Viele Menschen haben leidenschaftlich ins Fitnessstudio gegangen und glauben, dass sie auf dem richtigen Weg sind, um ihre Fitnessziele zu erreichen. Die Ergebnisse sind jedoch nicht aufgrund schlechter Di?tplanung und mangelnder Richtung vorhanden. Die Einstellung eines Personal Trainers zusammen mit einem teuren Fitnessstapel ist nicht immer eine Option. Aus diesem Grund habe ich diesen Blog -Beitrag erstellt, um Ihnen zu zeigen, wie Sie Ihren Fitness -Coach mit der Kraft von Langchain aufbauen k?nnen. Damit k?nnen Sie jetzt mit minimalen Kosten ein Trainings- und Ern?hrungsberat an Ihre Ziele angepasst. Lassen Sie uns mit der Einbeziehung von toller Technik beginnen und es in Ihren Fitness-Co-Pilot verwandeln!

Inhaltsverzeichnis

• Warum Langchain verwenden?
  • Voraussetzungen
• Wie baue ich Ihren Fitnesstrainer auf?
  • Kernabh?ngigkeiten
  • Serpersearchtool -Klasse
  • UserDatatracker -Klasse
  • Langchain Agent -Konfiguration
  • Gradio Chatbot Logic
  • Benutzeroberfl?che
  • Anwendungsf?lle für Langchain
• Abschluss

Warum Langchain verwenden?

Mit Langchain k?nnen Sie beim Erstellen erweiterter KI -Anwendungen viel mehr tun, indem Sie gro?e Sprachmodelle (LLMs) mit Tools, Datenquellen und Speicher kombinieren. Anstatt die LLM mit einer einfachen Textaufforderung aufzurufen, k?nnen Sie Agenten erstellen, die Funktionen aufrufen, Informationen abfragen und Gespr?che mit dem Zustand verwalten. Für einen Fitness -Coach k?nnen Sie LLM -Intelligenz mit benutzerdefinierter Logik kombinieren - z.

Voraussetzungen

Um Ihren Fitness -Coach mit Langchain zu erstellen, ben?tigen Sie:

• Ein OpenAI -API -Schlüssel zum Zugriff auf Sprachmodelle
• Ein Schlüssel für den Serpapi -Dienst, um die Web -Suche zu nutzen
• Grundkenntnisse über Python

Das ist alles, du bist jetzt bereit, loszulegen.

Wie baue ich Ihren Fitnesstrainer auf?

In diesem Abschnitt werde ich demonstrieren, wie Sie Ihren Fitness -Coach mit einem Langchain -Agenten herstellen. Stellen Sie sicher, dass Sie alles nach den Voraussetzungen vorbereitet haben. Ich werde Sie durch den Schritt-für-Schritt-Prozess des Aufbaus der L?sung führen und die Rolle, die jeder Schritt bei der Erzielung des Ergebnisses spielt, erkl?ren.

Fitcoach AI ist ein Gespr?chsfitnesscoach, der Benutzerdaten konsequent sammelt und personalisierte Trainings- und Ern?hrungspl?ne mit Langchain -Agenten mit OpenAI generiert.

Kernabh?ngigkeiten

Führen Sie den folgenden Befehl in Ihrer Befehlszeile aus:

 PIP Installieren Sie Gradio Langchain OpenAi Serper-Dev Python-doten

Sobald alle Abh?ngigkeiten vorhanden sind, importieren wir zun?chst alle relevanten Module für die Aufgabe:

 OS importieren
Import Gradio als Gr
Traceback importieren
DateTime importieren
Aus dem Einteichen der Importliste, Tuple, optional

aus Langchain_openai importieren Sie Chatopenai
von Langchain.Memory Import ConversationBufferMemory
von Langchain.agents import initialize_agent, AgentType
von Langchain.tools importieren Basetool
JSON importieren
Anfragen importieren
dotenv importieren

# Lastumgebungsvariablen
dotenv.load_dotenv ()

Serpersearchtool -Klasse

Funktionalit?t: Bietet die M?glichkeit, Web-Suchfunktionen in Echtzeit für aktuelle Informationen zur Fitness-/Ern?hrung zu erhalten.

