پروژه کاملاً رایگان: ادغام OpenAI و Firebase برای مدیریت کاربران و پشتیبانی در وردپرس
شروع کار با ادغام OpenAI و Firebase در وردپرس
در این بخش، هدف اصلی ما معرفی پروژه و ابزارهای پایهای است. ادغام OpenAI و Firebase به شما امکان میدهد تا بهصورت کاملاً رایگان، کاربران خود را مدیریت کرده و پشتیبانی هوشمند ارائه دهید. ابزارهای مورد نیاز شامل وردپرس ۶.۰ یا بالاتر، افزونه چتبات صوتی بر پایه Whisper و GPT‑۴، Firebase CLI، و OpenAI API key میشود. در ادامه، مراحل نصب را بهصورت گامبهگام توضیح میدهیم.
ابتدا، یک پروژه Firebase جدید در کنسول Firebase ایجاد کنید و سرویسهای Authentication، Firestore، و Storage را فعال کنید. سپس، API key و Project ID را در فایل wp-config.php
در مرحله بعد، افزونه مورد نظر را نصب و فعال کنید. اگر افزونهای خاص ندارید، میتوانید یک پلاگین سفارشی با استفاده از پلاگین هوش مصنوعی برای ایجاد محتوای تصویری به صورت خودکار در وردپرس بسازید. این افزونه، از Firebase Auth برای احراز هویت و OpenAI برای پاسخگویی استفاده میکند.
در نهایت، تنظیمات اولیه را در بخش تنظیمات افزونه وارد کنید: FIREBASE_API_KEY، FIREBASE_PROJECT_ID، و OPENAI_API_KEY
نصب و راهاندازی Firebase و OpenAI در وردپرس
راهاندازی Firebase CLI و اتصال به وردپرس
برای ارتباط وردپرس با Firebase، ابتدا باید Firebase CLI را نصب کنید. دستور زیر را در ترمینال خود اجرا کنید:
npm install -g firebase-tools
firebase login
firebase init
در گزینههای init، Firestore، Auth و Storage را انتخاب کنید. پس از اتمام، فایل .firebaserc و firebase.json
پیکربندی افزونه وردپرس برای استفاده از Firebase
در فایل functions.php
require_once 'vendor/autoload.php';
use KreaitFirebaseFactory;
$factory = (new Factory)
->withServiceAccount(__DIR__.'/firebase-adminsdk.json')
->withDatabaseUri('https://{PROJECT_ID}.firebaseio.com');
$auth = $factory->createAuth();
$firestore = $factory->createFirestore();
حالا میتوانید با استفاده از $auth کاربران را ثبت و احراز هویت نمایید. برای ذخیرهسازی دادههای چت، از $firestore
یکپارچهسازی OpenAI API
در همان فایل، کلید API OpenAI را تعریف کنید و یک تابع ساده برای ارسال درخواست به مدل GPT-4 Turbo ایجاد کنید:
define('OPENAI_API_KEY', 'sk-...');
function call_gpt4($prompt) {
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, 'https://api.openai.com/v1/chat/completions');
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_HTTPHEADER, [
'Content-Type: application/json',
'Authorization: Bearer '.OPENAI_API_KEY
]);
$data = [
'model' => 'gpt-4-turbo',
'messages' => [['role' => 'user', 'content' => $prompt]],
'max_tokens' => 150
];
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data));
$response = curl_exec($ch);
curl_close($ch);
return json_decode($response, true);
}
اکنون تابع call_gpt4
تنظیم احراز هویت و مدیریت کاربران با Firebase Auth
در این بخش، نحوه استفاده از Firebase Auth برای جایگزینی پلاگینهای احراز هویت وردپرس بررسی میشود. ابتدا، در صفحه ورود وردپرس، کد زیر را جایگزین فرم ورود معمولی کنید:
<
پاسخگویی سریع با ChatGPT در زمان واقعی
برای ایجاد تجربهای تعاملی در سایت وردپرس، میتوان از مدلهای GPT‑۴ برای پاسخگویی به سؤالات بازدیدکنندگان بهره گرفت. این بخش بهصورت گامبهگام نشان میدهد چگونه میتوان یک endpoint REST سفارشی در وردپرس ایجاد کرد که درخواستهای چت را به OpenAI ارسال کند و پاسخ را در زمان واقعی برگرداند.
