Video 6- Building a ChatGPT Clone with Build Space; QA
来源：AI时代学习营 · AI Builder 课程 · 在学习书房阅读原版（含图）
学生门户登录
- 首次登录流程：点击提供的链接进入学习平台
- 输入与Maven账号关联的邮箱地址
- 点击”重置密码”按钮（系统100%会发送邮件至垃圾邮件文件夹）
- 从垃圾邮件中获取重置链接并设置新密码
- 返回登录页面使用新密码登录
- 平台功能说明：提供多种学习功能模块
- 核心功能是API密钥管理（首次登录时显示为空列表）
- 支持创建新项目和配置
- 登录注意事项：使用Google服务时邮件可能被自动归类为垃圾邮件
- 账户由教学团队预先配置
- 必须使用分配的个人邮箱和密码登录
AI建造者平台
创建API键
- 功能定位:提供统一API密钥来集成多个AI平台功能，避免重复注册不同服务账户
- 创建方式:通过”Create Key”按钮生成新的API密钥
- 管理特性:支持查看当前活跃密钥
- 可生成多个密钥并管理其使用状态
- 提供用量统计功能监控API调用情况
API的作用
- 核心价值:作为AI代理的中枢接口，使开发者能够快速构建各类AI工具
- 工作模式:通过调用现有API(如OpenAI)实现功能，无需重复开发基础能力
- 支持多代理协同工作模式
- 典型功能:在线搜索能力
- 多风格响应生成
- 对话历史编辑
- 自动生成会话标题
例题:ChatGPT复制所需时间
- 题目解析开发范围:仅复制UI界面功能，不包括底层模型训练
- 难度评估:
- 基础功能实现约30分钟
- 完整功能复制需1个月关键组件:
- 侧边栏模型选择器
- 多代理响应系统
- 会话历史管理系统易错点:低估自动标题生成等辅助功能的开发复杂度
模型选择
- 交互设计:通过侧边栏实现模型快速切换
- 功能特点:支持多种预训练模型并行调用
- 不同模型可产生风格化响应
- 开发者可灵活组合不同模型能力
- 实现原理:通过统一API路由分发请求到不同模型端点
所需时间
- 传统开发周期：在AI时代之前，一个团队可能需要一周时间完成的项目
- AI辅助效率：借助AI工具，现在可以在五分钟内完成相同任务
- 关键优势：整个开发过程不需要使用者具备专业开发知识
成为开发专家
- 非专家开发：明确强调使用者”不需要成为开发方面的专家”
- 学生配额：初始额度：100美元API调用额度
- 用途说明：主要用于API调用和搜索引擎工具调用
- 扩展建议：如需更多额度可联系管理员
- 使用场景建议：简历展示项目：现有额度完全足够
- 产品级开发：建议先与管理员沟通配额需求
- 费用提醒：当部署产品供他人使用时，调用量会计入个人配额
API探索
- 密钥获取方式：通过登录页面的”Reset password”功能发送恢复邮件获取API密钥
- 密钥状态显示：界面会明确显示当前是否已分配平台API密钥
- 密钥操作：提供创建新密钥(Create Key)和取消操作(Cancel)的按钮
- 平台特性：通过单一API即可调用多种模型，无需分别访问Anthropic、DeepSeek等各平台获取独立API
- 使用场景：适用于需要集成多模型API的产品开发场景
chat与GBT的区别
- 产品定位差异：Chat产品：是面向终端用户的完整产品（如ChatGPT）
- API服务：是面向开发者的编程接口，两者具有独立的用户管理系统
- 账户体系：拥有Chat产品订阅账户不代表自动获得API访问权限
- API使用需要单独申请和管理密钥
- 模型支持：deepseek-chat：始终可用（DeepSeek Chat专用）
- gpt-5：通过OpenAI兼容提供商可用
- grok-fast：需要X_AI_API_KEY访问X.AI的Grok API
- secondmind-agent-vles：多功能代理工具，需同时具备X_AT_APT_KEY和Google API密钥
- gandai-2.5-pro：需要Google API密钥
- 技术实现：所有模型都支持OpenAI兼容的补全API调用
- 模型列表会根据账户API密钥动态更新
- 产品开发建议：使用该API平台可以构建替代Chat产品的自定义解决方案
