# LLMApi: Δεδομένα πραγματικού χρόνου Mock με LLMs και SignalR: Πρακτικός οδηγός # Εισαγωγή [![NuGetCity name (optional, probably does not need a translation)](https://img.shields.io/nuget/v/mostlylucid.mockllmapi.svg)](https://www.nuget.org/packages/mostlylucid.mockllmapi) [![NuGetCity name (optional, probably does not need a translation)](https://img.shields.io/nuget/dt/mostlylucid.mockllmapi.svg)](https://www.nuget.org/packages/mostlylucid.mockllmapi) > ΣΗΜΕΙΩΣΗ: Το άρθρο του είναι κατά κύριο λόγο AI που παράγεται ως μέρος του πακέτου nuget μου ως έγγραφα κυκλοφορίας. Είναι αρκετά ενδιαφέρον γι 'αυτό το βάζω εδώ, αλλά αν αυτό είναι ένα πρόβλημα για σας παρακαλώ αγνοήστε το. Ως μέρος της δικής μου [Nuget πακέτο LLMApi / ως επί το πλείστον διαυγή.mockllmapi ](https://www.nuget.org/packages/mostlylucid.mockllmapi) Έπρεπε να έχω μια σελίδα για να ενεργοποιήσω τη χρήση των χαρακτηριστικών SignalR που έχει (μπορεί να προσομοιώσει τις feeds SignalR χρησιμοποιώντας LLMs για την παροχή δεδομένων). Μπορείτε να βρείτε το[ GitHub εδώ ](https://github.com/scottgal/LLMApi)για το έργο, όλος ο δημόσιος τομέας κ.λπ... Έγινε ένα αρκετά ωραίο εργαλείο! ![Προσομοιωτής SignerName](signalrsimulator.png) Αν έχετε ποτέ χρειαστεί να χτίσει ένα ταμπλό ή σε πραγματικό χρόνο UI πριν από την πραγματική πηγή δεδομένων υπάρχει, ξέρετε την πρόκληση. `setInterval()` βρόχοι που περιστρέφονται μέσα από την ίδια χούφτα των αντικειμένων. Περιγράφετε τι δεδομένα χρειάζεστε σε απλά αγγλικά, και ένα τοπικό LLM παράγει ρεαλιστικό, ποικίλο JSON που ρέει στο πρόγραμμα περιήγησης σας σε πραγματικό χρόνο. Δεν εξαρτήματα για τη διατήρηση, δεν αρχεία σπόρων για την ενημέρωση, απλά περιγράψτε τι θέλετε και παρακολουθήστε τη ροή. Επιτρέψτε μου να σας δείξω πώς λειτουργεί και πώς να πάρει το μεγαλύτερο μέρος από αυτό. [TOC] ## Τι κάνει αυτό το εργαλείο Η σελίδα επίδειξης Signer (`Index.cshtml`) είναι ένας πίνακας ελέγχου για τη διαχείριση των ροών δεδομένων σε πραγματικό χρόνο. Εδώ είναι η βασική ροή: 1. Δημιουργείτε ένα "σύνθημα" (ένα ονομασμένο ρεύμα δεδομένων) 2. Περιγράφετε τι είδους δεδομένα θέλετε στα απλά αγγλικά 3. Μια LLM παράγει την κατάλληλη JSON με βάση την περιγραφή σας 4. Signer σπρώχνει φρέσκα δεδομένα στο πρόγραμμα περιήγησής σας κάθε 5 δευτερόλεπτα 5. Βλέπετε τα αποτελέσματα με τη σύνταξη τονίζοντας σε πραγματικό χρόνο Είναι ιδιαίτερα χρήσιμο όταν πρωτοτυπείτε, χτίζετε demo, ή εργάζεστε σε frontend χαρακτηριστικά, ενώ περιμένετε το backend APIs να είναι έτοιμο. Τα δεδομένα φαίνονται ρεαλιστικά επειδή το LLM κατανοεί το πλαίσιο και δημιουργεί τις κατάλληλες τιμές. ### Η Μεγάλη Εικόνα ```mermaid graph TB Browser[Your Browser] UI[Demo UI] API[Management API] Hub[SignalR Hub] Manager[Context Manager] BG[Background Service] LLM[LLM Ollama/OpenAI] Cache[Response Cache] Browser -->|Create Context| API API -->|Store Config| Manager Browser -->|Connect Subscribe| Hub Hub -->|Register Client| Manager BG -->|Generate Data| LLM LLM -->|Return JSON| BG BG -->|Cache Responses| Cache BG -->|Push to Clients| Hub Hub -->|Real-time Updates| Browser ``` ## Γιατί Signer για ενημερώσεις πραγματικού χρόνου; SignalR διατηρεί μια επίμονη σύνδεση WebSocket μεταξύ του προγράμματος περιήγησής σας και του διακομιστή. Αντί να δημοσκοπήσετε ένα τελικό σημείο κάθε λίγα δευτερόλεπτα με τα αιτήματα HTTP, ο διακομιστής πιέζει τα δεδομένα όταν είναι έτοιμα. Είναι η ίδια τεχνολογία που χρησιμοποιείται σε εφαρμογές συνομιλίας, live ταμπλό, και συνεργατικά εργαλεία όπου η άμεση ενημέρωση έχει σημασία. ## Γρήγορη Έναρξη: Τρέξε σε 5 λεπτά Ας ξεκινήσουμε με το γρηγορότερο μονοπάτι για να το δούμε να δουλεύει. **Βήμα 1: Ξεκινήστε την εφαρμογή** ```bash dotnet run --project LLMApi/LLMApi.csproj ``` Πλοηγηθείτε στο `http://localhost:5116` (ελέγξτε την έξοδο της κονσόλας για την πραγματική θύρα). **Βήμα 2: Χρησιμοποιήστε ένα παράδειγμα γρήγορης εκκίνησης** Θα δείτε πέντε προ-ρυθμισμένα παραδείγματα με πράσινα πλήκτρα "Launch." Κάντε κλικ στο "Stock Market" και τελειώσατε. Η σελίδα αυτόματα: - Δημιουργεί ένα πλαίσιο δεδομένων της χρηματιστηριακής αγοράς - Εγγραφείτε το πρόγραμμα περιήγησής σας για να λαμβάνετε ενημερώσεις - Ξεκινά την εμφάνιση δεδομένων ζωντανών αποθεμάτων με τις τιμές, τους όγκους, και τις αλλαγές **Βήμα 3: Παρακολουθήστε το ρεύμα δεδομένων** Κάθε 5 δευτερόλεπτα, νέα δεδομένα εμφανίζονται με έμφαση στη σύνταξη. Κάθε ενημέρωση δείχνει διάφορα αποθέματα με ρεαλιστικές τιμές και όγκο συναλλαγών. Η LLM παράγει φρέσκα δεδομένα κάθε φορά, έτσι ώστε να βλέπετε την ποικιλία διατηρώντας ταυτόχρονα τη δομή. Αυτό είναι! Τώρα διαδίδετε ψεύτικα δεδομένα του χρηματιστηρίου. Μη διστάσετε να εξερευνήσετε τα άλλα παραδείγματα γρήγορης εκκίνησης για να δείτε διαφορετικά μοτίβα δεδομένων. ## Δημιουργία των δικών σας συνηθισμένων ροών δεδομένων Τα κουμπιά γρήγορης εκκίνησης είναι εύχρηστα, αλλά η πραγματική δύναμη προέρχεται από την περιγραφή ακριβώς τι χρειάζεστε. Ας δημιουργήσουμε ένα προσαρμοσμένο παράδειγμα. **Παράδειγμα: Τηλεμετρία καφετιέρας** Πες ότι φτιάχνεις ένα ταμπλό IoT και χρειάζεσαι προσομοιωμένα δεδομένα καφετιέρας. ``` Context Name: coffee-machines Description: Coffee machine telemetry with machine ID, beans remaining percentage, water temperature in Celsius, cups brewed today, and last maintenance timestamp ``` Κάντε κλικ στο "Δημιουργία & Εγγραφή" και είστε μακριά. ### Τι Συμβαίνει Πίσω από τις Σκηνές ```mermaid sequenceDiagram participant Browser participant API participant Manager participant BG as Background Service participant LLM participant Hub Browser->>API: POST /api/mock/contexts
{name, description} API->>Manager: Store context config Manager-->>API: Context created ✓ API-->>Browser: 200 OK Browser->>Hub: invoke('SubscribeToContext', 'coffee-machines') Hub->>Manager: Register subscription Manager-->>Hub: Subscription confirmed Hub-->>Browser: on('Subscribed') Note over BG,LLM: Every 5 seconds... BG->>LLM: Generate data for 'coffee-machines'