ابتدا در پوشهی child‑theme یا plugin خود، فایل chatgpt-endpoint.php
add_action('rest_api_init', function () {
register_rest_route('chatgpt/v1', '/ask', [
'methods' => 'POST',
'callback' => 'handle_chatgpt_request',
'permission_callback' => '__return_true',
]);
});
function handle_chatgpt_request(WP_REST_Request $request) {
$body = $request->get_json_params();
$prompt = sanitize_textarea_field($body['prompt']);
$response = wp_remote_post('https://api.openai.com/v1/chat/completions', [
'headers' => [
'Authorization' => 'Bearer ' . OPENAI_API_KEY,
'Content-Type' => 'application/json',
],
'body' => json_encode([
'model' => 'gpt-4',
'messages' => [['role' => 'user', 'content' => $prompt]],
'max_tokens' => 150,
]),
]);
return wp_remote_retrieve_body($response);
}
سپس در قالب خود، از fetch API برای ارسال درخواست استفاده کنید.
fetch('/wp-json/chatgpt/v1/ask', {
method: 'POST',
headers: {'Content-Type': 'application/json'},
body: JSON.stringify({prompt: userInput})
})
.then(r => r.text())
.then(console.log);
این کد بهصورت ساده یک endpoint ایجاد میکند که میتواند در تمام صفحات وبسایت فراخوانی شود. با افزودن فیلترهای امنیتی مانند wp_nonce_field
بهدست آوردن پاسخ سریعتر میتواند با استفاده از کش در وردپرس (مثلاً wp_cache_set
پشتیبانی چندزبانه با ترجمه خودکار
یکپارچهسازی Google Translate API
برای سایتهای چندزبانه، ترجمهی خودکار پاسخهای مدل GPT‑۴ میتواند کاربران را درک بهتر کند. ابتدا یک کلید API Google Cloud Translation دریافت کنید و سپس در وردپرس آن را ذخیره کنید.
کد زیر را در فایل functions.php
function translate_text($text, $target_lang = 'fa') {
$response = wp_remote_post('https://translation.googleapis.com/language/translate/v2', [
'headers' => [
'Authorization' => 'Bearer ' . GOOGLE_TRANSLATE_KEY,
'Content-Type' => 'application/json',
],
'body' => json_encode([
'q' => $text,
'target' => $target_lang,
]),
]);
$body = json_decode(wp_remote_retrieve_body($response), true);
return $body['data']['translations'][0]['translatedText'] ?? $text;
}
سپس در endpoint قبلی، پس از دریافت پاسخ از OpenAI، آن را ترجمه کنید.
$gpt_response = json_decode(wp_remote_retrieve_body($response), true)['choices'][0]['message']['content'];
$translated = translate_text($gpt_response);
return $translated;
در نهایت، در قالب خود، زبان مقصد را از تنظیمات وردپرس یا پارامتر URL استخراج کنید و آن را به تابع translate_text پاس دهید.
بهینهسازی تجربه کاربری
برای جلوگیری از تاخیر در نمایش پاسخ، میتوانید از WebSocket یا Server‑Sent Events استفاده کنید. در این حالت، پاسخ در حین پردازش به کاربر ارسال میشود و تجربهای روانتری ایجاد میکند.
