با ورود به عصر هوش مصنوعی، به نظر می رسد همه چیز با سرعتی بی سابقه در حال شتاب گرفتن است. مولد این، مولد آن - داده ها در همه جا اضافه بار هستند. من تقریباً مطمئن هستم که شما از نظر ذهنی از تمام اطلاعات خسته شده اید، پس بیایید به تعقیب و گریز ادامه دهیم، درست است؟  کاری که من می خواهم انجام دهم:   ویدیوی یوتیوب ← اطلاعات کوچک → یادگیری ✨ + اشتراک گذاری در رسانه های اجتماعی 🐦  … همین…  در این مسابقه هوش مصنوعی، همه چیز در مورد سرعت است. اگر بتوانیم از هوش مصنوعی برای تسریع یادگیری خود استفاده کنیم، چرا که نه؟ بنابراین، این را به اشتراک بگذارید - چه با خانواده، دوستان یا دنبال کنندگان خود، یا حتی به عنوان یک تأثیرگذار.   نتایج:  Repo:    https://github.com/WorkSmarter-lol/yt2tweets-cli/   سلب مسئولیت:   این آموزش فقط برای ویدیوهای YouTube با زیرنویس انگلیسی کار می کند و برای YouTube Shorts قابل اجرا نیست.  روند  0. دانش پیش نیاز:  قبل از شروع، داشتن برخی اصول اولیه نحوه عملکرد   ،   و   بسیار مهم است. LangChain.js مهندسی سریع مدل‌های OpenAI  1. ابزارهای پیش نیاز:    (ما از OpenAI GPT-4o-mini استفاده می کنیم) OpenAI API-Key    (بسته NPM) - یک رونوشت را از یک ویدیوی یوتیوب استخراج کنید youtube-transcript   Node.js    /  نخ NPM   LangChain.js  برای مورد من، من از نخ برای شروع توسعه استفاده می کنم. برای شروع سریع برای آزمایش اسکریپت، من یک MVP سریع با استفاده از CLI برای آزمایش پروژه انجام دادم.  2. انتخاب نام برای CLI  برای ارجاع سریع و یک نام جذاب، آن را «   » نامیدم، که در اصل به معنای → «   » است. yt2tweets YouTube to Tweets  3. خروجی مورد نظر   $ yt2tweets "https://youtu.be/1-TZqOsVCNM" # Result: # Tweet 1: Introduction ... 🧵👇 (1/X) # Tweet 2: ... 🧵 (2/X) # Tweet 3: ... 🧵 (3/X) # Tweet 4: ... 🧵 (4/X) # Tweet 5: Conclusion ... 🧵 (5/X)  در حالت ایده‌آل، ما باید رونوشت را به عنوان زمینه برای مدل هوش مصنوعی ارائه کنیم، که در مورد ما GPT-4o-mini است، بنابراین می‌تواند زمینه را درک کند و ورودی را در قالب خروجی که ما مشخص کرده‌ایم خلاصه کند.  4. طراحی سریع  در اینجا سس مخفی ✨ برای کار کردن کارها نهفته است:   یک مهارت اصلی ضروری برای انجام کار است. مهندسی سریع  برای سفارشی‌سازی نحوه تبدیل CLI ویدیوهای YouTube به رشته‌های Twitter/X، راه‌اندازی ساده و آسان 3 مرحله‌ای را که من تعریف کرده‌ام دنبال کنید. می توانید تن، طول و سبک را متناسب با نیاز خود تنظیم کنید. برای هدایت هوش مصنوعی، بلوک درج زیر را دنبال کنید تا فرآیند پیکربندی صاف انجام شود.   هویت و هدف  نقش و اهداف هوش مصنوعی را با بلوک Identity and Purpose تنظیم کنید. عملکرد و اهداف آن را تعریف کنید تا اطمینان حاصل کنید که محتوایی را تولید می کند که با نیازها و نتایج دلخواه شما همسو باشد.   مراحل  اقدامات گام به گام را برای هوش مصنوعی تعریف کنید تا از یک رویکرد شفاف و ساختاریافته برای تولید محتوای خود اطمینان حاصل کنید.   فرمت های خروجی  فرمت هایی را مشخص کنید که هوش مصنوعی باید محتوا را در آنها ارائه کند.  مثال به صورت زیر:   import { ChatPromptTemplate } from '@langchain/core/prompts'; const prompt = ChatPromptTemplate.fromMessages([ { role: 'system', content: ` # IDENTITY AND PURPOSE {identity} # STEPS {steps} # OUTPUT INSTRUCTIONS {formats} # INPUT INPUT: {input} `, }, ]);    جایی است که من تمام رونوشت را برای GPT قرار می‌دهم تا خلاصه‌سازی انجام شود. {input}  مرجع نحوه اضافه کردن درخواست خود را می توان   با مثال زیر پیدا کرد:  در اینجا  5. قرار دادن همه چیز در کنار هم  در نهایت، برای اجرای آن، باید   نصب کرده و کلید OpenAI API خود را آماده کنید. وقتی همه چیز مرتب شد، می‌توانید مدل را راه‌اندازی کنید و شروع به ارسال اعلان‌ها و فیدها برای پاسخ به هوش مصنوعی کنید. @langchain/openai   import { ChatOpenAI } from '@langchain/openai'; // Instantiate Model const llm = new ChatOpenAI({ modelName: 'gpt-4o-mini', temperature: 0.7, // <-- feel free to adjust temperature here apiKey, }); // ... // add prompts here // ... // Ensure that chain.invoke correctly passes the variables result = await prompt.pipe(llm).invoke({ identity, steps, formats, input, }); // get result console.log('>> result?.content'); // Tweet 1: Introduction ... 🧵👇 (1/X) ...  6. آن را به عنوان یک CLI بپیچید  برای راحتی، من تابع را به عنوان یک CLI صادر کردم تا در آینده استفاده از آن برای من آسان باشد.  برای رسیدن به آن از:    — برای فعال کردن CLI برای BIN بسته NPM Commander    - اسپینر ترمینال زیبا Ora    - یک ظاهر طراحی سیم پایانه گچ  یک قطعه کد در زیر ارائه شده است (کد کامل در پایان):   import { Command } from 'commander'; import chalk from 'chalk'; import ora from 'ora'; const spinner = ora('Loading...'); // Initialize the command line interface const program = new Command(); // Command to convert a YouTube URL program .argument('<url>') .description('Turn YouTube Videos into Twitter Threads with AI') .action(async url => { const apiKey = readApiKey(); // Read the saved API key // ... spinner.start(); await convertYt2Tweets(url, apiKey); // ... });  پیوند مخزن (کد کامل)   https://github.com/WorkSmarter-lol/yt2tweets-cli  نتیجه گیری  باز هم، امیدوارم این پروژه به شما کمک کند تا سرعت یادگیری و هضم محتوای YouTube را افزایش دهید یا آن را با دوستان، خانواده و دنبال کنندگان خود به اشتراک بگذارید.  اگر ترجیح می دهید به پروژه UI-ready دسترسی داشته باشید، من یک رابط کاربری برای همان پروژه ایجاد کردم. می توانید لینک زیر را پیدا کنید:     https://yt2tweets.worksmarter.lol

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Visit my page

Read My Stories

این صوت به زبان اصلی داستان تولید شده است!

آموزش: چگونه با استفاده از هوش مصنوعی ویدیوهای YouTube را به موضوعات توییتر تبدیل کنیم

About Author

نظرات

برچسب ها را آویزان کنید

این مقاله در ارائه شده است

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps