使用 Chainlit 和 Google Gemini API 构建简易 AI 聊天机器人：一步步指南

随着大模型技术的日益成熟，构建一个属于自己的AI聊天机器人变得越来越简单。本文将以 Muhammad Mubashir Saeedi 的教程为基础，深入探讨如何使用 Chainlit 和 Google Gemini API，一步步构建一个简易但功能强大的 AI聊天机器人。我们将从环境搭建、代码编写到部署上线，全面解析各个环节的关键步骤，帮助你快速掌握大模型在实际应用中的技巧。

1. 环境搭建：uv 初始化与依赖安装

首先，我们需要搭建一个干净且隔离的开发环境。 Muhammad Mubashir Saeedi 推荐使用 uv，一个更现代化的 Python 包管理器，来初始化项目。相较于传统的 venv 和 pip， uv 在速度和资源利用率上更有优势。

具体操作如下：

打开命令提示符（Command Prompt）或终端，并进入你的项目目录（例如，桌面）。
输入 uv init helloMubashir (这里的 helloMubashir 是项目名称，可以自定义) 创建一个名为 helloMubashir 的项目。
使用 cd helloMubashir 进入项目目录。
运行 code . 打开 VS Code 编辑器。

接下来，我们需要安装项目所需的依赖包。作者推荐使用 uv add openai-agents dotenv chainlit 命令安装 openai-agents、dotenv 和 chainlit 三个关键库。

chainlit：是构建 Python AI聊天机器人的开源框架，它简化了用户界面和交互逻辑的开发，让开发者专注于核心的 大模型 应用。
openai-agents：虽然名字包含 OpenAI，但在这里用于与 Google Gemini API 交互，它提供了一套标准化的接口，方便我们调用各种 大模型。
dotenv：用于管理环境变量，安全地存储你的 Google Gemini API 密钥。

安装完成后，运行 .venv\scripts\activate (Windows) 或 source .venv/bin/activate (Linux/macOS) 激活虚拟环境。

2. 配置 API 密钥：获取与存储

要使用 Google Gemini API，我们需要先获取 API 密钥。前往 Google AI Studio (aistudio.google.com)，登录你的 Google 账号，并创建一个新的 API 密钥。

确保你已经同意了 Google AI Studio 的使用条款。
如果需要，可以创建一个新的 Google Cloud 项目来管理你的 API 密钥。

获取 API 密钥后，创建一个名为 .env 的文件，并将密钥存储在其中，格式如下：

GEMINI_API_KEY=YOUR_API_KEY

务必将 .env 文件添加到你的 .gitignore 文件中，防止敏感信息泄露到公共代码仓库。

3. 代码编写：Chainlit 与 Gemini API 集成

现在，我们可以开始编写 AI聊天机器人 的核心代码了。创建一个名为 main.py 的文件，并将以下代码复制进去（强烈建议手敲，而不是复制粘贴，这样能更好地理解代码逻辑）：

# --------------------------------------------------------
# 🧠 Simple AI Chatbot using Chainlit + Gemini API
# 👨‍💻 Developed & Explained by Muhammad Mubashir
# 📅 Date: June 2025
# --------------------------------------------------------

import os
import chainlit as cl
from dotenv import load_dotenv
from agents import Agent, Runner, AsyncOpenAI, RunConfig, OpenAIChatCompletionsModel

load_dotenv()

MODEL_NAME = "gemini-2.0-flash"  # Use the appropriate Gemini model name
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")

external_client = AsyncOpenAI(
    api_key=GEMINI_API_KEY,
    base_url="https://generativelanguage.googleapis.com/v1beta/openai/"  # Gemini API endpoint
)

model = OpenAIChatCompletionsModel(
    model=MODEL_NAME,
    openai_client=external_client
)

config = RunConfig(
    model=model,
    model_provider=external_client,
    tracing_disabled=True
)

my_assitant = Agent(
    name="AI Assitant",
    instructions="You are helpful a assitant",
    # model = model # 可以直接绑定模型
)

@cl.on_chat_start
async def start():
    await cl.Message(
        content="👋 Welcome to Simple Chatbot! Ask anything.\n\n👨‍💻 *Created by Muhammad Mubashir*"
    ).send()

@cl.on_message
async def handle_message(message: cl.Message):
    try:
        user_input = message.content
        result = await Runner.run(my_assitant, input=user_input, run_config=config)
        await cl.Message(content=result.final_output).send()
    except Exception as e:
        await cl.Message(content=f"❌ Error: {e}").send()

# result = Runner.run_sync(my_assitant,"how are you", run_config = config)
# print(result.final_output)

这段代码主要做了以下几件事：

导入必要的库：os, chainlit, dotenv, 以及 agents 模块中的相关类。
加载环境变量：使用 load_dotenv() 加载 .env 文件中的 API 密钥。
配置 Gemini API 客户端：创建 AsyncOpenAI 客户端，并指定 API 密钥和 Gemini API 的基础 URL。
创建 OpenAI 模型实例: 通过 OpenAIChatCompletionsModel将外部的 AsyncOpenAI 和模型名称绑定，方便后续调用。
配置运行参数：创建 RunConfig 对象，配置模型、模型提供者和是否禁用追踪。
定义 AI 助手：创建 Agent 对象，设置助手的名称和指令（例如，”你是一个乐于助人的助手”）。
定义 Chainlit 事件处理函数：
- @cl.on_chat_start：在聊天开始时发送欢迎消息。
- @cl.on_message：处理用户输入的消息，调用 Runner.run 方法运行 AI 助手，并将结果发送给用户。

