Harjoitus – Valmistele copilot-sovellus

Valmis

Tässä harjoituksessa sovelluskoodia laajennetaan viemällä funktioita ja luomalla verkkosovellukselle ohjelmointirajapinnan päätepisteitä, jotka suorittavat vektori- ja GPT-hakuja. Voit myös määrittää Docker-säilön paikallista käyttöönottoa varten ja valmistella sovelluksesi Azure Kubernetes -palvelua varten seuraavassa yksikössä.

Sovelluskoodin laajentaminen

1. Avaa 06-ohjattu projekti/node.js- hakemistossa sijaitsevaload-and-vectorize-data.js

2. Siirry kommenttiin TODO tiedoston lopussa

   // TODO: Export functions
   

3. Korvaa moduulifunktiot ja vie ne lisäämällä seuraava koodi:

   module.exports = { getOptions, processOption, doGPTSearch, doVectorSearch };
   

   Tämä rivi paljastaa funktiot niin, että niitä voidaan käyttää sovelluksen muissa osissa.

4. Avaaapp.js tiedosto

   Huomaa tietojen lataaminen ja vectorize-tuominen lähellä tiedoston yläreunaa

   const data = require('./load-and-vectorize-data');
   

   Voit käyttää viemiesi funktioiden käyttöä vakiolla data.

5. Siirry kommenttiin // TODO: Extend the application code

6. Korvaa kommentti ja lisää sovellukseen seuraava koodi:

   app.get('/getOptions', (req, res) => {
       const options = data.getOptions();
       res.json(options);
   });
   
   app.get('/doVectorSearch', (req, res) => {
       const query = req.query.q;
       const result = data.doVectorSearch(query);
       res.json(result);
   });
   
   app.get('/doGPTSearch', (req, res) => {
       const query = req.query.q;
       const result = data.doGPTSearch(query);
       res.json(result);
   });
   

   Tämä koodi luo useita päätepisteitä, joiden kanssa verkkosovellus voi toimia, ja suorittaa tarvittaessa vektorihakutoiminnot.

Paikallisen käyttöönoton luominen

Tässä tehtävässä luot sovellukselle Docker-kuvan ja suoritat projektin paikallisesti, ennen kuin luot käyttöönoton seuraavassa yksikössä. Aloitetaanpa!

1. Luo Dockerfile-niminen tiedosto projektihakemistoon 06-guided-project/node.js

   Dockerfile määrittää, miten sovelluksesi säilötään. Dockerfile-tiedostotunniste ei ole.

2. Avaa Dockerfile Visual Studio Codessa ja lisää seuraava sisältö:

   # Use Node.js runtime as the base image
   FROM node:latest
   
   # Set the working directory inside the container
   WORKDIR /app
   
   # Copy package.json and package-lock.json (if available)
   COPY package*.json ./
   
   # Install dependencies
   RUN npm install
   
   # Copy the rest of the application files
   COPY . /app
   
   # Expose the port that the app runs on
   EXPOSE 3000
   
   # Command to start the application
   CMD ["node", "app.js"]
   

3. Tallenna tiedosto.

4. Docker-kuvan luominen komennolla docker build -t vector-search-app:1.0.0

   Tämä komento käyttää Dockerfile-komentoa Docker-kuvan luomiseen sovelluksestasi. Kuvan nimi on vector-search-app.

5. Varmista, että kuva on koontiversio -komennolla docker images

   Sinun pitäisi nähdä juuri luomasi kuva luettelossa. Kun kuva on luotu, voit suorittaa sen säilönä.

6. Suorita säilö käyttämällä komentoa:

   docker run -p 3000:80 vector-search-app:1.0.0

   Tässä komennossa 3000 edustaa aiemmin paljastamaasi isäntäporttia ja 80 säilön porttia. Säilöportti on portti säilön sisällä, jossa sovellus toimii ja kuuntelee saapuvaa liikennettä.

7. Käytä sovellusta siirtymällä -sovellukseen http://localhost:3000 selaimessasi.

Onnistuit luomaan, merkitsemään ja työntämään Docker-näköistiedostosi Azure-säilörekisteriin. Nyt olet valmis ottamaan kuvan käyttöön Azure Kubernetes -palvelussa seuraavassa harjoituksessa. Hyvää työtä!