De nombreuses personnes ont frappé le gymnase avec passion et croient qu'ils sont sur le bon chemin pour atteindre leurs objectifs de fitness. Mais les résultats ne sont pas là en raison d'une mauvaise planification de l'alimentation et d'un manque de direction. L'embauche d'un entra?neur personnel avec une pile de gym chère n'est pas toujours une option. C'est pourquoi j'ai créé cet article de blog pour vous montrer comment construire votre coach de fitness en utilisant le pouvoir de Langchain. Avec cela, vous pouvez désormais obtenir des conseils d'entra?nement et de régime personnalisés à vos objectifs avec un co?t minimal. Commen?ons par prendre une technologie incroyable et en transformant votre copilote de fitness!

Table des matières

• Pourquoi utiliser Langchain?
  • Condition préalable
• Comment construire votre coach de fitness?
  • Dépendances de base
  • Classe SerperSearchTool
  • Classe UserDatatracker
  • Configuration de l'agent de Langchain
  • Gradio Chatbot Logic
  • Interface utilisateur
  • Des cas d'utilisation pour Langchain
• Conclusion

Pourquoi utiliser Langchain?

Langchain vous permet de faire beaucoup plus lors de la création d'applications AI avancées en combinant des modèles de langage de grands (LLM) avec des outils, des sources de données et de la mémoire. Au lieu d'invoquer le LLM avec une invite de texte brut, vous pouvez créer des agents qui invoquent les fonctions, interrogent les informations et gérer les conversations avec l'état. Pour un coach de fitness, Langchain vous permet de combiner l'intelligence LLM avec la logique personnalisée - par exemple, créer des suggestions d'entra?nement, suivre les progrès et obtenir des données de santé - afin que vous puissiez être un coach interactif plus intelligent sans avoir à comprendre cela vous-même.

Condition préalable

Pour créer votre coach de fitness à l'aide de Langchain, vous aurez besoin:

• Une clé API OpenAI pour accéder aux modèles de langue
• Une clé pour le service Serpapi pour utiliser la recherche Web
• Connaissance de base de Python

C'est tout, vous êtes maintenant prêt à commencer.

Comment construire votre coach de fitness?

Dans cette section, je vais montrer comment faire de votre coach de fitness en utilisant un agent de Langchain. Assurez-vous que tout a préparé en fonction des conditions préalables. Je vous guiderai à travers le processus étape par étape de construction de la solution et expliquerai le r?le que chaque étape joue dans la réalisation du résultat.

FitCoach AI est un coach de fitness conversationnel qui collecte les données des utilisateurs de manière cohérente et génère des plans d'entra?nement et de régime personnalisés à l'aide d'agents de Langchain avec OpenAI.

Dépendances de base

Pour installer toutes les bibliothèques requises pour construire l'agent de fitness, exécutez la commande suivante dans votre ligne de commande:

 pip install gradio langchain openai serper-dev python-doten

Une fois toutes les dépendances en place, nous commencerions par importer tous les modules pertinents pour la tache:

 Importer un système d'exploitation
Importer Gradio en tant que Gr
Importer Traceback
Importer DateTime
à partir de la liste d'importation, Tuple, facultatif

De Langchain_Openai Import Chatopenai
De Langchain.Memory Import ConversationBuffermory
De Langchain.agents Import Initialize_agent, AgentType
De Langchain.tools Import Basetool
Importer JSON
Demandes d'importation
importer dotenv

# Variables d'environnement de chargement
dotenv.load_dotenv ()

Classe SerperSearchTool

Fonctionnalité: offre la possibilité d'avoir des capacités de recherche Web en temps réel pour des informations de fitness / nutrition à jour.

Caractéristiques principales:

• S'intègre à l'API Serper pour obtenir les résultats de recherche Google
• Renvoie les 5 premiers résultats de recherche formatés qui incluent le titre, l'extrait et l'URL
• A des modes de défaillance acceptables avec la protection de temps mort
• Prend en charge la synchronisation et l'async

 # ----------- Outil de recherche serper ------------

Classe SerperSearchTool (Basetool):
    Nom: str = "search_web"
    Description: str = "Recherche le Web pour des informations en temps réel et renvoie des résultats structurés"

    def _run (self, requête: str) -> str:
        "" "Recherchez le Web à l'aide de l'API Serper" ""
        essayer:
            api_key = os.getenv ("serper_api_key")
            Sinon API_KEY:
                return "Erreur: serper_api_key non trouvé dans les variables d'environnement"

            url = "https://google.serper.dev/search"
            Payload = JSON.Dumps ({"Q": Query})
            en-têtes = {
                'X-ap-key': api_key,
                ?Contenu-Type?: ?Application / JSON?
            }

            Response = requers.post (URL, en-têtes = en-têtes, données = charge utile, délai de délai = 10)
            réponse.raise_for_status ()
            search_results = réponse.json ()

            # Extrait et format Résultats organiques
            résultats = []
            Si ?organique? dans Search_Results:
                Pour l'article dans Search_Results ['Organic'] [: 5]: # Limite aux 5 meilleurs résultats
                    résultats.APPEND ({
                        "titre": item.get ('title', ''),
                        "lien": item.get ('lien', ''),
                        "extrait": item.get ('extrait', '')
                    })