وضعیت درخواستها و مانیتورینگ در Firebase
برای پیگیری درخواستهای چت و تشخیص مشکلات، میتوان هر درخواست را در Firestore ذخیره کرد. این کار بهصورت زیر انجام میشود.
function log_chat_request($user_id, $prompt, $response) {
$db = FirebaseFirestoreFirestoreClient::getInstance();
$doc = $db->collection('chat_logs')->document();
$doc->set([
'user_id' => $user_id,
'prompt' => $prompt,
'response' => $response,
'timestamp'=> new GoogleCloudCoreTimestamp(),
]);
}
در endpoint، پس از دریافت پاسخ، این تابع را فراخوانی کنید.
log_chat_request(get_current_user_id(), $prompt, $gpt_response);
این لاگها در کنسول Firebase قابل مشاهدهاند و میتوان بر اساس معیارهای مختلف (مثلاً زمان پاسخدهی بیش از ۵ ثانیه) هشدارهای Cloud Functions تنظیم کرد.
بهینهسازی مصرف API با کش و محدودیت نرخ
استفاده از caching و rate limiting میتواند هزینههای OpenAI را کاهش دهد. در زیر یک جدول مقایسهی راهکارهای مختلف آورده شده است.
| روش | مزایا | معایب |
|---|---|---|
| کش محلی در وردپرس | سرعت بالا، هزینه صفر | محدود به همان پرسش |
پاسخگویی با پردازش متن بلند در چتبات
در پروژههای وردپرس، اکثر درخواستها شامل متنی کوتاه یا پرسشهای ساده هستند. اما در موقعیتهای پیچیدهتر، مانند توضیح جزئیات فنی یا ارائه راهنمایی گامبهگام، نیاز به پردازش متن بلند داریم. برای این منظور میتوان از مدلهای GPT‑۴ Turbo یا GPT‑۳.۵ Turbo استفاده کرد و درخواست را به صورت دستهبندیشده (chunked) ارسال نمود.
مراحل ساده برای پیادهسازی عبارتند از:
- متن ورودی را به بخشهای ۴۰۰ کلمهای تقسیم کنید.
- هر بخش را به صورت جداگانه به API ارسال کنید.
- تمام پاسخها را در یک آرایه ذخیره و پس از دریافت همه، به صورت یکپارچه نمایش دهید.
کد نمونه در وردپرس با استفاده از wp_remote_post:
function send_chunked_request( $text ) {
$chunks = str_split( $text, 400 );
$responses = [];
foreach ( $chunks as $chunk ) {
$body = [
'model' => 'gpt-4-turbo',
'messages' => [
['role' => 'user', 'content' => $chunk]
]
];
$resp = wp_remote_post( 'https://api.openai.com/v1/chat/completions', [
'headers' => [
'Authorization' => 'Bearer ' . OPENAI_API_KEY,
'Content-Type' => 'application/json'
],
'body' => wp_json_encode( $body )
]);
$data = json_decode( wp_remote_retrieve_body( $resp ), true );
$responses[] = $data['choices'][0]['message']['content'];
}
return implode( ' ', $responses );
}
این روش نه تنها باعث افزایش دقت پاسخ میشود بلکه مصرف API را نیز بهینه میکند؛ چون هر بخش کوتاهتر است و احتمال خطا کمتر میشود.
مدیریت نشستهای چت با Firebase Realtime Database
برای ایجاد تجربه چت مستمر، لازم است نشستهای کاربر را ذخیره کنیم. Firebase Realtime Database (RTDB) به دلیل سرعت بالای خواندن/نوشتن، گزینه مناسبی است. در این بخش، نحوه ایجاد، ذخیره و بازیابی نشستهای چت را بررسی میکنیم.
ساختار داده در RTDB
هر نشست با یک شناسه یکتا (UUID) ایجاد میشود و در مسیر /sessions/{uuid} ذخیره میشود. ساختار پیشنهادی به صورت زیر است:
{
"user_id": "uid123",
"created_at": "2024-11-13T12:00:00Z",
"messages": [
{ "role": "user", "content": "سلام" },
{ "role": "assistant", "content": "سلام! چطور میتوانم کمک کنم؟" }
]
}
کد ذخیرهسازی در وردپرس
از کتابخانه firebase/php-jwt برای احراز هویت استفاده میکنیم و سپس با SDK Firebase برای PHP، داده را ذخیره میکنیم.