Prompt includes description LLM-->>BG: JSON response BG->>Hub: Broadcast to 'coffee-machines' group Hub-->>Browser: on('DataUpdate', {data}) Browser->>Browser: Display with syntax highlighting ``` Το σύστημα: 1. Δημιουργεί τα συμφραζόμενα στο backend 2. Εγγραφείτε το πρόγραμμα περιήγησής σας για να λαμβάνετε ενημερώσεις μέσω του SignalR 3. Αρχίζει να παράγει δεδομένα με βάση την περιγραφή σας 4. Πιέζει ενημερώσεις κάθε 5 δευτερόλεπτα Θα δείτε την έξοδο έτσι: ```json { "machineId": "CM-2847", "beansRemaining": 67, "waterTemp": 94.5, "cupsBrewed": 142, "lastMaintenance": "2025-01-03T08:23:00Z" } ``` Κάθε ενημέρωση έχει διαφορετικές τιμές αλλά διατηρεί τη δομή. Η LLM κατανοεί την "τηλεμετρία μηχανών καφέ" και παράγει αριθμούς που έχουν νόημα σε αυτό το πλαίσιο. ## Κατανόηση των πλαισίων Α **πλαίσιο** είναι μια ρύθμιση που ονομάζεται ροή δεδομένων. Σκεφτείτε το ως κανάλι ή θέμα. Όταν δημιουργείς ένα, προσδιορίζεις: - **Όνομα**: Μοναδικός αναγνωριστικός κωδικός (π.χ. `weather`, `stock-market`, `sensors`) - **Περιγραφή εμπορευμάτων**: Η δομή δεδομένων που θέλετε, σε απλά αγγλικά Το backend στη συνέχεια: - Δημιουργεί μια ομάδα Signer με αυτό το όνομα - Φτιάχνει μια προτροπή για το LLM με βάση την περιγραφή σας - Δημιουργεί φρέσκα δεδομένα περιοδικά (κάθε 5 δευτερόλεπτα από προεπιλογή) - Μεταδίδει σε όλους τους εγγεγραμμένους πελάτες Πολλαπλά προγράμματα περιήγησης μπορούν να εγγραφούν στο ίδιο πλαίσιο και όλοι λαμβάνουν τα ίδια δεδομένα ταυτόχρονα. Αυτό είναι μεγάλο για τη δοκιμή ταμπλό που πρέπει να δείξει συγχρονισμένες ενημερώσεις σε διαφορετικές οθόνες ή εξαρτήματα. ### Πλαίσιο Lifecycle State Machine ```mermaid stateDiagram-v2 [*] --> Created: Create Context
(POST /contexts) Created --> Active: Start
(auto or manual) Active --> Stopped: Stop
(POST /stop) Stopped --> Active: Start
(POST /start) Created --> Subscribed: Client Subscribes Active --> Subscribed: Client Subscribes Stopped --> Subscribed: Client Subscribes
(no data sent) Subscribed --> Receiving: Data Push
(if Active) Receiving --> Subscribed: Client Connected Subscribed --> Created: Unsubscribe Subscribed --> Active: Unsubscribe Subscribed --> Stopped: Unsubscribe Created --> [*]: Delete Active --> [*]: Delete Stopped --> [*]: Delete Subscribed --> [*]: Delete note right of Active Generates data Pushes to clients Shows "Active" badge end note note right of Stopped No data generation Clients stay connected Shows "Stopped" badge end note ``` ## Κατανόηση της