            # Le format entra?ne une manière lisible
            Si les résultats:
                formatted_results = "Résultats de recherche: \ n \ n"
                Pour I, vous trouvez en énumération (résultats, 1):
                    formatted_results = f "{i}. {Result ['title']} \ n"
                    formatted_results = f "{result ['extrait']} \ n"
                    formatted_results = f "url: {result ['link']} \ n \ n"
                retour formated_results
            autre:
                Renvoie "Aucun résultat de recherche trouvé."

        sauf requêtes.exception.requestException comme e:
            return f "Erreur effectuer la recherche - problème de réseau: {str (e)}"
        sauf exception comme e:
            return f "Erreur effectuant la recherche: {str (e)}"

    Async Def _arun (self, requête: str) -> str:
        "" "Version asynchrone de la recherche" ""
        return self._run (requête)

Classe UserDatatracker

Fonctionnalité: Obtenez toutes les informations nécessaires avant de créer des plans de fitness

 Champs de données requis (dans l'ordre):<br><br> Objectif de fitness (perte de poids, gain musculaire, etc.)<br> ?ge (dans la plage de 10 à 100 validation)<br> Genre (homme / femme / autre)<br> Poids (en unités, - kg / lb)<br> Hauteur (en cm ou pieds / pouces)<br> Niveau d'activité (5 niveaux prédéfinis)<br> Préférences de régime (végétarien, végétalien, etc.)<br> Restrictions de régime / allergie<br> PRéFéRENCE ENTRACTIF

Caractéristiques principales:

• Validation du champ: chaque entrée sera validée avec des fonctions de validation personnalisées.
• Flux séquentiel: personne ne peut sauter.
• Gestion des erreurs: fournissez des messages d'erreur spécifiques pour les entrées non valides.

 # ----------- Classe de suivi des données utilisateur ------------

Classe UserDatatracker:
    def __init __ (soi):
        self.data = {}
        # Définir les champs requis avec leurs fonctions de validation et leurs invites de questions
        self.requured_fields = {
            'fitness_goal': {
                ?Question?: ?Quel est votre principal objectif de fitness? (par exemple, perte de poids, gain musculaire, forme physique générale)?,
                'valider': self._validate_fitness_goal
            },
            'age': {
                ?Question?: ?Quel age avez-vous? (Doit être entre 10 et 100)?,
                'valider': self._validate_age
            },
            'genre': {
                ?Question?: ?Quel est votre sexe? (hommes / femmes / autres)?,
                'valider': self._validate_gender
            },
            'poids': {
                ?Question?: ?Quel est votre poids actuel? (par exemple, 150 lb ou 68 kg)?,
                'valider': self._validate_weight
            },
            'hauteur': {
                'Question': "Quelle est votre taille? (par exemple, 5'10 \" ou 178 cm) ",
                'valider': self._validate_height
            },
            'Activity_level': {
                ?Question?: ?Quel est votre niveau d'activité? (sédentaire, légèrement actif, modérément actif, très actif, extrêmement actif)?,
                'valider': self._validate_activity_level
            },
            'Dietary_Preferences': {
                ?Question?: ?Suivez-vous un régime spécifique? (Par exemple, végétarien, végétalien, céto, aucun)?,
                'valider': self._validate_dietary_preferences
            },
            'Dietary_Restrictions': {
                ?Question?: ?Toute allergies alimentaires ou restrictions alimentaires? (Par exemple, noix, laiterie, gluten, aucun)?,
                'valider': self._validate_dietary_Restrictions
            },
            'workout_preferences': {
                ?Question?: ?Quelles sont vos préférences d'entra?nement? (Par exemple, gymnase, entra?nements à domicile, équipement disponible, toute blessure?)?,
                'valider': self._validate_workout_preferences
            },

        }
        self.current_step = 0

Configuration de l'agent de Langchain

Initialisation de l'agent:

• Modèle: GPT-4O-MINI avec température 0,3 pour la cohérence.
• Mémoire: ConversationBufferMemory pour la cohérence du contexte.
• Outils: Recherche sur le Web pour permettre à l'agent de rechercher des informations en temps réel.

La fonction initialize_fitcoach_agent configure Fitcoach, un agent conversationnel de Langchain qui sert de coach de fitness et de nutrition virtuel. Il se connecte au modèle de langue GPT-4O-MINI, est potentiellement augmenté par des outils de recherche Web et garde une trace de la mémoire de conversation pour le contexte. L'agent suit une continuité stricte et basée sur des règles: il pose des questions spécifiques aux utilisateurs une à la fois pour extraire toutes les informations importantes concernant les objectifs de fitness, l'age, les métriques corporelles, les habitudes alimentaires et les antécédents médicaux, entre autres. Ce n'est qu'après que tout ce que vous aviez besoin de savoir a été rassemblé et confirmé que l'agent s'engagera à ne générer aucun régime de fitness ou de régime. De cette fa?on, l'agent permet les instructions s?res, précises et personnalisées que les utilisateurs souhaitent chez un agent. Une fois que toutes les informations nécessaires ont été recueillies, Fitcoach génère des routines d'entra?nement complètes et des plans de repas basés sur l'utilisateur, tout en offrant un plan de coaching interactif et engageant.

