概述

作為本系列的最後一篇文章，本文將整理專案中已完成的項目，以及未來想到的改善方向。
涵蓋範圍包括:

• Bot Server 中整合 OpenAI Service 與Kafka Consumer的程式實作
• 專案元件的部署流程
• 測試範例與結果
• 未來的改善及優化

Bot Server中整合OpenAI Service 與Kafka Consumer

• Bot Server的細節這邊不贅述，主要流程如下:
  • 1.KafkaListener(Kafka Consumer)在訂閱的Topic收到新的LINE User資訊後，提取Reply Token及使用者訊息，並且交給openAiApiService做後續處理。
  • 2.openAiApiService會將User輸入的訊息，連同我們設定好的System Message、Token，Endpoint等資訊做成Prompt，並且透過API將Prompt送給Open AI ChatGPT。
  • 3.等Open AI 回應後，從Response取得最精確的回覆，根據不同種類的訊息使用不同的JSON Schema作為回覆User以及記錄到MongoDB的結構。
  • 4.透過lineMessagingClient回覆LINE Platform

程式碼如下:

@KafkaListener(id = "${spring.kafka.consumer.id}", topics = "${spring.kafka.consumer.topic}", containerFactory = "userDataListenerContainerFactory")
    public void UserDataListener(UserData userData) {
        try {
            // 提取Reply Token
            String replyToken = userData.getReplyToken();
            String userId = userData.getUserId();
            // 提取使用者訊息
            String text = userData.getText();
            // 透過API將Prompt送給Open AI ChatGPT
            String openAiResponse = openAiApiService.sendMessage(null, text);
            // 記錄到MongoDB
            boolean storeStatus = saveTrainingDataToMongodb(openAiResponse, userId);
            String replyMessage = "Your message is: " + text + "\nResponse: " + openAiResponse + "\n storeStatus: " + storeStatus;
            // 回覆LINE Platform
            lineMessagingClient.replyMessage(new ReplyMessage(replyToken, new TextMessage(replyMessage))).get()
                    .getMessage();
        } catch (InterruptedException e) {
            e.printStackTrace();
        } catch (ExecutionException e) {
            e.printStackTrace();
        }
    }

部署流程

• 這邊列出我們開發的程式，以及用到的外部系統的部署方式:

AWS Lambda: Event 接收器

• 執行環境: AWS Lambda。
• 打包及部署: 執行以下腳本即可一鍵部署AWS Lambda Handler。

functionName="${function:=LinebotHandlerNode}"
zip -r $functionName.zip index.js utils .env node_modules
aws lambda update-function-code --function-name $functionName --zip-file fileb://$functionName.zip

• 執行範例: function=LinebotHandlerNode ./deploy.sh
• 參數: function: Function name on AWS Lambda, if not set, the default value will be "LinebotHandlerNode"
• 詳細說明可參考: 使用 AWS Lambda 開發 Serverless Event 接收器: 部署方式

Backend Bot Server

• 執行環境: AWS EC2。
• 打包: 執行以下指令，可以得到Uber jar檔案。

mvn clean package

• 部署:
  1.使用scp上傳打包好的Uber jar

scp target/nextpage-line-bot-server-0.0.1-SNAPSHOT.jar ec2-user@AWS EC2位址:/home/ec2-user

2.在EC2中使用下面指令，在背景執行Bot Server

sudo nohup java -jar -Xmx100m nextpage-line-bot-server-0.0.1-SNAPSHOT.jar 2 > /dev/null > line-bot.error &

3.可以用tail -f line-bot.error檢視是否有錯誤訊息。

• 詳細說明可參考: 執行環境設定: 背景執行與記憶體監控指令

外部系統: kafka、MongoDB

• 執行環境: AWS EC2。
• 在EC2上使用以下docker-compose啟動容器:

version: "2"

services:
  mongodb:
    image: mongo:6.0.4
    container_name: mongodb
    restart: unless-stopped
    environment:
      - MONGO_INITDB_ROOT_USERNAME=root
      - MONGO_INITDB_ROOT_PASSWORD=root密碼
      - MONGO_INITDB_DATABASE=資料庫名稱
    volumes:
      - ./mongodb/initdb.d/:/docker-entrypoint-initdb.d/
      - MONGO_VOLUMES:/data/db
    ports:
     - 27017:27017

  zookeeper:
    image: zookeeper:3.4
    mem_limit: 104857600
    container_name: zookeeper
    restart: unless-stopped
    ports:
      # exposing for debug reason
      - 2181:2181
    volumes:
      - "./zookeeper/data:/data"
      - "./zookeeper/datalog:/datalog"
      - "./zookeeper/zoo.cfg:/conf/zoo.cfg"
  kafka:
    image: 'bitnami/kafka:2.1.1'
    hostname: localhost
    container_name: kafka
    restart: unless-stopped
    ports:
      # 方便從host call Kafka Connect 的Rest API (8083 port)
      - '8083:8083'
      - '9092:9092'
      # expose the external port for external clients
      - '9093:9093'
    environment:
      # Kafka defaults to the following jvm memory parameters which mean that kafka will allocate 1GB at startup and use a maximum of 1GB of memory
      - KAFKA_HEAP_OPTS=-Xmx512m -Xms256m
      - KAFKA_ZOOKEEPER_CONNECT=zookeeper:2181
      - ALLOW_PLAINTEXT_LISTENER=yes
      # set listeners and advertised listeners for external (9093) and internal(9092)
      - KAFKA_LISTENERS=INTERNAL://0.0.0.0:9092,EXTERNAL://0.0.0.0:9093
      - KAFKA_ADVERTISED_LISTENERS=INTERNAL://localhost:9092,EXTERNAL://AWS EC2位置:9093
      - KAFKA_LISTENER_SECURITY_PROTOCOL_MAP=INTERNAL:PLAINTEXT,EXTERNAL:PLAINTEXT
      - KAFKA_INTER_BROKER_LISTENER_NAME=INTERNAL
      #- KAFKA_OFFSETS_TOPIC_REPLICATION_FACTOR=1

    volumes:
      - KAFKA_VOLUMES:/bitnami/kafka
    depends_on:
      - zookeeper
volumes:
  MONGO_VOLUMES:
  KAFKA_VOLUMES:

• 詳細說明可參考:
  • Kafka 概念介紹及部署: 在AWS EC2使用Docker部署Kafka及設定遠端連線
  • MongoDB 概念及部署: 使用 Docker 設置含初始資料庫與用戶驗證的 MongoDB 服務

測試結果

在手機版LINE上簡單測試如下:
1.深蹲的訓練記錄
2.飲食紀錄

可參考相當臨時的Demo影片

改善與優化

簡化程式架構

• 若考慮到成本，以及讓各元件負責的內容更單純，也許把所有功能都拆成Lambda Function，並且透過正確的Kafak Topic來聯繫彼此，會是一個好方法。
• 但此方式還是需要一個EC2，來執行Kafak 以及 MongoDB。
• 調整後的系統架構:
  

簡化Prompt

• 我們使用的Prompt實在太長了，後來想到的方案是，無論是訓練記錄還是飲食紀錄，都讓OpenAI用同一份JSON Schema做回覆。 只要定好容許Null的欄位(例如: 訓練記錄中並不需要protein或者fat這類營養素的欄位)，這樣或許就可以使用Structured Outputs來取代Prompt中為了指定Json Schema加入的大量說明。

結語

無論是在團隊還是個人專案中，我一直很羨慕那些能夠快速想出點子並馬上付諸實現的人。相比之下，我沒有那麼厲害的大腦。
這次鐵人賽的內容，其實是過去3年左右的零散時間，在摸索技術時留下來的筆記，即便如此，做出來的東西也沒有非常驚艷，寫文章時也常常發現不足的地方並盡量補足。
然而，這個過程確實有一種把某個大事逐漸完成的踏實感。有時翻看過去的筆記，會回想起自己當時的確有花時間和力氣研究某個內容而得到的成就感，當然也有不知道自己當時在幹嘛的無力感。總之和重量訓練一樣，就是個和自己對話的過程。

非常感謝鐵人賽給我這個機會完成這件事情。雖然不是什麼很潮的東西，但我希望這系列文章能夠對那些對技術感興趣的人，或者正在被Dead Line壓的快沒時間睡覺的人，提供一點幫助。

以下是我的聯絡方式，如果對專案有問題或者有想要交流或討論的地方，歡迎聯絡。
Henry
E-mail: breezesky627@gmail.com
Medium: https://medium.com/@cancerpio