Tämä sovellus tarjoaa kattavan ratkaisun kaluston vikojen katseluun, raportointiin ja päivittämiseen. Se hyödyntää edistynyttä tekoälypohjaista chatbot-teknologiaa tarjotakseen huolto-ohjeita, helpottaen käyttäjien kaluston hallintaa ja korjaamista. Sovellus on rakennettu Next.js:llä ja se käyttää LangChain-kirjastoa, integroituen saumattomasti OpenAI:n malleihin keskustelevan tekoälyn vastausten generoimiseksi.
- Vikailmoitusten Raportointi ja Katselu
- Käyttäjät voivat raportoida uusia kaluston vikoja.
- Tarkastella olemassa olevia vikoja yksityiskohtaisine kuvauksineen.
- Sulkea/Avata vikailmoituksia
- Täydentää vikailmoituksua automaattisesti
- Huolto-ohjeet
- Saada yksityiskohtaisia huolto- ja korjausohjeita tekoäly-chatbotilta.
- Chatbot tarjoaa vastauksia suomeksi Piiroisen huonekalujen ylläpitoon ja huoltoon keskittyen.
- Tekoälypohjaiset Ratkaisut
- Hyödyntää LangChainia keskustelukontekstien käsittelyyn ja hallintaan.
- Integroituu OpenAI:n kanssa tekoälyvastausten generoimiseksi.
- Autentikointi
- Sovellus käyttää Supabasea autentikointiin JSON Web Token (JWT) -teknologialla.
- AI SDK Integraatio
- Sovellus hyödyntää mm. Vercel AI SDK:n useChat-koukkua chatbot-toiminnallisuuden integroimiseen.
- Lunni API Integraatio
- Integroitu Lunni API -järjestelmän kanssa vikailmoitusten ja kaluston tietojen hakemiseen.
Tämä sovellus on suunniteltu Helsingin kaupungin kohdevastaavien (talonmiesten) käyttöön.
Sovelluksen käyttöönottoa varten tarvitset:
- OpenAI API avaimen
- Lunni API avaimen
- Supabase tilin - voit käyttää myös olemassa olevaa KalusteBottin tiliä, mutta tarvitset env muuttujat.
- Kloonaa repositorio:
git clone https://github.com/laguagu/alya-avustaja
cd alya-avustaja- Asenna riippuvuudet:
npm install- Kopioi
.env.exampletiedosto nimellä.env.local:
cp .env.example .env.local- Täytä ympäristömuuttujat
.env.localtiedostoon.
- Kirjaudu (tai luo tili) Supabase
- Hae projektin ympäristömuuttujat Supabase-hallintapaneelista:
- Lisää seuraavat muuttujat
.env.localtiedostoon:
DATABASE_URL=postgresql://postgres:[YOUR-PASSWORD]@db.[YOUR-PROJECT-REF].supabase.co:5432/postgres
SUPABASE_PRIVATE_KEY=[YOUR-PRIVATE-KEY]
SUPABASE_URL=https://[YOUR-PROJECT-REF].supabase.co
DATABASE_URL: Löytyy kohdasta "Database" -> "Connection string"SUPABASE_PRIVATE_KEY: Löytyy kohdasta "API" -> "anon/public"SUPABASE_URL: Löytyy kohdasta "API" -> "Project URL"
- Käynnistä kehityspalvelin komennolla
npm run dev.
Tietokannan alustus (Vain jos sinulla ei ole olemassa olevaa Supabase tietokantaa alustettuna KalusteBottille)
- Luo tietokantataulut:
npm run pushTAI
npm run generate
npm run migrate- Aja hakufunktio tietokantaan Supabasen 'SQL Editor':
-- Enable the pgvector extension to work with embedding vectors
CREATE EXTENSION IF NOT EXISTS vector;
-- Create a function to search for documents
CREATE OR REPLACE FUNCTION match_huolto_ohjeet(
query_embedding vector(1536),
match_count int DEFAULT 5,
filter jsonb DEFAULT '{}'::jsonb
) RETURNS TABLE (
id bigint,
content text,
metadata jsonb,
similarity float
) LANGUAGE plpgsql AS $$
BEGIN
RETURN QUERY
SELECT
piiroinen_chairs.id,
piiroinen_chairs.content,
jsonb_build_object(
'similarity', 1 - (piiroinen_chairs.embedding <=> query_embedding)
) || piiroinen_chairs.metadata AS metadata,
1 - (piiroinen_chairs.embedding <=> query_embedding) as similarity
FROM piiroinen_chairs
WHERE piiroinen_chairs.metadata @> filter
ORDER BY piiroinen_chairs.embedding <=> query_embedding
LIMIT match_count;
END;
$$;
Paina supabase käyttöliittymässä Run
match_huolto_ohjeet funktio löytyy myös db/match_huolto_ohjeet_db_function.sql
- Lisää testikäyttäjä (valinnainen):
npm run seed-dbSovellus käyttää RAG (Retrieval-Augmented Generation) -arkkitehtuuria, joka vaatii huolto-ohjeiden viemisen Supabase-tietokantaan vektorimuodossa. Tämä tehdään seuraavasti:
-
Varmista, että
data/piiroinen-huolto-ohjeet.tstiedosto sisältää huolto-ohjeet oikeassa muodossa. -
Lähetä POST-pyyntö
/api/seedendpointiin:
curl -X POST http://localhost:3000/api/seedtai käytä Postman/Thunder Client sovellusta:
- Metodi: POST
- URL: http://localhost:3000/api/seed
- Headers: Content-Type: application/json
Tämä prosessi:
- Lukee huolto-ohjeet tiedostosta
- Jakaa tekstin sopiviin osiin LangChainin RecursiveCharacterTextSplitter:lla
- Luo vektori-embeddings OpenAI:n avulla
- Tallentaa dokumentit ja niiden embeddings Supabasen tietokantaan
TÄRKEÄ HUOMIO: Tällä hetkellä dokumenttien lisääminen tietokantaan on poistettu käytöstä tuotantoympäristössä. API-reitti palauttaa vain onnistuneen vastauksen (status 200) suorittamatta varsinaista toimintoa.
