مصنوعی ذہانت سے چلنے والی وی چیٹ لرننگ منی ایپ بنائیں اور چلائیں

آپ کیا بنائیں گے

AI نالج بیس اسمارٹ لرننگ منی ایپ WeChat ایکوسسٹم کے لیے ایک ذہین مطالعاتی ایپلی کیشن ہے۔ سیکھنے والا کوئی موضوع درج کر سکتا ہے یا نجی دستاویزات اپ لوڈ کر سکتا ہے، پھر AI کی مدد سے سوالات تیار کر سکتا ہے، فوری وضاحتیں حاصل کر سکتا ہے، اور ایک ایسی رپورٹ کا جائزہ لے سکتا ہے جس میں مہارت، کمزور شعبوں اور تجویز کردہ اگلے اقدامات کا احاطہ ہو۔

یہ منصوبہ بڑے زبان ماڈلز، ویب سرچ اور retrieval-augmented generation کو یکجا کرتا ہے۔ Tavily تازہ ویب سیاق فراہم کرتا ہے، جبکہ Chroma اپ لوڈ کی گئی PDF، Word، Markdown اور TXT فائلوں سے مواد کی بازیافت کو سپورٹ کرتا ہے۔

اہم خصوصیات

• موضوع پر مبنی کوئز کی تیاری: صارف کے فراہم کردہ موضوع سے مطالعاتی سوالات تیار کریں۔
• ویب سرچ میں بہتری: تازہ ترین سیاق شامل کرنے کے لیے Tavily استعمال کریں۔
• نجی نالج بیس سے سیکھنا: PDF، Word، Markdown یا TXT دستاویزات اپ لوڈ کریں اور RAG کے ذریعے متعلقہ مواد حاصل کریں۔
• فوری فیڈبیک: جوابات چیک کریں اور ہر جواب کے بعد وضاحتیں فراہم کریں۔
• مطالعاتی رپورٹس: مہارت کا تجزیہ کریں، کمزور شعبوں کی نشاندہی کریں اور مطالعے کی تجاویز فراہم کریں۔
• سوالات کی عکاسی: معاون تصاویر تیار کریں اور انہیں Tencent Cloud COS میں محفوظ کریں۔
• WeChat صارف سپورٹ: لاگ اِن، مطالعاتی تاریخ اور رپورٹ کے جائزے کی سہولت فراہم کریں۔
• کنٹینر تعیناتی: Docker کے ذریعے بیک اینڈ کو WeChat Cloud Run یا کسی دوسرے مطابقت رکھنے والے پلیٹ فارم پر تعینات کریں۔

آرکیٹیکچر سمجھیں

منی ایپ کا فرنٹ اینڈ Taro 4، React 18، TypeScript اور Sass استعمال کرتا ہے۔ بیک اینڈ Python 3.11، FastAPI، Pydantic v2 اور Uvicorn پر چلتا ہے۔ LangChain اور LangGraph، AI آپریشنز کو مربوط کرتے ہیں، جبکہ DeepSeek اور Alibaba Bailian ماڈل اور retrieval stack میں شامل ہیں۔

MySQL ایپلی کیشن کا ڈیٹا محفوظ کرتا ہے، Tencent Cloud COS تیار کردہ عکسی مواد کو محفوظ کرتا ہے، اور Chroma ویکٹر اسٹور کے طور پر کام کرتا ہے۔ تصدیق کے لیے WeChat jscode2session اور JWT استعمال ہوتے ہیں۔ بیک اینڈ ٹیسٹس کے لیے pytest اور pytest-asyncio استعمال کیے جاتے ہیں۔

ریپوزٹری کی ساخت

.
├── backend/        # FastAPI بیک اینڈ
├── frontend/       # Taro پر مبنی WeChat منی ایپ فرنٹ اینڈ
├── docs/           # مقامی طور پر محفوظ منصوبے کی دستاویزات
├── openspec/       # مقامی طور پر محفوظ specification فائلیں
└── prototypes/     # مقامی طور پر محفوظ prototype فائلیں

ضروریات

شروع کرنے سے پہلے Python 3.11، npm کے ساتھ Node.js اور WeChat DevTools انسٹال کریں۔ آپ کو backend/.env.example میں مطلوب سروس credentials اور configuration values بھی درکار ہوں گی۔ Docker صرف اس وقت ضروری ہے جب آپ بیک اینڈ کنٹینر بنانے یا تعینات کرنے کے لیے تیار ہوں۔

حقیقی API keys، ڈیٹا بیس credentials، JWT secrets اور کلاؤڈ اسٹوریج credentials کو version control سے باہر رکھیں۔ پروڈکشن secrets کو تعیناتی پلیٹ فارم کے ذریعے فراہم کیا جانا چاہیے۔