- 实际效果需通过具体产品开发验证
- 建议从克隆Chat产品GUI开始实践API集成
API的分析
- 基本概念:API是计算机之间通信的方式，提供OpenAI兼容的接口标准
- 认证机制:密钥必要性:必须使用API Key进行身份验证，否则平台会拒绝服务
- 密钥管理:建议在设置中第一时间创建密钥，密钥不会永久显示，需要及时记录
- 使用方式:密钥创建后会弹出显示，可以复制使用，只要不点击登出就会保留
- 接口功能:/v1/chat/completions: 聊天补全功能
- /v1/embeddings:文本嵌入功能
- /v1/audio/transcriptions: 音频转录功能
- /v1/usage/summary: 使用情况查询
- /v1/models:模型管理
- /v1/deployments: 部署管理
模型上下文粒子
- 核心功能:知识注入:MCP(Model Context Particle)是帮助AI理解构建空间知识的工具
- 应用场景:适用于Cursor、Cloud Code或CodeX等开发工具
- 工作原理:通过自然语言查询，AI就能知道如何构建项目
- 配置要点:令牌设置:AI Builder Token必须填入有效的API Key才能正常工作
- 认证机制:该令牌是平台认证的关键凭证
- 安装方式:提供现成的命令行代码，可直接复制到Cursor等工具中使用
- 技术背景:开放协议:MCP基于开放协议，被广泛用于为AI添加工具调用能力
- 平台集成:在本场景中，MCP集成了构建平台的功能
应用案例
例题:GBT克隆示例
- MCP服务器配置方法：在Cursor设置中找到MCP选项卡
- 点击”New MCP Server”按钮
- 将配置JSON复制粘贴到配置文件中
- 示例配置包含：
- 服务器名称：“ai-builders-coach”
- 核心参数：“ape”
- 环境变量：AI_BUILDER_TOKEN
- 配置注意事项：配置文件可能看起来很复杂，但只需复制模板即可
- 系统会要求确认配置，因为MCP JSON通常位于用户文件夹
- 配置完成后需要确保”AI builder’s coach”选项已启用
- 使用优势：无需频繁复制粘贴提示词
- 安装后可直接使用AI功能
- 简化了开发环境设置流程
- 详细配置参数：“composer”:“ape” - 指定使用的模型
- “args”:[“-y”] - 包含-y标志的命令参数
- “default”:“terse-ncs-coach-server” - 默认服务器设置
- “env”:{“AI_BUILDER_TOKEN”:“sk_3c7c10…”} - 必要的认证令牌
- 配置后操作：需要重启Cursor或重新加载MCP服务器使更改生效
- 配置通常保存在/.cursor/mcp.json或类似路径
- 平台特定设置：不同操作系统可能需要调整路径格式
- 可通过命令行直接添加配置：claude ncp add-json “ai-builders-coach”
- 提示词重要性：与AI沟通时需要提供详细清晰的提示
- 明确的沟通是AI高效产出的前提
- 确保包含所有必要的上下文和需求说明
- 良好的提示词可以显著提高代码生成质量
语音识别工具的使用
语音识别构建ChatGPT界面
- 工具开发：已自行开发语音识别工具，通过点击”开始”按钮即可启动口述功能
- 界面设计：采用两栏式布局，左栏显示对话记录，右栏为可输入内容的聊天界面
- 技术选型：建议使用Next.js框架开发，但也可选择FastAPI等其他框架，具体取决于开发者偏好
- API集成：系统能自动调用AI构建API，无需手动配置
- 模型选择：可使用GPT或其他AI模型，推荐使用Grok模型以获得更快响应
- 开发效率：语音识别能立即识别口述内容并生成相应代码模板
语音识别自动生成模板
- 模板生成：系统会根据模糊的语音描述自动创建项目脚手架
- 自动配置：工具能自动处理API调用等基础配置，无需开发者干预
- 开发流程：语音描述需求→系统生成模板→自动配置基础环境→准备开发
语音识别启动服务器
- 快捷启动：可通过语音指令”启动服务器”自动完成服务部署
