前面八天，我們已經學會：

什麼是 GenAI 與雲端平台

Azure AI Foundry & GCP Vertex AI 的使用方式

API 呼叫與兩者的比較

今天，我們來實際動手，做一個 小型 AI 應用 Demo：
👉「AI 問答小幫手 (Chatbot)」

1️⃣ Demo 概念

這個小應用的目標是：

使用者輸入一段問題

後端呼叫雲端 GenAI API（Azure 或 GCP）

回傳 AI 生成的回覆

我們可以用最簡單的 Python + FastAPI 來實作。

2️⃣ 範例程式碼 (以 Azure AI Foundry 為例)

from fastapi import FastAPI
from pydantic import BaseModel
import openai
import os

app = FastAPI()

設定 Azure OpenAI API Key & Endpoint

openai.api_type = "azure"
openai.api_base = os.getenv("AZURE_OPENAI_ENDPOINT")
openai.api_version = "2023-05-15"
openai.api_key = os.getenv("AZURE_OPENAI_KEY")

class Question(BaseModel):
    text: str

@app.post("/ask")
def ask_ai(q: Question):
    response = openai.ChatCompletion.create(
        engine="gpt-35-turbo",  # 這裡是你在 Azure 部署的模型名稱
        messages=[{"role": "user", "content": q.text}]
    )
    return {"answer": response["choices"][0]["message"]["content"]}

只要啟動 FastAPI，前端（或 Postman）就能呼叫 /ask API，送入問題，得到 AI 回覆。

3️⃣ GCP Vertex AI 版本 (簡化版)

from fastapi import FastAPI
from pydantic import BaseModel
from google.cloud import aiplatform

app = FastAPI()

project_id = "your-project-id"
location = "us-central1"
model_name = "chat-bison"  # 或 gemini-pro

aiplatform.init(project=project_id, location=location)

chat_model = aiplatform.ChatModel.from_pretrained(model_name)
chat_session = chat_model.start_chat()

class Question(BaseModel):
    text: str

@app.post("/ask")
def ask_ai(q: Question):
    response = chat_session.send_message(q.text)
    return {"answer": response.text}

4️⃣ Demo 的價值

實際落地：不只是 Playground 測試，而是能在應用程式中使用。

平台可切換：同樣的架構，換成 Azure 或 GCP 就能跑。

未來擴展：可加上前端（React / Vue）或整合 Slack、LINE Bot。

5️⃣ 小結

透過今天的練習，我們完成了：

一個簡單的「AI 問答小幫手」

學會如何把雲端 GenAI 平台整合到應用程式中

體驗 API 開發 → Demo 應用的完整流程