condo_gpt

Eigentumswohnung GPT

Video

Condo GPT ist ein intelligenter Assistent für die Abfrage und Analyse von Eigentumswohnungsdaten in Miami. Es verwendet natürliche Sprachverarbeitung, um Benutzerfragen zu interpretieren und Einblicke in Eigentumswohnungsgebäude, Einheiten, Verkäufe und Markttrends zu geben. Stellen Sie sich eine Stichprobe der Condo Cube -Datenbank zur Verfügung, mit der Daten in den folgenden Märkten abfragen können:

• Südstrand
• Miami Beach
• Südlich von fünften

Ziel ist es, Immobilienmakler und Investoren, die nicht technisch sind, einfach und schnell hochrangige Analysen und Vergleiche von Eigentumswohnungen in Miami durchzuführen und ihre Investitionsentscheidungen durchzuführen. Derzeit wird dieser Job von Analysten ausgeführt, die ein Gehalt bezahlt werden. So haben Tools wie diese das Potenzial, Maklertausende von Dollar pro Monat im Gehalt zu sparen.

Holen Sie sich einen KI -Ingenieurjob | Beitragen

Ich habe dies als Portfolio -Projekt verwendet, um meinen ersten KI -Ingenieurjob zu erhalten. Ich habe einige Probleme aufgelistet, die Sie für Verbesserungen des Tools lösen oder einreichen können. Open -Source -Beiträge sind eine sehr gute Möglichkeit, KI -Jobs zu erhalten, da Technologien wie Langchain so neu sind und viele Unternehmen derzeit keine Berufserfahrung mit ihnen benötigen.

Bitte zögern Sie nicht, eine Pull -Anfrage einzureichen.

Merkmale

• Natürliche Sprachschnittstelle zum Abfragen von Eigentumswohnungsdaten
• Integration mit Google Maps API für standortbasierte Abfragen
• Dynamische SQL -Generation für komplexe Datenbankabfragen
• Interaktive Karten und Diagramme für die Datenvisualisierung
• PDF -Berichtserzeugungsfähigkeit

Technologien verwendet

• Python 3.x
• Flask Web Framework
• PostgreSQL -Datenbank
• Langchain & Langgraph Agents
• OpenAIs GPT -Modelle für das Verständnis der natürlichen Sprache
• Google Maps API für Geokodierung und Anweisungen
• Diagramm.js für die Datenvisualisierung
• ReportLab für die PDF -Generation

Aufstellen

1. Klonen Sie das Repository
2. Bereiten Sie die Umgebung und Datenbank vor

• virtualenv gpt_env
• Melden Sie sich bei PSQL als Superuser an (sudo -u postgres psql unter Linux)
• CREATE DATABASE condo_gpt ; CREATE USER readonly_user WITH PASSWORD 'password'; GRANT CONNECT ON DATABASE condo_gpt TO readonly_user; GRANT USAGE ON SCHEMA public TO readonly_user; GRANT SELECT ON ALL TABLES IN SCHEMA public TO readonly_user; ALTER DEFAULT PRIVILEGES IN SCHEMA public GRANT SELECT ON TABLES TO readonly_user; q

3. Bearbeiten Sie Ihre Datei gpt_env/bin/activate und fügen Sie die folgenden Umgebungsvariablen hinzu

• GPLACES_API_KEY : Ihre Google platziert die API -Schlüssel
• OPENAI_API_KEY : Ihre OpenAI -API -Schlüssel
• FLASK_SECRET : Flask Secret -Phrase (kann jede Zeichenfolge sein)
• PG_USER : Ihr Postgres -Benutzer, den Sie oben eingerichtet haben
• PG_PASSWORD : Passwort für Ihren Postgres -Benutzer
• PG_PORT : Port für Ihren Postgres -Datenbankserver (Standard 5432)
• PG_DB : Name Ihrer Postgres -Datenbank

4. Richten Sie die Beispieldaten ein

• Stellen Sie sicher, dass Sie im selben Verzeichnis wie sample_db.sql sind
• psql -d condo_gpt < sample_db.sql

5. Abhängigkeiten installieren:

• source gpt_env/bin/activate
• pip install -r requirements.txt

6. Starten Sie die Anwendung python server.py

Ausführen der Anwendung

1. Starten Sie den Flask Server: python server.py
2. Öffnen Sie einen Webbrowser und navigieren Sie zu http://localhost:5000

Verwendung

• Geben Sie Fragen der natürlichen Sprache zu Miami -Eigentumswohnungen im Eingangsfeld ein
• Das System interpretiert Ihre Frage, stellt die Datenbank ab und liefert relevante Antworten
• Für standortbasierte Abfragen können interaktive Karten generiert werden
• Das System kann Diagramme und Grafiken für die Datenvisualisierung erstellen
• PDF -Berichte können für eine detailliertere Analyse erstellt werden
• Verwenden Sie die Schaltfläche "Speicher", um den Gesprächsverlauf zu löschen

Beispiel Eingabeaufforderung

• Welche Gebäude auf Collins hatten im Jahr 2023 den größten Umsatz?
• Generieren Sie ein Diagramm dieser Daten
• Legen Sie die Daten in eine HTML -Tabelle ein
• Fügen Sie eine dritte Spalte mit dem Gesamtumsatzvolumen jedes Gebäudes hinzu
• Fügen Sie eine vierte Spalte mit dem mittleren Verkaufspreis für jedes Gebäude hinzu
• Ersetzen Sie die dritte Spalte durch die nächstgelegene Schule zum Gebäude und die vierte Spalte durch die Fahrstrecke zu dieser Schule vom Gebäude

Projektstruktur

• server.py : Flask Application Server
• main.py : Kernlogik für die Verarbeitung von Fragen und das Generieren von Antworten
• tools.py : Benutzerdefinierte Tools für Datenbankabfragen und API -Interaktionen
• prefix.py : Systemmeldung Präfix für den AI -Agenten
• boilerplate.py : Boilerplate -Code für Karte und Diagrammgenerierung