مرحلہ 1: بیک اینڈ کو کنفیگر کریں

ٹرمینل کھولیں، backend ڈائریکٹری میں جائیں اور ایک الگ تھلگ Python ماحول بنائیں۔ README میں PowerShell پر مبنی درج ذیل setup فراہم کیا گیا ہے:

cd backend
python -m venv venv
venv\Scripts\Activate.ps1
pip install -r requirements.txt
copy .env.example .env

نئی .env فائل کھولیں اور اپنے منتخب کردہ ماڈلز، Tavily integration، ڈیٹا بیس، authentication، vector retrieval اور Tencent Cloud storage کے لیے مطلوب configuration فراہم کریں۔ متوقع variables کی مستند فہرست کے لیے backend/.env.example استعمال کریں۔

FastAPI سروس شروع کریں

python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

--reload آپشن مقامی development کے دوران مفید ہے کیونکہ بیک اینڈ کوڈ میں تبدیلی ہونے پر Uvicorn دوبارہ شروع ہو جاتا ہے۔ 0.0.0.0 سے bind کرنے پر development سروس مشین کے network interfaces کے ذریعے دستیاب ہو جاتی ہے۔

بیک اینڈ کی تصدیق کریں

شروع ہونے کے بعد interactive API documentation http://localhost:8000/docs پر کھولیں۔ آپ http://localhost:8000/api/v1/health پر سروس کی صحت بھی چیک کر سکتے ہیں۔

فرنٹ اینڈ کی خرابیوں کی جانچ سے پہلے health endpoint کی تصدیق کریں۔ اگر یہ دستیاب نہ ہو تو تصدیق کریں کہ virtual environment فعال ہے، dependencies کامیابی سے انسٹال ہوئی ہیں، .env فائل موجود ہے، اور port 8000 پہلے سے زیرِ استعمال نہیں ہے۔

مرحلہ 2: WeChat منی ایپ فرنٹ اینڈ بنائیں

بیک اینڈ کو چلتا رہنے دیں، دوسرا ٹرمینل کھولیں اور فرنٹ اینڈ dependencies انسٹال کریں:

cd frontend
npm install
npm run dev:weapp

development command، Taro ایپلی کیشن کو WeChat کے لیے compile کرتا ہے۔ compilation مکمل ہونے پر WeChat DevTools شروع کریں اور تیار کردہ frontend/dist ڈائریکٹری کھولیں۔

development کے دوران compiler terminal کھلا رکھیں تاکہ فرنٹ اینڈ کی تبدیلیاں دوبارہ build ہو سکیں۔ FastAPI server کو اپنے ٹرمینل میں فعال رہنا چاہیے تاکہ منی ایپ بیک اینڈ کی functionality تک رسائی حاصل کر سکے۔

مرحلہ 3: مطالعاتی ورک فلو آزمائیں

فرنٹ اینڈ اور بیک اینڈ چلنے کے بعد، منصوبہ سیکھنے کے دو بنیادی راستے فراہم کرتا ہے۔

موضوع سے کوئز تیار کریں

1. WeChat صارف flow کے ذریعے لاگ اِن کریں۔
2. وہ مضمون درج کریں جس کا آپ مطالعہ کرنا چاہتے ہیں۔
3. اس موضوع کی بنیاد پر AI کی مدد سے سوالات تیار کریں۔
4. جوابات جمع کریں اور موصول شدہ جوابات اور وضاحتوں کا جائزہ لیں۔
5. مطالعاتی سیشن مکمل کریں اور مہارت کے تجزیے، کمزور نکات اور سفارشات کے لیے AI رپورٹ دیکھیں۔

نجی دستاویزات سے سیکھیں

1. معاون PDF، Word، Markdown یا TXT دستاویز منتخب کریں۔
2. اسے ایپلیکیشن کے نالج بیس ورک فلو میں اپ لوڈ کریں۔
3. سسٹم کو اپنی RAG پائپ لائن کے ذریعے متعلقہ دستاویزی سیاق و سباق حاصل کرنے دیں۔
4. تیار کردہ سوالات کے جواب دیں اور وضاحتوں کا جائزہ لیں۔
5. حاصل ہونے والی رپورٹ استعمال کرکے فیصلہ کریں کہ مواد کے کن حصوں کا مزید مطالعہ ضروری ہے۔

موضوع پر مبنی سیکھنے میں حالیہ ویب سیاق و سباق شامل کرنے کے لیے Tavily استعمال کیا جا سکتا ہے۔ دستاویز پر مبنی سیکھنے میں بازیافت کا عمل اپ لوڈ کیے گئے نجی مواد پر مبنی ہوتا ہے۔ دستیاب درست رویہ بیک اینڈ ماحول میں تشکیل دی گئی سروسز اور اسناد پر منحصر ہے۔