require 'vendor/autoload.php';
use KreaitFirebaseFactory;
$factory = (new Factory)
->withServiceAccount( __DIR__.'/firebase_credentials.json' );
$database = $factory->createDatabase();
$sessionId = wp_generate_password( 12, false );
$sessionData = [
'user_id' => $user_id,
'created_at'=> gmdate( 'c' ),
'messages' => $messages
];
$database->getReference( "sessions/{$sessionId}" )->set( $sessionData );
برای بازیابی نشست، کافیست شناسه را از کوکی یا localStorage خوانده و با getReference درخواست کنید. این روش بهصورت real-time بهروزرسانی میشود و میتواند در افزونههای چتباوت استفاده شود.
بهینهسازی مصرف API با استفاده از Cache در Redis
هر درخواست به OpenAI هزینه دارد؛ بنابراین، caching پاسخها میتواند بهطور چشمگیری مصرف را کاهش دهد. Redis، بهعنوان یک حافظه درونسرور، گزینهای عالی برای این کار است.
| روش | زمان پاسخ | هزینه |
|---|---|---|
| بدون cache | 2-3 ثانیه | زیاد |
| Cache ساده (فقط کلید) | ۰.۱ ثانیه | متوسط |
| Cache پیشرفته (بارگذاری مجدد در ۵ دقیقه) | ۰.۰۵ ثانیه | کم |
برای پیادهسازی، ابتدا Redis را روی سرور نصب و سپس در وردپرس از افزونه Redis Object Cache
function cache_openai_response( $key, $response, $ttl = 300 ) {
$redis = new Redis();
$redis->connect( '127.0.0.1', 6379 );
$redis->setex( $key, $ttl, json_encode( $response ) );
}
function get_cached_response( $key ) {
$redis = new Redis();
$redis->connect( '127.0.0.1', 6379 );
$cached = $redis->get( $key );
return $cached ? json_decode( $cached, true ) : null;
}
در زمان ارسال درخواست، ابتدا کلید هش (مثلاً md5( $user_query )) را بررسی میکنیم
ادغام سیستمهای پرداخت و فاکتورگیری با Firebase و Stripe
پس از راهاندازی احراز هویت، گام بعدی ایجاد یک تجربه خرید ایمن برای کاربران است. با استفاده از Firebase Cloud Functions میتوان بهصورت سرورلس، درخواستهای پرداخت را به Stripe ارسال کرد و فاکتورهای الکترونیکی را در Firestore ذخیره نمود. این روش نهتنها امنیت را تضمین میکند بلکه مقیاسپذیری بالایی نیز دارد.
در ابتدا، یک حساب Stripe ایجاد کنید و کلیدهای secret و publishable را در بخش Secrets Manager Firebase قرار دهید. سپس در فایل functions/index.js یک تابع ساده ایجاد کنید که بهصورت HTTP trigger عمل میکند:
const stripe = require('stripe')(functions.config().stripe.secret);
exports.createPayment = functions.https.onRequest(async (req, res) => {
const { amount, currency, token } = req.body;
try {
const charge = await stripe.charges.create({
amount,
currency,
source: token,
description: 'Purchase from WP site'
});
await admin.firestore().collection('payments').add({
uid: req.user.uid,
amount,
currency,
status: 'paid',
createdAt: admin.firestore.FieldValue.serverTimestamp()
});
res.json({ success: true, chargeId: charge.id });
} catch (err) {
res.status(500).json({ error: err.message });
}
});
در کلاینت WordPress، از افزونه WP REST API برای فراخوانی این تابع استفاده کنید. پس از تایید پرداخت، یک ایمیل فاکتور بهصورت خودکار از طریق SendGrid (یا همان SMTP داخلی) ارسال میشود.
نکته مهم: حتماً از HTTPS برای همه ارتباطات استفاده کنید و در Firestore قوانین امنیتی را بهگونهای تنظیم کنید که فقط کاربرانی که پرداخت انجام دادهاند، بتوانند فاکتورهایشان را مشاهده کنند.
