實戰 LLM 開發智慧客服機器人與高效錯誤處理

from openai import OpenAI
from langchain_openai import ChatOpenAI
from openai import APIError, AuthenticationError, RateLimitError

client = OpenAI()
llm = ChatOpenAI()

try:
    response = llm.invoke("你好嗎？")
    print(response)
except AuthenticationError as e:
    print(f"驗證失敗：{e}")
except RateLimitError as e:
    print("已超過速率限制。請稍後再試。")
except APIError as e:
    print(f"API 錯誤：{e}")
except Exception as e:
    print(f"發生意外錯誤：{e}")
finally:
    print("操作完成。")

!pip install openai==1.3.7

from openai import OpenAI
import os

os.environ["OPENAI_API_KEY"] = "你的 OpenAI 金鑰"

client = OpenAI()

prompt = "針對新型環保可重複使用的水瓶，提供簡要的市場分析。"

response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一位消費品市場研究分析師。"},
        {"role": "user", "content": prompt}
    ],
    max_tokens=150,
    n=1,
    temperature=0.6,
)

generated_analysis = response.choices[0].message.content
print("市場分析：")
print(generated_analysis)

!pip install google-cloud-language==2.13.3
!pip install google-cloud-vision==3.7.2
!pip install google-cloud-translate==3.11.3

from google.cloud import language_v1
import os

os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "path/to/your/service-account-file.json"

def analyze_text(text):
    client = language_v1.LanguageServiceClient()
    document = language_v1.Document(content=text, type_=language_v1.Document.Type.PLAIN_TEXT)
    response = client.analyze_sentiment(document=document)
    sentiment = response.document_sentiment
    print(f"Text: {text}")
    print(f"Sentiment score: {sentiment.score}")
    print(f"Sentiment magnitude: {sentiment.magnitude}")

text = "Google Cloud AI services are powerful and easy to use."

analyze_text(text)

```python
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_anthropic import ChatAnthropic

# 設定 Anthropic API 金鑰
# 請將 "YOUR_ANTHROPIC_API_KEY" 替換為您的實際 API 金鑰
ANTHROPIC_API_KEY = "YOUR_ANTHROPIC_API_KEY"

prompt_template = """你是一位由 Anthropic 建立的 AI 助理，旨在提供有益、無害與誠實的協助。
請提供一個關於 AI 的有趣事實。
"""
system = (prompt_template)
claude = ChatAnthropic(temperature=0, api_key=ANTHROPIC_API_KEY, model_name="claude-3-sonnet-20240229")


if __name__ == "__main__":
    human = "{text}"
    prompt = ChatPromptTemplate.from_messages([("system", system), ("human", human)])
    chain = prompt | claude
    response = chain.invoke(
        {
            "text": "給我一個關於 Claude 的有趣事實",
        }
    )
    print(response)

import os
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_cohere import ChatCohere

# 設定 Cohere API 金鑰
# 請將 "YOUR_COHERE_API_KEY" 替換為您的實際 API 金鑰
os.environ["COHERE_API_KEY"] = "YOUR_COHERE_API_KEY"

prompt_template = """你是一位 AI 助理，旨在生成具有創意的商業提案。
請接續以下提案：
提案：介紹一款將改變人們工作和協作方式的革命性新產品。
我們的創新解決方案結合了尖端技術和直觀設計，為各種規模的團隊創造無縫體驗。
透過即時協作、智慧任務自動化和整合分析等功能，我們的產品讓團隊能夠更快地達成更多目標。
想像一個溝通毫不費力、生產力最大化、成功無可避免的世界。這就是我們正在努力開發的世界。
"""

if __name__ == "__main__":
    # 初始化 Cohere 模型
    cohere = ChatCohere(temperature=0, api_key=os.environ["COHERE_API_KEY"], model_name="command-r")
    system = (prompt_template)
    human = "{text}"

    prompt = ChatPromptTemplate.from_messages([("system", system), ("human", human)])
    chain = prompt | cohere

    response = chain.invoke(
        {
            "text": "請提供一個關於如何提升團隊生產力的創新功能。", # 修改為更符合商業提案的輸入
        }
    )
    print("Cohere 生成的提案：")
    print(response)