مرحلہ 4: ٹیسٹ سوٹ چلائیں

backend ڈائریکٹری سے بیک اینڈ ٹیسٹ چلائیں:

cd backend
pytest

پروجیکٹ pytest اور pytest-asyncio استعمال کرتا ہے۔ بیک اینڈ میں تبدیلیوں کے بعد اور تعیناتی سے پہلے ٹیسٹ سوٹ چلائیں تاکہ ہم وقت ساز اور غیر ہم وقت ساز رویے میں آنے والی خرابیوں کا سراغ لگایا جا سکے۔

اعلیٰ درجے کی تجاویز

ترقی کے دوران API دستاویزات استعمال کریں

FastAPI کا دستاویزاتی صفحہ پروجیکٹ کے چلنے والے ورژن کی جانب سے فراہم کردہ روٹس کا جائزہ لینے کے لیے مفید ہے۔ README میں دستاویزی نہ کیے گئے درخواست فیلڈز یا اینڈ پوائنٹ پاتھ فرض کرنے کے بجائے اسے اصل ماخذ کے طور پر استعمال کریں۔

ترقی اور پروڈکشن کی اسناد الگ رکھیں

مقامی .env فائل صرف ترقی کے لیے استعمال کریں۔ پروڈکشن میں اسناد WeChat Cloud Run یا منتخب کردہ کنٹینر پلیٹ فارم کے ذریعے تشکیل دیں۔ بھری ہوئی ماحول کی فائلیں ریپوزٹری میں کمٹ نہ کریں۔

مناسب نالج سورس منتخب کریں

جب تازگی اہم ہو تو Tavily کے ساتھ موضوع کی تخلیق استعمال کریں۔ جب سوالات نجی یا تنظیم سے متعلق مخصوص مواد پر مبنی ہونے چاہییں تو دستاویزی ورک فلو استعمال کریں۔ معاون اپ لوڈز PDF، Word، Markdown اور TXT فائلیں ہیں۔

سروسز کی تہہ در تہہ توثیق کریں

1. تصدیق کریں کہ ہیلتھ اینڈ پوائنٹ جواب دے رہا ہے۔
2. FastAPI دستاویزات کا معائنہ کریں۔
3. pytest چلائیں۔
4. Taro فرنٹ اینڈ کمپائل کریں۔
5. WeChat DevTools میں frontend/dist کھولیں۔
6. تشکیل دی گئی بیرونی سروسز کے ساتھ لاگ اِن، کوئز کی تخلیق، فیڈ بیک، ہسٹری اور رپورٹ کے جائزے کی جانچ کریں۔

یہ ترتیب بیک اینڈ کی تشکیل کے مسائل کو فرنٹ اینڈ کمپائلیشن یا WeChat ٹولنگ کے مسائل سے الگ کرنا آسان بناتی ہے۔

کنٹینر کی تعیناتی کی تیاری کریں

ریپوزٹری میں backend/Dockerfile اور backend/.dockerignore شامل ہیں۔ یہ فائلیں بیک اینڈ کو WeChat Cloud Run یا کسی دوسرے مطابقت رکھنے والے پلیٹ فارم کے لیے Docker کنٹینر کے طور پر پیکیج کرنے کی سہولت دیتی ہیں۔

تعیناتی سے پہلے ٹیسٹ چلائیں، تصدیق کریں کہ مطلوبہ پروڈکشن ماحول کے متغیرات پلیٹ فارم کے ذریعے دستیاب ہیں، اور رازوں کو امیج میں رکھنے سے گریز کریں۔ تصدیق کریں کہ MySQL، Tencent Cloud COS، ماڈل فراہم کنندگان، Tavily اور WeChat authentication جیسی بیرونی انحصارات تعیناتی کے ماحول سے قابل رسائی ہیں۔

نتیجہ

یہ پروجیکٹ WeChat میں مصنوعی ذہانت سے معاونت یافتہ سیکھنے کے لیے ایک مکمل بنیاد فراہم کرتا ہے: Taro اور React پر مبنی منی ایپ، FastAPI بیک اینڈ، موضوع اور دستاویز پر مبنی کوئز کی تخلیق، فوری وضاحتیں، مطالعاتی رپورٹس، صارف کی ہسٹری اور کنٹینر کے لیے تیار تعیناتی۔ پہلے بیک اینڈ کی توثیق کریں، WeChat DevTools میں فرنٹ اینڈ کمپائل کریں، پھر اپنے منتخب کردہ سیکھنے کے ورک فلو کے لیے درکار بیرونی سروسز تشکیل دیں۔