διάταξης UI Η διεπαφή έχει τρία πάνελ για να κρατήσει τα πράγματα οργανωμένα: ### Αριστερά: Δημιουργία πλαισίου Εδώ είναι που ορίζεις νέες ροές δεδομένων. - **Όνομα πλαισίου**: Κάντε το μοναδικό και περιγραφικό. - **Περιγραφή εμπορευμάτων**: Να είστε συγκεκριμένοι σχετικά με το τι θέλετε. Η LLM λειτουργεί καλύτερα με σαφείς περιγραφές όπως "προφίλ χρήστη με όνομα, email, ηλικία και premium κατάσταση boolean." Δεν χρειάζεται να γράψετε JSON schemas ή να εξηγήσετε τύπους δεδομένων. Η LLM infers δομή από φυσικές γλωσσικές περιγραφές εκπληκτικά καλά. ### Middle: Ενεργά Πλαίσια Εμφανίζει όλα τα τρέχοντα συμφραζόμενα σας με: - Όνομα και σήμα κατάστασης (ενεργός/κατασκευασμένος) - Μετρητής σύνδεσης (πόσοι πελάτες έχουν εγγραφεί επί του παρόντος) - κουμπιά ελέγχου: Συνδέστε, Αποσυνδέστε, Ξεκινήστε, Σταματήστε, Διαγράψτε **Σύνδεση/αποσύνδεση** Ελέγχει τη συνδρομή του προγράμματος περιήγησης σας. Κάντε κλικ στο Connect για να αρχίσετε να λαμβάνετε δεδομένα, Αποσυνδέστε για να σταματήσετε χωρίς να διαγράψετε το πλαίσιο. **Έναρξη/Σταμάτημα** ελέγχει τη δημιουργία δεδομένων backend. Αυτό είναι χρήσιμο όταν θέλετε να διακόψετε ένα ρεύμα χωρίς να καταστρέψετε τη διαμόρφωση του πλαισίου. **Διαγραφή** Απομακρύνει εντελώς το πλαίσιο. Χρησιμοποιήστε αυτό για να καθαρίσετε όταν τελειώσετε με ένα συγκεκριμένο ρεύμα δεδομένων. ### Δεξιά: Ζωντανά δεδομένα Εδώ βλέπετε ενημερώσεις σε πραγματικό χρόνο: - Δείκτης κατάστασης σύνδεσης (Connected/Disconnected) - Επί του παρόντος εγγεγραμμένο όνομα πλαισίου - Τελευταία 10 μηνύματα με χρονοσφραγίσεις και προβολή σύνταξης Τα δεδομένα εμφανίζονται νεότερα-πρώτα στην κορυφή, έτσι ώστε να βλέπετε πάντα τις τελευταίες ενημερώσεις χωρίς κύλιση. ## Το πρότυπο σύνδεσης JavaScript Η σελίδα χρησιμοποιεί HTMX για υποβολή εντύπων και SignalR για σύνδεση σε πραγματικό χρόνο. Αν χτίζετε το δικό σας πελάτη, εδώ είναι το μοτίβο SignalR που θα χρειαστείτε: ### Ροή σύνδεσης πελάτη ```mermaid sequenceDiagram participant Page as Your Page participant SR as SignalR Client participant Hub as /hub/mock participant BG as Background Service Page->>SR: new HubConnectionBuilder()
.withUrl('/hub/mock') Page->>SR: connection.start() SR->>Hub: WebSocket connection Hub-->>SR: Connected ✓ SR-->>Page: Trigger 'connected' event Page->>SR: invoke('SubscribeToContext', 'weather') SR->>Hub: SubscribeToContext('weather') Hub->>Hub: Add to 'weather' group Hub-->>SR: on('Subscribed', {context: 'weather'}) SR-->>Page: Display "Subscribed" loop Every 5 seconds BG->>Hub: Broadcast to 'weather' group Hub->>SR: on('DataUpdate', {data, timestamp}) SR->>Page: Update UI with new data end Page->>SR: invoke('UnsubscribeFromContext', 'weather') SR->>Hub: UnsubscribeFromContext('weather') Hub->>Hub: Remove from 'weather' group ``` **Ρύθμιση της σύνδεσης:** ```javascript