Hauptmerkmale:

• Integriert sich in die Serper -API, um Google -Suchergebnisse zu erhalten
• Gibt die Top 5 formatierten Suchergebnisse zurück, die Titel, Snippet und URL enthalten
• Hat akzeptable Fehlermodi mit Zeitüberschreitungsschutz
• Unterstützt sowohl Synchronisation als auch Asynchronisation

 # ----------- Serper-Suchwerkzeug ------------

Klasse SerperSearchtool (Basetool):
    Name: str = "Search_Web"
    Beschreibung: str = "Durchsucht das Web nach Echtzeitinformationen und gibt strukturierte Ergebnisse zurück"

    def _run (self, query: str) -> str:
        "" "Suchen Sie im Web mit der Serper -API" "" ""
        versuchen:
            api_key = os.getenv ("serper_api_key")
            Wenn nicht api_key:
                Rückgabe "Fehler: serper_api_key nicht in Umgebungsvariablen gefunden"

            url = "https://google.serper.dev/search"
            payload = json.dumps ({"q": Abfrage})
            Headers = {
                'X-api-key': api_key,
                "Inhaltstyp": "Anwendung/JSON"
            }

            response = requests.post (URL, Header = Header, Data = Payload, Timeout = 10)
            response.raise_for_status ()
            search_results = response.json ())

            # Organische Ergebnisse extrahieren und formatieren
            Ergebnisse = []
            Wenn 'organisch' in Search_Results:
                Für Element in Search_Results ['Organic'] [: 5]: # Begrenzung auf Top 5 -Ergebnisse
                    results.append ({{
                        "Titel": item.get ('title', ''),
                        "Link": item.get ('link', ''),
                        "Snippet": item.get ('Snippet', '')
                    })

            # Format führt auf lesbare Weise
            Wenn Ergebnisse:
                formated_results = "Suchergebnisse: \ n \ n"
                Für i führen Sie zu Aufz?hlung (Ergebnisse, 1):
                    formated_results = f "{i}. {result ['title']} \ n"
                    formatted_results = f "{result ['snippet']} \ n"
                    formated_results = f "url: {result ['link']} \ n \ n"
                return formated_results
            anders:
                Rückgabe "Keine Suchergebnisse gefunden."

        mit Ausnahme von Anfragen.Exceptions.requestException als e:
            Rückgabe f "Fehler beim Durchführen von Suchen - Netzwerkproblemen: {str (e)}"
        au?er Ausnahme als E:
            Rückgabe f "Fehler beim Durchführen von Suche: {str (e)}"

    Async def _arun (self, query: str) -> str:
        "" "Asynchronisierte Version der Suche" "" "
        return self._run (Abfrage)

UserDatatracker -Klasse

Funktionalit?t: Erhalten Sie alle erforderlichen Informationen, bevor Sie Fitnesspl?ne erstellen

 Erforderliche Datenfelder (in der Reihenfolge):<br><br> Fitnessziel (Gewichtsverlust, Muskelzuwachs usw.)<br> Alter (in Bereich 10-100 Validierung)<br> Geschlecht (m?nnlich/weiblich/andere)<br> Gewicht (in Einheiten, - kg/lbs)<br> H?he (in cm oder Fü?en/Zoll)<br> Aktivit?tsniveau (5 vordefinierte Ebenen)<br> Di?tpr?ferenzen (vegetarisch, vegan usw.)<br> Di?tbeschr?nkungen/Allergie<br> Trainingsvorschriften und Einschr?nkungen

Hauptmerkmale:

• Feldvalidierung: Jede Eingabe wird mit benutzerdefinierten Validierungsfunktionen validiert.
• Sequentieller Fluss: Niemand kann voranspringen.
• Fehlerbehandlung: Geben Sie spezifische Fehlermeldungen für ungültige Eingaben an.

