Lernit

Lernit

Eine Edtech -Plattform mit prompt Engineering. ? Was ist das? Große Sprachmodelle (LLMs) entwickeln sich als transformative Technologie, sodass Entwickler Anwendungen erstellen können, die sie zuvor nicht konnten. Die Verwendung dieser LLMs isoliert ist jedoch häufig nicht ausreichend, um eine wirklich leistungsstarke App zu erstellen - die wirkliche Kraft, wenn Sie sie mit anderen Berechnungs- oder Wissensquellen kombinieren können.

Flask-Anwendung für GPT-basierte Fragen und Antwortsystem

Dies ist eine auflösungsbasierte Webanwendung, die sich in die API der Umarmung integriert, um Multiple-Choice-Fragen basierend auf den Benutzereingaben zu generieren und sowohl korrekte als auch falsche Antworten zu geben. Das Projekt verwendet Flask für das Web Framework und Langchain, um das GPT-3-Modell aus dem Umarmungsgesicht zu bewältigen.

Merkmale

• Benutzerauthentifizierung : Anmelde- und Anmeldeseiten für die Benutzerinteraktion.
• GPT-Integration : Verwendet GPT-3, um Multiple-Choice-Fragen mit Antworten zu generieren.
• Mehrere GPT-3-Modelle : Integriert verschiedene Eingabeaufforderung Vorlagen, um sowohl korrekte als auch falsche Antworten für die Fragen zu generieren.
• Webschnittstelle : Bietet eine saubere Benutzeroberfläche, mit der Sie mit dem GPT -Modell interagieren und die generierten Fragen und Antworten anzeigen können.
• API -Integration : Bearbeiten Sie Postanfragen, um Fragen und Antworten dynamisch zu generieren.

Projekt -Setup

Befolgen Sie die folgenden Schritte, um dieses Projekt lokal auszuführen:

Voraussetzungen

• Python 3.7 oder höher
• Flasche
• Umarmende Gesichtsapi (Flan-T5-Modell)
• Langchain
• DOTENV (für Umgebungsvariablenverwaltung)

Installation

1. Klonen Sie das Repository:

   git clone https://github.com/yourusername/Flask-GPT-Application.git

2. Navigieren Sie zum Projektverzeichnis:

    cd Flask-GPT-Application

3. Installieren Sie die erforderlichen Abhängigkeiten:

   pip install -r requirements.txt

4. Richten Sie die .env -Datei mit Ihrer umarmenden Gesichts -API -Schlüssel ein:

    HUGGINGFACE_API_KEY = your_api_key_here

Ausführen der Anwendung

1. Führen Sie die Flask -App aus:

   python app.py

2. Besuchen Sie http://127.0.0.1:5000 in Ihrem Webbrowser.

API -Endpunkte

• Get / : Homepage
• GET /login : Login -Seite
• Get /signup : Anmeldeseite
• Get /youtube : YouTube -Seite
• GET /features : Features -Seite
• Seite /resources : Ressourcenseite
• Post /gpt : Generiert Multiple-Choice-Fragen basierend auf dem Suchbegriff des Benutzers.
• Post /gpt3 : Ein weiterer Endpunkt, um eindeutige Multiple-Choice-Fragen basierend auf einer anderen Eingabeaufforderung zu generieren.

Beispielanforderung für /gpt :

• Methode: Post
• Körper (Formular Daten):

   search: "Science"
  

Beispielantwort:

{
  "question" : " Q: Generate random unique hard Multiple choice questions with answers on Science topic? " ,
  "answers" : [
    { "text" : " Answer A " , "correct" : true },
    { "text" : " Answer B " , "correct" : false },
    { "text" : " Answer C " , "correct" : false },
    { "text" : " Answer D " , "correct" : false }
  ]
}

Technologien verwendet

• Flask : Python Web Framework zum Erstellen von Webanwendungen.
• Langchain : Ein Rahmen für den Aufbau von Sprachmodellketten.
• Umarmung : Eine Plattform, die Zugriff auf modernste maschinelle Lernmodelle (hier mit flan-t5-xxl verwendet) bietet.
• HTML/CSS : Für das Frontend -Design.

Beitragen

1. Geben Sie das Repository auf.
2. Erstellen Sie eine neue Filiale ( git checkout -b feature-name ).
3. Nehmen Sie Ihre Änderungen vor.
4. Bestimmen Sie Ihre Änderungen ( git commit -am 'Add new feature' ).
5. Drücken Sie in den Zweig ( git push origin feature-name ).
6. Erstellen Sie eine neue Pull -Anfrage.

Lizenz

Dieses Projekt ist unter der MIT -Lizenz lizenziert - Einzelheiten finden Sie in der Lizenzdatei.

Anerkennung

• Umarme das Gesicht für die Bereitstellung der Sprachmodelle.
• Langchain zur Vereinfachung der Integration von Sprachmodellen in Flask -Anwendungen.