- 访问方式：系统会生成本地访问URL(如http://localhost:3000)，可直接点击跳转
- 界面布局：成功启动后显示标准两栏式聊天界面，左侧为对话列表，右侧为聊天区域
- 状态验证：系统会自动检查服务器是否成功启动
- 错误处理：若启动失败会显示相应错误信息，如”Server may still be starting”
语音识别配置AI builder token
- 常见错误：未配置AI builder token时会提示”AI builder token is not config”
- 错误表现：发送消息会返回错误而非正常响应
- 配置位置：需要在MCP设置中添加AI builder token
- 配置内容：包括API密钥等认证信息，格式为JSON
- 配置流程：复制配置JSON
- 添加到项目设置文件(如package.json)
- 重启服务器使配置生效
- 注意事项：直接复制粘贴token存在安全风险，后续会介绍更安全的配置方式
- 调试技巧：当遇到不明错误时，可尝试重启服务器解决临时性问题
快速演示结束
错误排查与解决
- 错误类型识别：系统返回”Method Not Allowed”错误，表明请求方法不正确或API端点有误
- 环境变量配置：需要正确设置AI_BUILDER_TOKEN环境变量，若修改后需重启开发服务器使变更生效
- 模型备用机制：应用默认使用grok-4-fast模型，当不可用时会自动尝试其他模型如deeeseck、seconawind-agent-y、genii-2.5-pre等
API端点更新
- URL重定向问题：旧版API端点(https://www.ai-builders.com/resources/students- backend/v1/chat/completions)已失效，导致405错误
- 新版端点配置：正确端点应为https://space.ai- builders.com/backend/v1/chat/completions
- 请求头设置：需要包含正确的Content-Type(application/json)和Authorization(Bearer token)头部
- 调试技巧：通过详细日志可以查看请求/响应详情，帮助定位问题
功能验证
- 成功响应特征：系统返回”我在这里帮你进行信息花园研究”表明API连接正常
- 模型切换验证：演示中成功从默认模型切换到grok-4-fast模型
- 交互连续性：无需重启服务即可继续对话，系统能保持上下文连贯性
功能丰富
多行输入
- 实现方式：将单行文本框替换为textarea组件，支持Shift+Enter换行
- 交互优化：按Enter键发送消息
- 按Shift+Enter添加新行
- 自动调整高度（最大200px），发送后重置高度
- 用户体验：解决了之前只能输入单行文本的限制，使对话输入更自然
编辑功能
- 位置设计：位于用户消息右侧（蓝色气泡旁）
- 默认50%透明度，悬停时变为完全不透明
- 使用流程：查看任意用户消息右侧的小铅笔图标
- 悬停时图标更明显
- 点击进入编辑模式
- 编辑后点击”保存并重新生成”
- 限制：仅适用于用户消息，不显示在AI回复上
选择模型
- 实现步骤：为对话添加模型字段
- 创建模型选择UI
- 更新API调用使用所选模型
- 支持模型：grok-4-fast（默认）
- secondmind-agent-v1（多工具代理）
- 存储方式：模型选择按对话保存
使用不同的模型
- grok-4-fast特点：快速响应
- 成本效益高
- 默认模型
- secondmind-agent-v1特点：多工具代理
- 支持网页搜索
- 适合复杂任务
- 切换体验：实时切换无需刷新页面，对话历史保持不变
自然对话系统消息
- 实现方式：自动在每次API调用中添加”Not Chat”系统消息
- 优势：提高回复质量
- 仅添加一次（检查现有系统消息）
- 包含在标题生成提示中
- 效果：使AI回复更自然，更像对话而非机械应答
编辑按钮的位置问题
- 常见问题：用户可能找不到编辑按钮
- 解决方案：增加按钮可见性
- 添加悬停效果
- 在文档中明确说明位置