پشتیبانی از چت صوتی با Whisper و ذخیرهسازی در Cloud Storage
تنظیمات اولیه Whisper در سرور
Whisper مدلهای OpenAI برای تبدیل گفتار به متن است. برای استفاده از آن در وردپرس، ابتدا یک Python virtual environment ایجاد کنید و کتابخانههای لازم را نصب کنید:
python -m venv whisper-env
source whisper-env/bin/activate
pip install openai-whisper
سپس یک اسکریپت ساده بنویسید که فایل صوتی را دریافت کرده و متن خروجی را برمیگرداند. خروجی میتواند در یک فایل JSON در Firebase Cloud Storage ذخیره شود تا در آینده برای تحلیل یا بهبود مدل استفاده شود.
یکپارچهسازی با افزونه چت صوتی وردپرس
افزونهای مانند WP Voice Chat را نصب کنید و در تنظیمات آن، URL تابع Python را وارد کنید. پس از ضبط صدا توسط کاربر، فایل به سرور ارسال میشود، Whisper متن را استخراج کرده و به GPT‑۴ ارسال میشود تا پاسخ تولید گردد. خروجی نهایی در همان صفحه چت نمایش داده میشود.
مثال کد PHP برای فراخوانی API Whisper:
function whisper_transcribe($audio_path) {
$curl = curl_init();
curl_setopt_array($curl, [
CURLOPT_URL => 'https://your-python-server/whisper',
CURLOPT_POST => true,
CURLOPT_POSTFIELDS => ['file' => new CURLFile($audio_path)],
CURLOPT_RETURNTRANSFER => true
]);
$response = curl_exec($curl);
curl_close($curl);
return json_decode($response, true)['transcript'];
}
این روش امکان چت صوتی بدون نیاز به افزونههای سنگین را فراهم میکند و هزینههای سرور را کاهش میدهد.
مدیریت اعلانهای فوری با Firebase Cloud Messaging (FCM)
برای ارتباط سریع با کاربران، استفاده از Firebase Cloud Messaging (FCM) یک گزینه عالی است. با این سرویس میتوانید پیامهای push را به دستگاههای موبایل یا مرورگرهای وب ارسال کنید.
- در کنسول Firebase، بخش Cloud Messaging را فعال کنید.
- کلید سرور (Server Key) و Sender ID را در تنظیمات WordPress ذخیره کنید.
- با استفاده از پلاگین WP-FCM یا کدنویسی سفارشی، توکن دستگاههای کاربر را در Firestore ذخیره کنید.
- در هنگام رخداد مهم (مثلاً پاسخ جدید چت یا پرداخت موفق)، یک Cloud Function فراخوانی کنید که پیام push را به توکنهای ذخیرهشده ارسال کند.
نمونه کد Cloud Function برای ارسال push:
exports.sendPush = functions.firestore.document('notifications/{docId}')
.onCreate(async (snap, context) => {
const payload = snap.data();
await admin.messaging().sendToDevice(payload.tokens, {
notification: {
title: payload.title,
body: payload.body
}
});
});
استفاده از FCM باعث افزایش تعامل کاربران و کاهش نرخ ردیابی خروجی میشود.
تجزیه و تحلیل دادههای چت با BigQuery و Data Studio
برای بهینهسازی تجربه کاربری، تحلیل دقیق دادههای چت ضروری است. بهجای ذخیرهسازی ساده در Firestore، میتوانیم از BigQuery برای تجزیه و تحلیل بزرگ مقیاس استفاده کنیم.
از طریق Firebase Extensions، یک افزونه Firestore to BigQuery Export را نصب کنید تا هر سند جدید در Firestore بهصورت خودکار در BigQuery اضافه شود. سپس با استفاده از Google Data Studio داشبوردهای تعاملی ایجاد کنید که شامل معیارهای مهم مانند زمان پاسخ، تعداد گفتوگو، نرخ تبدیل پرداخت و … باشند.
یک مثال ساده برای استخراج تعداد گفتوگوهای روزانه در BigQuery:
<
دیدگاه
دیدگاه ها غیر فعال است