const connection = new signalR.HubConnectionBuilder() .withUrl('/hub/mock') .withAutomaticReconnect() .build(); connection.on('DataUpdate', (message) => { // message.context: which context sent this // message.data: the actual JSON payload // message.timestamp: Unix timestamp in milliseconds }); await connection.start(); ``` **Υπογραφή για τη λήψη δεδομένων:** ```javascript await connection.invoke('SubscribeToContext', 'my-context-name'); ``` **Μη εγγραφή κατά την ολοκλήρωση:** ```javascript await connection.invoke('UnsubscribeFromContext', 'my-context-name'); ``` Η σελίδα demo χειρίζεται όλα αυτά αυτόματα, αλλά αυτά τα τρία πρότυπα είναι όλα όσα χρειάζεστε για μια προσαρμοσμένη εφαρμογή. ## Περιπτώσεις Πρακτικής Χρήσης Εδώ είναι μερικά σενάρια όπου αυτό το εργαλείο πραγματικά λάμπει: **1. Κτίριο UIs πριν APIs Exist** Είστε εργάζονται σε ένα ταμπλό και η ομάδα backend εξακολουθεί να σχεδιάζει το σχήμα API. Αντί να μπλοκάρει την εργασία τους, περιγράψτε τη δομή δεδομένων που περιμένετε και να χτίσει UI σας ενάντια στο ρεύμα mock. Όταν το πραγματικό API είναι έτοιμο, απλά θα ανταλλάξετε το τελικό σημείο. **2. Διαδηλώσεις πελατών** Υποβιβάζετε ένα ζωντανό ταμπλό παρακολούθησης σε έναν πελάτη, αλλά ο πραγματικός αγωγός δεδομένων δεν είναι έτοιμος ακόμα. Δημιουργήστε πλαίσια που ταιριάζουν με την προγραμματισμένη δομή δεδομένων σας και εμφανίστε ρεαλιστικά, αλλάζοντας δεδομένα κατά τη διάρκεια της παρουσίασης. **3. Ανάπτυξη και δοκιμή του Frontend** Χρειάζεστε ρεαλιστικά, ποικίλα δεδομένα για να ελέγξετε πώς τα διαγράμματα, πίνακες, και τα συστατικά σας χειρίζονται ενημερώσεις. Δημιουργήστε τα συμφραζόμενα με τις δομές που χρειάζεστε και αναπτύξτε UI σας με εμπιστοσύνη ότι χειρίζεται τα πρότυπα δεδομένων του πραγματικού κόσμου. **4. Δοκιμασία φορτίου γνωρίσματα πραγματικού χρόνου** Θέλετε να δείτε πώς λειτουργεί το UI σας κάτω από γρήγορες ενημερώσεις. Δημιουργήστε ένα πλαίσιο υψηλής συχνότητας και παρακολουθήστε πώς τα στοιχεία σας χειρίζονται τη ροή των δεδομένων. **5. Διδάσκοντας WebSockets και Real-Time Concepts** Διδάσκετε έννοιες SignalR ή WebSocket και θέλετε οι μαθητές να δουν ενημερώσεις σε πραγματικό χρόνο χωρίς να χτίσουν ένα πλήρες backend. Το demo παρέχει ένα παράδειγμα εργασίας με το οποίο μπορούν να πειραματιστούν και να μάθουν. ## Παραδείγματα Γρήγορης Έναρξης Εξηγήθηκαν Τα πέντε προ-ρυθμισμένα παραδείγματα δείχνουν διαφορετικά κοινά πρότυπα δεδομένων: **Αισθητήρες IoTName**: Αριθμητικές ενδείξεις αισθητήρων με μεταδεδομένα συσκευής **Χρηματιστηριακή αγορά**: Οικονομικά στοιχεία με τιμές, όγκους και εκατοστιαίες μεταβολές **Διαταγές ηλεκτρονικού εμπορίου**: Προτεινόμενα αντικείμενα με συστοιχίες στοιχείων παραγγελίας **Μετρικός εξυπηρετητήςName**: Παρακολούθηση συστήματος με πολλαπλές μετρήσεις απόδοσης **Παιχνίδια Leaderboard**: Κατατάξεις παίκτη με στατιστικά και καταστάσεις Κάντε κλικ στην έναρξη, παρακολουθήστε τα δεδομένα, και να τα χρησιμοποιήσετε ως πρότυπα για τα δικά σας συμφραζόμενα. ## API Endpoints for Integration Εάν φτιάχνετε ένα προσαρμοσμένο πελάτη ή το ενσωματώνετε σε άλλη εφαρμογή, ορίστε τα τελικά σημεία HTTP: **Δημιουργία ενός πλαισίου:** ```bash curl -X POST http://localhost:5116/api/mock/contexts \ -H "Content-Type: application/json" \ -d '{"name": "sensors", "description": "Temperature sensors with device ID and readings"}' ``` **Κατάλογος όλων των συμφρασμάτων:** ```bash curl http://localhost:5116/api/mock/contexts ``` **Πάρτε ένα συγκεκριμένο πλαίσιο:** ```bash curl http://localhost:5116/api/mock/contexts/sensors ``` **Εκκίνηση ή διακοπή της παραγωγής δεδομένων:** ```bash curl -X POST http://localhost:5116/api/mock/contexts/sensors/start curl -X POST http://localhost:5116/api/mock/contexts/sensors/stop ``` **Διαγραφή πλαισίου:** ```bash curl -X DELETE http://localhost:5116/api/mock/contexts/sensors ``` Μετά τη δημιουργία ενός πλαισίου, συνδεθείτε με τον κόμβο SignalR στο `/hub/mock` και να εγγραφείτε για να αρχίσετε να λαμβάνετε ενημερώσεις. ## Πώς λειτουργεί η γενιά LLM Όταν δημιουργείτε ένα πλαίσιο, το σύστημα: 1. Παίρνει την περιγραφή σου. 2. Κατασκευάζει μια ειδοποίηση που περιλαμβάνει τυχαία (σπόροι GUID + χρονοσφραγίδα για ποικιλία) 3. Ζητά από το LLM να δημιουργήσει την κατάλληλη JSON που ταιριάζει με την περιγραφή σας 4. Επικυρώνει την απάντηση είναι πραγματικό JSON (διαδρομές σήμανσης αν χρειαστεί) 5. Συγκρατεί πολλαπλές απαντήσεις για γρήγορη παράδοση 6. Δημιουργεί περισσότερα στο παρασκήνιο για να κρατήσει την κρύπτη γεμάτη Η θερμοκρασία ορίζεται σε 1.2 (σχετικά υψηλή) για να εξασφαλιστεί η ποικιλία. Όταν ζητάτε "στοιχεία χρήστη," παίρνετε διαφορετικά ονόματα και τιμές κάθε φορά, όχι τα ίδια λίγα ανακυκλωμένα ατελείωτα. ## Απόδοση και Smart Caching Η παραγωγή δεδομένων συμβαίνει στο παρασκήνιο, όχι κατά παραγγελία ανά ώθηση. Αυτό κρατά τις ενημερώσεις συνεπείς και μειώνει το φορτίο LLM. Ακούστε πώς λειτουργεί: - Κατά την εκκίνηση, το σύστημα προ-γεμίζει μια κρύπτη με απαντήσεις για κάθε ενεργό πλαίσιο - Μετρά το πόσο διαρκεί η γενιά (πες, 500ms ανά αίτηση) - Υπολογίζει το βέλτιστο μέγεθος παρτίδας: χρονικό διάστημα παραγωγής ÷ (5000ms ÷ 500ms = 10 στοιχεία) - Δημιουργεί παρτίδες στο παρασκήνιο για να κρατήσει την κρύπτη ψηλά - Όταν είναι ώρα να σπρώξεις, τραβάει αμέσως από την κρύπτη. Αποτέλεσμα: Το πρώτο σας μήνυμα φτάνει αμέσως, τα επόμενα μηνύματα έρχονται σταθερά κάθε 5 δευτερόλεπτα, και η LLM δεν σφυροκοπήται συνεχώς. ### Η Έξυπνη Ροή Φύλαξης ```mermaid graph LR subgraph Startup A[App Starts] --> B[Pre-fill Cache] B --> C[Measure Gen Time
500ms] C --> D[Calculate Batch
5000ms / 500ms = 10] end subgraph Runtime Loop E[Timer Tick