- 设计考量：平衡界面简洁性和功能可发现性
代码调试与部署
Docker部署流程
- 部署准备：需要创建Dockerfile并修改配置，确保PORT环境变量正确设置
- 自动引导：Cursor可以引导完成整个部署过程，若缺少信息会主动询问
- 测试建议：部署完成后建议测试Docker容器，确保应用正常运行
企业AI发展趋势
- 基础设施投资：Anthropic宣布50亿美元数据中心扩建计划，满足下一代AI算力需求
- 模型竞争：中国AI模型在关键基准测试中表现优异，挑战行业领导者地位
- 企业应用焦点：AI代理系统成为企业应用重点，帮助克服数据孤岛问题
MCP技术优势
- 上下文管理：传统方式：需手动收集API规范、token等信息并构造提示词
- MCP方式：AI自动管理上下文，按需调用所需信息
- 适用场景：特别适用于消费第三方API服务（如AI Builder API）的场景
- 技术无关性：不特定支持Next.js或FastAPI，主要解决后端服务消费问题
部署状态检查
- 自动部署机制：推送新commit到GitHub会自动触发部署
- 状态验证：访问GitHub仓库的Deployments页面
- 红色叉号表示失败，绿色对勾表示成功
- 错误排查：当前阶段无法直接获取详细错误信息，需通过其他方式诊断
实际部署演示
- 仓库创建：通过Cursor创建名为”duckchat”的GitHub仓库
- 完整流程：包含Docker构建、测试、容器运行等完整步骤
- 结果验证：成功部署后会生成可访问的URL，但初始可能显示404直到部署完成
常⻅问题解答
- MCP必要性：不使用MCP：需手动管理所有API交互上下文
- 使用MCP：AI自动管理所需上下文信息
- 部署等待：首次部署需要5-10分钟完成资源调配
- 命令行工具：安装GitHub CLI可让Cursor直接创建和管理仓库
部署平台
- 平台特性:部署在Cursor平台而非GitHub
- 提供一站式部署解决方案
- 底层使用Koyabed服务器（类似Cloudflare的服务提供商）
实验性部署功能
- 核心价值:允许用户展示个人项目
- 提供AI辅助部署准备
- 创建开源仓库可添加到简历中
- 操作流程:一键部署到Space平台
- 支持分享工作成果
- 限制说明:免费托管期限：12个月
- 服务上限：每个用户最多10个服务
- 需要管理服务资源使用
部署管理
- 查看方式:在”部署”页面可见两个位置显示
- 显示首次部署时间、更新时间、到期时间
- 技术优势:30分钟即可完成生产级网站部署
- 相比传统部署流程大幅简化
- 平台承担所有服务器费用
- 实际应用:可公开访问的网站
- 可放入简历或分享给朋友
- 类似90%AI初创公司的技术架构（调用大语言模型+定制UI）
与传统部署对比
- 传统方式:需要配置服务器环境
- 手动设置域名和SSL证书
- 持续维护服务器安全
- 承担服务器费用
- 平台优势:自动化部署流程
- 免费托管服务
- 内置监控和管理工具
- 无需基础设施维护
传统部署方式
- 操作步骤：租用VPS（虚拟专用服务器）
- 上传代码到Linux虚拟机
- 手动配置反向代理和负载均衡
- 设置监控系统
- 主要缺点：需要大量底层手动操作
- 调试耗时且容易出错
- 需要专业技术背景才能完成
- 适用场景：适合有工程背景的专业人员
搭建项目原因
- 核心优势：统一API集成多个平台模型
- 避免重复注册不同服务账号
- 简化开发流程，提高效率
- 技术实现：通过单一API密钥调用所有功能
- 自动处理底层配置
- 支持快速部署测试
- 用户价值：非技术人员也能轻松分享项目
- 节省90%以上的配置时间
- 避免多平台切换的复杂性
- 服务限制：免费托管期限：首年免费
- 最大服务数：10个/用户
- 服务管理：需联系管理员调整
- 关键创新：实验性部署功能
- 自动检查仓库准备状态
- AI辅助解决部署问题
使用便捷性
- 开发环境搭建:使用Next.js 14作为前端框架
- 包含React 19.2.0等核心依赖
- 配置了TypeScript 4.4和Tailwind CSS 4.0等工具链
- Docker集成:通过docker build命令构建镜像