 # ----------- Benutzerdaten-Tracker-Klasse ------------

Klasse UserDatatracker:
    def __init __ (selbst):
        self.data = {}
        # Definieren Sie die erforderlichen Felder mit ihren Validierungsfunktionen und Frageneingaben
        self.required_fields = {
            'fitness_goal': {
                'Frage': "Was ist Ihr prim?res Fitnessziel? (z. B. Gewichtsverlust, Muskelgewinn, allgemeine Fitness)", "
                'Validate': self._validate_fitness_goal
            },
            'Alter': {
                'Frage': "Wie alt bist du? (Muss zwischen 10-100 sein)", "
                'Validate': self._validate_age
            },
            'Geschlecht': {
                'Frage': "Was ist dein Geschlecht? (m?nnlich/weiblich/andere)", "
                'Validate': self._validate_gender
            },
            'Gewicht': {
                'Frage': "Was ist dein aktuelles Gewicht? (z. B. 150 lbs oder 68 kg)", "
                'Validate': self._validate_weight
            },
            'H?he': {
                'Frage': "Wie gro? ist deine Gr??e? (z. B. 5'10 \" oder 178 cm) ","
                'Validate': self._validate_height
            },
            'Activity_Level': {{
                'Frage': "Was ist Ihr Aktivit?tsniveau? (Sotn?r, leicht aktiv, m??ig aktiv, sehr aktiv, extrem aktiv)", "
                'Validate': self._validate_activity_level
            },
            'dietary_preferences': {{
                'Frage': "Befolgen Sie eine bestimmte Ern?hrung? (z. B. Vegetarier, Veganer, Keto, keine)",
                'Validate': self._validate_dietary_preferences
            },
            'dietary_restrictions': {{
                'Frage': "Irgendwelche Lebensmittelallergien oder Ern?hrungsbeschr?nkungen? (z. B. Nüsse, Milchprodukte, Gluten, keine)", "
                'Validate': self._validate_dietary_restrictions
            },
            'Workout_Preferences': {
                'Frage': "Was sind Ihre Trainingseinstellungen? (z. B. Fitnessstudio, Haustraining, Ger?te, irgendwelche Verletzungen?)",
                'Validate': self._validate_workout_preferences
            },

        }
        self.current_step = 0

Langchain Agent -Konfiguration

Agenteninitialisierung:

• Modell: GPT-4O-Mini mit Temperatur 0,3 für die Konsistenz.
• Speicher: ConversationBufferMemory für Kontextkonsistenz.
• Tools: Web-Suche, damit der Agent in Echtzeitinformationen nachschlagen kann.

Die Funktion "Initialize_Fitcoach_agent" konfiguriert Fitcoach, einen Langchain -Konversationsagenten, der als virtueller Fitness- und Ern?hrungscoach dient. Es stellt eine Verbindung zum Sprachmodell GPT-4O-Mini her, wird m?glicherweise durch Web-Search-Tools erweitert und verfolgt den Konversationsged?chtnis für den Kontext. Der Agent folgt einer strengen, regelbasierten Dialog-Kontinuit?t: Er stellt den Benutzern unter anderem spezifische Fragen nacheinander, um alle wichtigen Informationen zu Fitnesszielen, Alter, K?rpermetriken, Lebensmittelgewohnheiten und Krankengeschichte zu extrahieren. Erst nach allem, was Sie wissen mussten, wurde der Agent verpflichtet, keine Fitness- oder Di?tpl?ne zu erstellen. Auf diese Weise erm?glicht der Agent die sicheren, genauen und personalisierten Anweisungen, die Benutzer in einem Agenten erwarten. Sobald alle notwendigen Informationen gesammelt wurden, generiert Fitcoach umfassende Trainingsroutinen und Speisepl?ne, die auf dem Benutzer basieren, und bietet gleichzeitig einen interaktiven und ansprechenden Coaching -Plan an.

 # ----------- Langchain Agent Setup ------------

Def initialize_fitcoach_agent ():
    "" "Initialisieren Sie den Fitcoach -Agenten mit Fehlerbehandlung" "" "
    versuchen:
        # überprüfen Sie die OpenAI -API -Schlüssel
        openai_key = os.getenv ("openai_api_key")
        wenn nicht openai_key:
            ValueError erh?hen ("openai_api_key nicht in Umgebungsvariablen"))

        # Initialisieren Sie das Sprachmodell mit dem richtigen Modellnamen
        llm = chatopenai (
            model = "gpt-4o-mini",
            Temperatur = 0,3,
            openai_api_key = openai_key
        )

        # Initialisieren Sie Tools
        Tools = []
        versuchen:
            Wenn os.getenv ("serper_api_key"):
                search_tool = serperSearchtool ()
                Tools.Append (Search_tool)
                print ("? Suchwerkzeug erfolgreich initialisiert")
            anders:
                print ("?? serper_api_key nicht gefunden - Suchfunktionalit?t ist begrenzt").
        au?er Ausnahme als E:
            print (f "?? konnte das Suchwerkzeug nicht initialisieren: {e}")