Every 5s] --> F{Cache > 50%?} F -->|Yes| G[Pop from Cache] F -->|No| H[Generate Batch
in Background] G --> I[Push to Clients] H --> J[Refill Cache] J --> G I --> E end D --> E style B stroke:#10b981,stroke-width:3px style G stroke:#0ea5e9,stroke-width:3px style H stroke:#ef4444,stroke-width:3px style I stroke:#f59e0b,stroke-width:3px ``` ## Αντιμετώπιση των κοινών ζητημάτων **Η σύνδεση δείχνει "αποσύνδεση" και δεν επανασυνδέεται** - Ελέγξτε ότι η υπηρεσία σας LLM (Ollama/OpenAI) εκτελείται - Προκαθορισμένη διαμόρφωση αναμένει Ollama σε `http://localhost:11434` - Τρέξε. `ollama list` για να επαληθεύσετε ότι έχετε εγκατεστημένα μοντέλα - Ελέγξτε την κονσόλα προγράμματος περιήγησης για τα σφάλματα σύνδεσης SignalR **Πλαίσιο που δημιουργήθηκε αλλά δεν εμφανίζονται δεδομένα** - Κοιτάξτε τον πίνακα Active Context είναι το πλαίσιο που δείχνει το "Active"; - Κάντε κλικ στο κουμπί Σύνδεση αν δεν έχετε εγγραφεί ακόμα - Επιβεβαίωση της κατάστασης σύνδεσης δείχνει πράσινο (συνδεδεμένο) στον πίνακα Ζωντανών Δεδομένων - Ελέγξτε τα αρχεία καταγραφής διακομιστή για να δείτε αν η γενιά LLM λειτουργεί **Η δομή των δεδομένων δεν ταιριάζει με αυτό που περιμένατε.** - Κάντε την περιγραφή σας πιο συγκεκριμένη και σκυρόδεμα - Παράδειγμα: "θερμοκρασία ως αριθμός μεταξύ 0 και 100" λειτουργεί καλύτερα από ό, τι ακριβώς "θερμοκρασία" - Δοκίμασε να επαναδιατυπώσεις την περιγραφή σου αυτό είναι άμεση μηχανική στο χώρο εργασίας - Έλεγχος των παραγόμενων δεδομένων και βελτίωση της περιγραφής σας με βάση αυτό που βλέπετε **Η κονσόλα προγράμματος περιήγησης δείχνει απόπειρες επανασύνδεσης Signer** - Το σύστημα υποστήριξης μπορεί να μην τρέχει. Έλεγξε το τερματικό σου. - Μπορεί να αλλάξατε το URL του κόμβου Signer, αν χρειαστεί. - Ελέγξτε για θέματα τείχους προστασίας ή δικτύου (ιδιαίτερα σε περιβάλλοντα Docker/WSL) ## Επιλογές ρύθμισης Μπορείτε να προσαρμόσετε τη συμπεριφορά σε `appsettings.json`: ```json { "MockLlmApi": { "SignalRPushIntervalMs": 5000, // How often to push data (milliseconds) "ModelName": "llama3", // Which LLM model to use "Temperature": 1.2, // Creativity level (0.0-2.0, higher = more varied) "BaseUrl": "http://localhost:11434", // LLM service URL "HubContexts": [ // Optional: pre-configured contexts { "Name": "weather", "Description": "Weather data with temperature, humidity, wind speed", "IsActive": true } ] } } ``` **SignalRPushIntervalMs**: Ρυθμίστε χαμηλότερα για γρηγορότερες ενημερώσεις, υψηλότερη για τη μείωση του φορτίου LLM **Θερμοκρασία**: Υψηλότερες τιμές δίνουν πιο δημιουργικά/τυχαία δεδομένα, χαμηλότερη δίνει πιο συνεπή αποτελέσματα **HubContexts**: Καθορίστε τα συμφραζόμενα που ξεκινούν αυτόματα όταν η εφαρμογή ξεκινήσει ## Ενσωμάτωση με την εφαρμογή σας Αν φτιάχνετε ένα πραγματικό ταμπλό και θέλετε να το χρησιμοποιήσετε