 # ----------- Configuration de l'agent de Langchain ------------

def initialize_fitcoach_agent ():
    "" "Initialiser l'agent Fitcoach avec une gestion des erreurs" ""
    essayer:
        # Vérifiez la clé de l'API Openai
        openai_key = os.getenv ("openai_api_key")
        Si pas openai_key:
            augmenter ValueError ("openai_api_key non trouvé dans les variables d'environnement")

        # Initialiser le modèle de langue avec le nom du modèle correct
        llm = chatopenai (
            modèle = "gpt-4o-mini",
            température = 0,3,
            openai_api_key = openai_key
        )

        # Initialiser les outils
        outils = []
        essayer:
            si os.getenv ("serper_api_key"):
                search_tool = serpersearchtool ()
                outils.append (search_tool)
                Imprimer ("? outil de recherche initialisé avec succès")
            autre:
                print ("?? serper_api_key introuvable - la fonctionnalité de recherche sera limitée")
        sauf exception comme e:
            print (f "?? n'a pas pu initialiser l'outil de recherche: {e}")

        # Initialiser la mémoire
        mémoire = ConversationBufferMemory (Memory_Key = "Chat_history", return_messages = true)

Gradio Chatbot Logic

• IS_PLAN_CONTENT : Détermine si un texte donné a un plan de forme physique ou de nutrition détaillé en vérifiant plusieurs mots clés, tels que les jours de la semaine, les noms de repas et les comparaisons d'entra?nement. Aide à séparer les plans des conversations informelles autour de la forme physique.
• format_plan_for_text : formats des textes de plan de fitness bruts dans des sections plus propres tout en conservant des en-têtes, des listes et des paragraphes, pour améliorer la lisibilité et la pertinence pour le partage dans le chat ou le courrier électronique.
• Chat_function : gère le flux de chat FitCoach. Collecte les informations de l'utilisateur par étapes (objectif de fitness de l'utilisateur, préférences de repas), appelle l'agent d'IA pour produire un plan d'entra?nement et de repas personnalisé et gère en toute sécurité les erreurs pour garder le flux de chat sans interruption.

 ----------- Logique Gradio Chatbot ------------

def is_plan_content (texte: str) -> bool:
    "" "Vérifiez si le texte contient un plan de fitness avec un contenu détaillé" ""
    Si pas du texte ou Len (text.strip ())  = 3

Remarque: Je n'ai montré que des parties du code dans l'article. Mon code complet est disponible ici.

Interface utilisateur

En ce qui concerne l'interface utilisateur, vous pouvez utiliser des solutions comme Streamlit ou Gradio pour rester simple. J'ai utilisé Gradio car il me permet de créer une application Web poli avec une conception personnalisée, des mises à jour automatiques et une interface rapide et réactive qui convient aux applications de santé et de fitness. Cliquez ici pour afficher le code source.

Des cas d'utilisation pour Langchain

• Bots de support client: créez un assistant qui peut rechercher des bases de connaissances du support client pour trouver des réponses aux questions des clients.
• Chatbots assistés par la recherche: MAPS MALLES DES SOURCES DE CONNAISSANCES EN EN TEMPS CELLE telles que Google et Wikipedia.
• Document Q&R: permettez à l'utilisateur de télécharger un PDF et de récupérer automatiquement des réponses précises avec des citations.
• Assistants de manipulation des données: permettez aux utilisateurs de télécharger et d'explorer les données dans une feuille de calcul tout en posant des questions liées aux données.
• Outils de génération de contenu: générer du contenu, y compris des blogs, des e-mails ou des publications sur les réseaux sociaux.
• Systèmes multi-agents: créer des systèmes dans lesquels les agents de l'IA peuvent collaborer ou se spécialiser dans la tache.

Conclusion

Quand tout est dit et fait, l'IA n'est pas tout au sujet de la technologie; Il s'agit du fonctionnement interne de la fa?on de tirer parti de la technologie comme un pouvoir pour améliorer notre vie quotidienne! Qu'il s'agisse de se mettre en forme, de bien manger ou de rester motivé, de concevoir votre propre coach de fitness personnel unique est un parfait exemple de la fa?on dont l'IA peut soutenir et motiver, tout en nous tienant responsables de nos actions pour atteindre nos objectifs. Et la meilleure partie est que vous n'avez pas besoin d'être un assistant technologique pour commencer à construire votre application! Il existe un certain nombre d'outils comme Langchain pour le développement, Openai pour les capacités de l'IA et Gradio pour le déploiement de votre application intelligente, pour en mentionner quelques-unes, qui peuvent aider n'importe qui à créer des applications intelligentes et uniques pour eux-mêmes. L'avenir du fitness, ainsi que de nombreux autres domaines de la vie, est à notre disposition!

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!