- 测试容器运行状态：docker run -d -p 3001:3000
- 验证应用可访问性：curl -5 http://localhost:3000
- 自动化流程:配置了git自动提交命令
- 包含代码质量检查工具ESLint
- 部署脚本支持开发和生产环境构建
- 本地开发优势:快速启动：Ready in 32s的快速开发服务器
- 实时刷新：支持配置热更新(fast refresh)
- 简化流程：自动处理大量底层配置
- 部署特性:实验性功能：提供展示创新项目的平台
- AI辅助：Cursor工具自动生成约20,000行基础代码
- 免费托管：包含12个月的免费部署期
- 服务限制:资源限制：最多10个并行服务
- 访问控制：本地开发默认为localhost访问
- 团队协作：需要额外配置才能实现项目共享
平台行数
- 开发规模:该平台包含约20,000行代码，大幅降低了用户开发门槛
- 核心优势:免模板开发:用户无需从头编写样板代码
- 成本节约:避免重复开发基础功能，节省大量开发成本
- 典型应用:AI创业公司:许多初创企业仅需基于此平台开发简单的Web界面
- 聊天UI:内置完善的聊天界面组件，可直接用于AI产品开发
- 技术特点:快速部署:支持5-10分钟内完成服务部署
- 免费托管:提供12个月的免费托管服务
- 服务限制:每个用户最多可创建10个服务实例
初创公司典型产品模型
- 核心优势：相比大模型，创业公司的优势在于垂直领域应用场景的深度定制
- 实现路径：领域专家可将专业知识注入模型（如宠物训练咨询领域）
- 开发特定用户界面满足专业场景需求
- 产品定位：不需要做成ChatGPT克隆，关键在于发挥创意解决特定用户问题
- 技术支撑：提供基础模型作为开发骨架，简化模型调用和部署流程
- 应用示例：同样技术框架可应用于游戏开发等不同领域
自定义域名
- 配置原则：支持使用已购买的独立域名
- 需通过域名服务商（如GoDaddy、Namecheap）进行配置
- 技术限制：MCP服务不提供自动部署功能
- 操作建议：可通过咨询Cursor获取具体配置指南
调试过程注意要点
- 核心挑战：确保AI输出符合预期效果
- 调试要素：需要建立系统化的评估指标（如任务成功率）
- 应分析API返回的完整日志和响应数据
- 重点关注关键推理决策链和错误类型
- 优化方法：通过迭代式prompt工程调整输出效果
费用问题
- 成本特征：演示项目30天总费用约3美元
- 单次成本：典型操作消耗不足10美分
- 成本优势：验证性开发具有显著的经济性
成功率的运用
- 评估体系：需要设计多维度评估指标（含成功率等核心指标）
- 应构建标准化的测试数据集
- 包含任务完成度等关键评估维度
- 实施建议：通过专项评估项目系统化验证模型效果
- 进阶内容：完整评估方案将在后续课程中详细演示
账户API键管理
API密钥使用规范
- 密钥唯一性：每个API密钥在创建后仅显示一次，若丢失需重新创建
- 密钥关联性：若密钥已被用于项目，删除或禁用该密钥将导致依赖项目无法正常工作
- 安全实践：建议立即保存新创建的API密钥，系统不会保留密钥副本
多密钥管理策略
- 密钥轮换：标准安全实践要求定期更换API密钥
- 项目隔离：不同项目建议使用独立密钥，便于权限管理和故障隔离
- 密钥禁用：发现可疑活动时应立即禁用相关密钥而非删除，避免影响关联服务
密钥部署要求
- 必要参数：GitHub仓库URL（需公开仓库）
- 唯一服务名称（3-32字符，仅含小写字母、数字和连字符）
- 指定部署分支（如main或master）
- 环境配置：需包含完整的package.json和Dockerfile
- 限制说明：免费托管期限：12个月
- 最大服务数：10个/用户
- 服务管理：默认配置不可修改运行时环境变量
多模型协作方案
- 模型选择：首选Cursor Composer（速度优势，性能优于Claude 4.5 Sonnet）
- 复杂场景使用GPT-5.1 Kodak（支持16小时持续工作）
- 协作机制：不同模型擅长不同任务（如搜索功能偏好差异）
- 可构建多智能体系统整合各模型优势
- 演进能力：通过指标跟踪可实现模型自我优化