κατά τη διάρκεια της ανάπτυξης, ορίστε ένα παράδειγμα αντίδρασης: ```javascript import * as signalR from '@microsoft/signalr'; const connection = new signalR.HubConnectionBuilder() .withUrl('http://localhost:5116/hub/mock') .withAutomaticReconnect() .build(); connection.on('DataUpdate', (message) => { if (message.context === 'stock-market') { updateStockChart(message.data); } }); await connection.start(); await connection.invoke('SubscribeToContext', 'stock-market'); ``` Όταν είστε έτοιμοι να μεταβείτε στην παραγωγή, απλά αλλάξτε το URL κόμβου. Η διεπαφή Signer (`on()` και `invoke()`) λειτουργεί με τον ίδιο τρόπο με την πραγματική backends. ## Γιατί το Κατασκευάζετε αυτό; Υπάρχουν καλές ψεύτικες βιβλιοθήκες δεδομένων εκεί έξω. Faker.js είναι εξαιρετική. Mockaroo κάνει μεγάλη δουλειά. Το εργαλείο αυτό λύνει συγκεκριμένες προκλήσεις: 1. **Ρεύμα σε πραγματικό χρόνο**: Τα περισσότερα εργαλεία σας δίνουν στατικά σύνολα δεδομένων ή REST τελικά σημεία, όχι ζωντανές ροές WebSocket 2. **Διασύνδεση φυσικής γλώσσας**: Περιγράψτε τι θέλετε αντί να γράψετε schemas JSON 3. **Περιστασιακά κατάλληλα δεδομένα**: LLMs δημιουργούν ρεαλιστικές τιμές που βγάζουν νόημα μαζί, όχι μόνο τυχαίες συμβολοσειρές που τυχαίνει να ταιριάζουν σε έναν τύπο 4. **Αυτόματη τεκμηρίωση**: Η περιγραφή είναι η τεκμηρίωση για τη δομή των δεδομένων σας 5. **Ευέλικτη δομή**: Αλλάξτε το μοντέλο δεδομένων σας μέσα-ανάπτυξη χωρίς την ενημέρωση των εξαρτημάτων Είναι σχεδιασμένο για μια συγκεκριμένη ροή εργασίας: οικοδόμηση σε πραγματικό χρόνο UIs όταν χρειάζεστε ποικίλα, ρεαλιστικά δεδομένα χωρίς διαμόρφωση από πάνω. ## Ξεκίνησις Ο καλύτερος τρόπος για να καταλάβετε αυτό το εργαλείο είναι να το χρησιμοποιήσετε: 1. Έναρξη της εφαρμογής: `dotnet run --project LLMApi` 2. Ανοίξτε το πρόγραμμα περιήγησής σας στο `http://localhost:5116` 3. Κάντε κλικ σε ένα από τα πράσινα κουμπιά "Launch" 4. Παρακολουθήστε το ρεύμα δεδομένων Από εκεί, προσπαθήστε να δημιουργήσετε το δικό σας πλαίσιο με μια περιγραφή που ταιριάζει στις ανάγκες του έργου σας. Το έφτιαξα αυτό επειδή συνέχιζα να τρέχω στο ίδιο πρόβλημα: χρειάζομαι ρεαλιστικά, αλλάζοντας δεδομένα για ντέμο και ανάπτυξη. Αν αντιμετωπίσετε αυτή την πρόκληση επίσης, ελπίζω αυτό το εργαλείο να βοηθήσει τη ροή της εργασίας σας. --- ## Γρήγορη αναφορά **Ξεκινώντας:** ```bash dotnet run --project LLMApi ``` **Προκαθορισμένο URL:** `http://localhost:5116` **Signer Hub:** `/hub/mock` **Βασικές μέθοδοι:** - `SubscribeToContext(name)` - Άρχισε να λαμβάνεις δεδομένα - `UnsubscribeFromContext(name)` - Σταματήστε να λαμβάνετε δεδομένα **Γεγονότα-κλειδιά:** - `DataUpdate` - Έφτασαν νέα δεδομένα. - `Subscribed` - Επιβεβαιώθηκε η συνδρομή - `Unsubscribed` - Επιβεβαιώθηκε η ανυπόγραφη περιγραφή. Τα υπόλοιπα είναι απλά να εξερευνήσεις τι μπορείς να φτιάξεις μ' αυτό.