执行任意操作。用户可以通过 Tasking AI 提供的 API 与助手进行交互，Tasking AI 为此提供了有状态的 API
让我们开始构建人工智能聊天机器人
Tasking AI 提供了一个用户友好的界面，可以简化 AI 助手的构建。只需单击几下，您就可以创建自定义助手并添加专用工具和数据源以增强其功能。
此外，Tasking AI 还提供了一个游乐场，您可以在其中方便地测试您的助手。
首先，第一步是为您的助手选择一种语言模型。 Tasking AI 支持各种开源和商业模型，包括来自 Open AI 的模型。
在此示例中，我们将选择 GPT-4 作为我们的语言模型。您需要提供模型名称并输入 Open AI API 密钥（注意：此处显示的密钥不起作用，因此请使用您自己的密钥）。
创建模型后，您可以选择编辑或删除它。接下来，您将使用刚刚设置的语言模型创建助手。单击“新建助手”按钮，为其指定名称和可选描述，然后选择您为助手创建的语言模型。
您可以通过定义系统提示来进一步自定义您的助手，该系统提示指示助手响应用户查询，从本质上塑造其角色。
您还可以启用记忆功能，允许助手访问聊天记录。连接外部数据源并使用自定义工具可以显着增强助手的能力。
创建助手后，您可以根据需要通过编辑或删除来对其进行管理。要测试您的助手，请前往游乐场，选择您创建的助手，开始新的聊天，然后在聊天框中提问。
例如，您可以询问“给我最后一个要投资的加密货币”，然后按“生成”按钮查看助手的响应。
值得注意的是，得益于 Tasking AI 的用户友好界面，您现在无需编写任何代码即可创建一个功能强大的聊天机器人。
要进一步扩展助手的功能，您可以添加集成第三方服务的自定义工具，方法是转到“工具”选项卡，选择“插件”子页面，然后单击“新插件”按钮
单击“Google 搜索 API”，然后单击“下一步”按钮。转到 Google Dev，复制您的 API 密钥并粘贴。最后，点击确认按钮
确认此工具并将其添加到您的助手后，您可以在 Playground 中通过提出诸如“给我最后一个要投资的加密货币”之类的问题来测试它。
然后，人工智能助手将运行定义的工具，收集必要的信息，分析数据并生成相关响应，列出有关该主题的相关信息。
您还可以利用其他工具来实现不同的应用程序，例如检索特定位置的股票价格或天气信息。这使您能够根据您的需求打造称职的助手
最后，您可以通过连接外部数据源或集合来实现检索增强生成 (RAG) 系统。此过程需要文本嵌入模型将数据转换为语言模型可以处理的嵌入表示。
您可以通过选择名称并提供 API 密钥来选择文本嵌入模型。如果您使用 OpenAI 模型，则也可以使用 OpenAI 嵌入模型
蜜蜂
Tasking AI 还有一个适用于 Python 的 SDK。它包括不同的 API 来连接 AI Assistance 的不同部分。您可以在 Tasking AI 文档中了解有关 API 的更多信息。
以下是与聊天模型交互的示例代码。首先，您需要导入所需的AI模块。然后，您提供模型 ID 来指定您选择的语言模型。
例如，您可以指定 GPT-3.5 作为模型。接下来，定义聊天完成任务并向其传递模型 ID 和输入消息。通过运行此任务，您可以获得模型的输出响应。
结论
TaskingAI 是一个旨在简化和创新人工智能原生应用程序开发的平台。它提供了一个用户友好的界面和框架，将前端和后端分开，使开发人员能够高效地构建大型语言模型（LLM）并将其集成到他们的应用程序中。
