Auparavant, nous avons créé notre premier chatbot intégré à OpenAI et notre premier chat RAG utilisant LangChain et NextJS.
Comme mentionné dans un article précédent, LangChain a été initialement construit en Python, puis une version JavaScript a été créée. Pour travailler avec l'IA et le ML, le langage de programmation le plus couramment utilisé est Python en raison de sa polyvalence, de ses frameworks, de son évolutivité et de sa courbe d'apprentissage. Il n’est donc pas surprenant que non seulement LangChain prenne mieux en charge Python, mais qu’il existe également aujourd’hui plus de fonctionnalités et de ressources disponibles en Python qu’en JavaScript pour travailler avec l’IA.
Je n'ai presque aucune expertise avec Python, mais je reconnais la nécessité d'apprendre au moins les bases afin de pouvoir l'utiliser en cas de besoin ou même trouver des solutions qui ne sont pas encore disponibles dans JS et essayer de reproduire la logique.
La même chose pourrait s’appliquer à vous. Peut-être travaillez-vous avec une équipe dont l'expertise backend est Python, ou avez-vous cette expertise et souhaitez-vous profiter du support ML qu'elle fournit, ou peut-être souhaitez-vous simplement apprendre quelque chose de nouveau comme moi. Alors, comment pouvons-nous intégrer Python avec NextJS ? Je vais vous montrer dans cet article en créant une application de chat RAG à l'aide de Python, LangChain et NextJS.
Démarrage du serveur Tout d'abord, les choses en premier : comme toujours, gardez à portée de main l'application de chat de base que nous avons créée dans la partie III de cette série d'IA. Nous réutiliserons une grande partie de ce code, donc je ne me répéterai pas avec la configuration de base. N'hésitez pas à l'obtenir également depuis ce dépôt GitHub : https://github.com/soutot/ai-series/tree/main/nextjs-chat-base
Pour cet exemple, nous utiliserons Flask car pour moi qui n'ai aucune expérience avec Python, c'est le moyen le plus simple de créer un serveur Web.
En supposant que l’application de chat de base soit déjà en cours d’exécution, commençons par créer un répertoire à la racine du projet appelé « flask ». À l’intérieu...
[Courte citation de 8% de l'article original]