        # Speicher initialisieren
        memory = condentingBufferMemory (memory_key = "chat_history", return_messages = true)

Gradio Chatbot Logic

• IS_PLAN_CONTENT : Bestimmt, ob ein bestimmter Text einen detaillierten Fitness- oder Ern?hrungsplan hat, indem Sie mehrere Schlüsselw?rter wie die Woche, Mahlzeiten und Trainingsvergleiche überprüfen. Hilft, Pl?ne von informellen Gespr?chen um Fitness zu trennen.
• Format_Plan_for_text : Formate RAW Fitness Plan -Texte in sauberere Abschnitte, w?hrend Sie überschriften, Listen und Abs?tze beibehalten, um die Lesbarkeit und Eignung für das Teilen in Chat oder E -Mail zu verbessern.
• CHAT_FUNKTION : Verwaltet den Fitcoach -Chat -Fluss. Sammelt Informationen vom Benutzer in Schritten (Benutzer -Fitness -Ziel, Mahlzeitpr?ferenzen), ruft den AI -Agenten auf, um einen benutzerdefinierten Trainings- und Speiseplan zu erstellen, und behandelt Fehler sicher, um den Chat -Fluss ununterbrochen zu halten.

 ----------- Gradio Chatbot Logic ------------

def is_plan_content (text: str) -> bool:
    "" "überprüfen Sie, ob der Text einen Fitnessplan mit detaillierten Inhalten enth?lt" "" "
    Wenn nicht Text oder Len (text.strip ())  = 3

Hinweis: Ich habe nur Teile des Codes im Artikel angezeigt. Mein vollst?ndiger Code ist hier verfügbar.

Benutzeroberfl?che

Wenn es um die Benutzeroberfl?che geht, k?nnen Sie L?sungen wie Streamlit oder Gradio verwenden, um sie einfach zu halten. Ich habe Gradio verwendet, da ich es mir erm?glicht, eine polierte Web -App mit benutzerdefiniertem Design, automatischen Updates und einer schnellen, reaktionsschnellen Schnittstelle zu erstellen, die Gesundheits- und Fitnessanwendungen entspricht. Klicken Sie hier, um den Quellcode anzuzeigen.

Anwendungsf?lle für Langchain

• Kundendienst -Bots: Erstellen Sie einen Assistenten, der Kundendienstwissensgründe durchsuchen kann, um Antworten auf Kundenfragen zu finden.
• Chatbots für Suche nach Suchdaten: Fluchkarten für Quellen für Echtzeitwissen wie Google und Wikipedia.
• Fragen und Antworten zum Dokument: Erm?glichen Sie dem Benutzer, ein PDF hochzuladen und automatisch genaue Antworten mit Zitaten abzurufen.
• Datenmanipulationsassistenten: Erm?glichen Sie den Benutzern, Daten in einer Tabelle hochzuladen und zu erkunden, w?hrend Sie Fragen zu den Daten stellen.
• Inhaltsgenerierungs -Tools: Generieren Sie Inhalte, einschlie?lich Blogs, E -Mails oder Social -Media -Posts.
• Multi-Agent-Systeme: Erstellen von Systemen, in denen KI-Agenten zusammenarbeiten oder sich auf die Aufgabe spezialisieren k?nnen.

Abschluss

Wenn alles gesagt und getan ist, geht es bei AI nicht nur um Technologie. Es geht um das Innenleben, wie man Technologie als Kraft nutzt, um unseren Alltag zu verbessern! Egal, ob es ist, in Form zu kommen, gut zu essen oder motiviert zu bleiben, Ihr eigener einzigartiger pers?nlicher Fitness -Coach zu entwerfen, ist ein perfektes Beispiel dafür, wie KI unterstützen und motivieren kann und uns dennoch für unsere Handlungen zur Rechenschaft ziehen kann, um unsere Ziele zu erreichen. Und das Beste daran ist, dass Sie kein Tech -Assistent sein müssen, um Ihre Bewerbung aufzubauen! Es gibt eine Reihe von Tools wie Langchain für die Entwicklung, OpenAI für KI -Funktionen und Gradio für die Bereitstellung Ihrer intelligenten Anwendung, nur um einige zu erw?hnen, die jedem helfen k?nnen, intelligente und einzigartige Anwendungen für sich selbst aufzubauen. Die Zukunft der Fitness sowie in vielen anderen Lebensbereichen steht uns zur Verfügung!

Das obige ist der detaillierte Inhalt vonBauen Sie einen Langchain -Fitnesstrainer: Ihr KI -Personal Trainer. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!