这里有几点需要注意：

MODEL_NAME 变量需要根据你使用的 Gemini 模型进行调整，例如 "gemini-2.0-pro" 或 "gemini-2.0-flash"。
base_url 变量需要指向正确的 Gemini API Endpoint. 当前使用的是 https://generativelanguage.googleapis.com/v1beta/openai/，请参考官方文档确认最新地址。
Agent 的 instructions 属性定义了 AI聊天机器人 的行为方式，你可以根据自己的需求进行修改。例如，可以添加特定的知识领域或回答风格。

4. 运行与测试：chainlit run 命令

一切准备就绪，我们可以运行 AI聊天机器人 了。在命令提示符或终端中，确保你仍然在项目目录中，然后运行以下命令：

chainlit run main.py

这将启动 Chainlit 应用，并在你的浏览器中打开一个页面。你应该能看到 “👋 Welcome to Simple Chatbot! Ask anything.\n\n👨‍💻 *Created by Muhammad Mubashir*” 的欢迎消息。

现在，你可以开始与你的 AI聊天机器人 互动了。输入一些问题，看看它的回答。例如，你可以问 “你好”、”今天天气怎么样？” 或 “什么是人工智能？”。

5. 优化与改进：Agent 与指令工程

AI聊天机器人 的性能很大程度上取决于 Agent 的配置，特别是 instructions 属性。这就是所谓的“指令工程”，即通过精心设计的指令，引导 大模型 产生更符合期望的输出。

例如，我们可以修改 instructions 属性，让 AI聊天机器人 扮演一个特定领域的专家：

my_assitant = Agent(
    name="AI 金融助手",
    instructions="你是一位专业的金融助手，擅长分析股票、基金和宏观经济数据。请用简洁明了的语言回答用户的问题，并提供有价值的建议。",
    # model = model
)

通过这样的修改，AI聊天机器人 在回答金融相关问题时，会更加专业和准确。

除了 instructions 属性，还可以通过调整 RunConfig 对象中的参数来优化 AI聊天机器人 的性能。例如，可以调整 temperature 参数，控制 大模型 的输出随机性：

temperature = 0：输出更加确定和保守。
temperature = 1：输出更加随机和创造性。

6. 部署与分享：Vercel 或其他平台

完成开发和测试后，你可以将你的 AI聊天机器人 部署到云平台上，与其他人分享。常见的部署平台包括 Vercel、Heroku、AWS 和 Google Cloud。

以 Vercel 为例，你需要：

将你的代码推送到 GitHub 或 GitLab 仓库。
在 Vercel 上创建一个新的项目，并连接到你的代码仓库。
配置 Vercel 的环境变量，设置 GEMINI_API_KEY 的值。
部署你的项目。

Vercel 会自动构建和部署你的 AI聊天机器人，并提供一个公开的 URL。你可以将这个 URL 分享给你的朋友或同事，让他们体验你的作品。

7. 进阶应用：扩展与定制

掌握了基本的 AI聊天机器人 构建方法后，你可以尝试扩展和定制它的功能，例如：

集成外部数据源：连接到数据库、API 或其他数据源，让 AI聊天机器人 能够回答更复杂的问题。例如，可以连接到天气 API，让 AI聊天机器人 能够提供实时天气信息。
添加记忆功能：使用 Redis 或其他缓存技术，让 AI聊天机器人 记住之前的对话内容，并提供更个性化的服务。这需要使用 Chainlit 提供的会话管理功能。
实现多轮对话：通过维护对话状态，让 AI聊天机器人 能够进行更复杂的对话流程。例如，可以实现一个订餐机器人，引导用户完成点餐过程。
使用 LangChain 等框架：LangChain 提供了更高级的 大模型 应用开发工具，例如链式调用、知识库集成和代理工具。可以结合 LangChain 和 Chainlit，构建更强大的 AI聊天机器人。

8. 大模型技术的未来与挑战

大模型 技术正在快速发展，其在 AI聊天机器人 领域的应用也越来越广泛。未来，我们可以期待：

更强大的模型：更大的模型、更复杂的架构和更多的数据，将带来更智能、更自然的对话体验。
更个性化的服务：AI聊天机器人 将能够更好地理解用户的需求，提供更个性化的服务。
更广泛的应用：AI聊天机器人 将被应用到更多的领域，例如教育、医疗、金融和娱乐。

然而，大模型 技术也面临着一些挑战：

算力需求：训练和部署 大模型 需要大量的算力，这限制了其应用范围。
数据隐私：大模型 需要大量的数据进行训练，这引发了数据隐私的担忧。
伦理问题：大模型 可能会产生偏见和歧视，这需要我们认真对待。

总之，大模型 技术为 AI聊天机器人 的发展带来了巨大的机遇，同时也提出了新的挑战。我们需要在享受技术带来的便利的同时，积极应对这些挑战，确保 大模型 技术能够更好地服务于人类。

总结

本文以 Muhammad Mubashir Saeedi 的教程为基础，深入探讨了如何使用 Chainlit 和 Google Gemini API 构建一个简易 AI聊天机器人。我们从环境搭建、API 密钥配置、代码编写、运行测试到优化部署，全面解析了各个环节的关键步骤。希望本文能够帮助你快速掌握 大模型 在实际应用中的技巧，并开启你的 AI聊天机器人 开发之旅。通过本文的学习，相信你已经对大模型和AI聊天机器人有了更深入的了解，也能够在实际项目中灵活运用Chainlit和Google Gemini API等工具，创造出更多有价值的应用。

使用 Chainlit 和 Google Gemini API 构建简易 AI 聊天机器人：一步步指南