Toiminto vaatii ympäristömuuttujien (OPENAI_API_KEY, DATABASE_URL) tulee olla oikein asetettu.
- Käynnistä kehityspalvelin komennolla
npm run dev.
- Next.js
- LangChain
- OpenAI API
- Supabase (autentikointi ja tietojen tallennus)
- Vercel AI SDK
- Lunni API
- pgvector (PostgreSQL-laajennus vektorihakuun)
Käytettävissä olevat komennot:
npm run dev # Kehityspalvelin
npm run build # Tuotantoversio
npm run start # Tuotantopalvelin
npm run lint # Koodin tarkistus
npm run generate # Drizzle skeeman generointi
npm run migrate # Tietokannan migraatio
npm run push # Drizzle skeeman vienti tietokantaan
npm run pull # Tietokannan skeeman tuonti
npm run studio # Drizzle Studio
npm run format # Koodin formatointi# OpenAI
OPENAI_API_KEY=****
# Lunni API
LUNNI_API=****
LUNNI_SERVICES=https://apiv3.lunni.io/services
LUNNI_UNITS=https://apiv3.lunni.io/devices
NEXT_PUBLIC_LUNNI_API=****
# JWT Authentication
SECRET=****
# Database Seeding (valinnainen)
USER_PASSWORD=****
USER_EMAIL=****
ADMIN_PASSWORD=****
ADMIN_EMAIL=****
# Development
NODE_ENV=development
# Supabase
DATABASE_URL=****
SUPABASE_PRIVATE_KEY=****
SUPABASE_URL=****API-reitit löytyvät api/-kansiosta esim:
api/supabase/route.ts- Chatbot RAG-toiminnallisuusapi/chatbot/route.ts- Chatbot RAG-toiminnallisuusapi/seed/route.ts- Uusien documenttien vieminen tietokantaan ja niiden splittaus.
Sovelluksen suojaus ja API-reittien autentikointi on toteutettu middleware-tasolla (middleware.ts). Autentikoinnin voi poistaa käytöstä kommentoimalla tiedoston ulos esimerkiksi.
Tietokantarakenne on määritelty Drizzle ORM:n avulla (db/drizzle/schema.ts). Sisältää seuraavat taulut:
- users
- sessions
- chat_messages
- chat_feedback
- issue_feedback
Sovellus käyttää Supabase-tietokantaa seuraavien tietojen tallentamiseen:
- Käyttäjien kirjautumistiedot
- Chatbotin viestit
- Vektori-embeddings huolto-ohjeille
- Käyttäjä palaute
Nämä tiedot tallennetaan käyttökokemuksen parantamiseksi, keskusteluhistorian säilyttämiseksi ja tehokkaan semanttisen haun mahdollistamiseksi.
Sovellus hyödyntää useita edistyneitä tekoäly- ja koneoppimismenetelmiä:
-
Retrieval-Augmented Generation (RAG):
- Yhdistää tiedonhaun ja tekstin generoinnin, mahdollistaen dynaamisen ja kontekstiriippuvaisen tiedon yhdistämisen.
- Tuottaa tarkempia ja relevantimpia vastauksia verrattuna perinteisiin kysymys-vastausjärjestelmiin.
-
Vektori-embedding:
- Käyttää OpenAI:n kehittämää embedding-mallia, joka perustuu syviin neuroverkkoihin.
- Muuntaa tekstin korkeaulotteisiksi vektoreiksi säilyttäen tekstin semanttisen merkityksen.
- Hyödyntää transfer learning -tekniikkaa, jossa suuria kielimalleja on esikoulutettu valtavilla tekstimäärillä.
-
Similariteettihaku vektoritietokannassa:
- Hyödyntää cosine-similariteettia vektorien vertailuun semanttisen samankaltaisuuden mittaamiseksi.
- Mahdollistaa "fuzzy matching" -tyylisen haun, joka ymmärtää kontekstin ja merkityksen.
-
Edistynyt tekstin jakaminen (chunking):
- Käyttää LagnChainin RecursiveCharacterTextSplitter-algoritmiä tekstin jakamiseen semanttisesti merkityksellisiin osiin.
- Optimoi kontekstin säilymisen ja parantaa hakutulosten laatua.
-
Luonnollisen kielen käsittely (NLP):
- Hyödyntää edistyneitä NLP-tekniikoita kysymysten ymmärtämiseen ja kontekstin säilyttämiseen.
- Sisältää tekniikoita kuten tokenisaatio, lemmatisaatio ja kontekstuaalinen analyysi.
- NLP-toiminnallisuudet on integroitu sovellukseen LangChain-kirjaston ja OpenAI:n mallien kautta, parantaen merkittävästi chatbotin kykyä ymmärtää ja vastata kysymyksiin Piiroisen huonekalujen huollosta.
-
Streaming ja asynkroninen prosessointi:
- Käyttää moderneja asynkronisia tekniikoita, kuten streamausta, mahdollistaen tehokkaan ja reaaliaikaisen vastausten generoinnin.
-
Joustava tekoälyarkkitehtuuri:
- LangChain-pohjainen toteutus mahdollistaa eri komponenttien (kuten embeddings-mallin tai LLM:n) helpon vaihtamisen.
License - katso LICENCE tiedosto lisätietoja varten.
