Panduan untuk menggunakan pemalam ChatGPT untuk membuka kunci pengalaman Internet baharu

Pangkalan pengetahuan ChatGPT telah dilatih dengan data pada September 2021, tetapi dengan menggunakan pemalam ini, ChatGPT kini dapat mencari di web untuk mendapatkan jawapan terbaharu, sekali gus menghapuskan batasan bergantung semata-mata pada pangkalan pengetahuannya.

Baru-baru ini, OpenAI mengeluarkan ciri baharu ChatGPT: sistem pemalam. ChatGPT kini boleh mengembangkan fungsinya dan melaksanakan tugas baharu, seperti:

• Dapatkan maklumat masa nyata: contohnya, skor sukan, harga saham, berita terkini, dsb.
• Dapatkan maklumat asas pengetahuan: contohnya, dokumen syarikat, nota peribadi, dsb.
• melakukan tindakan bagi pihak pengguna: contohnya, menempah penerbangan, memesan makanan, dsb.

Pangkalan pengetahuan ChatGPT telah dilatih dengan data pada September 2021, tetapi dengan menggunakan pemalam ini, ChatGPT kini boleh mencari jawapan terkini di web, oleh itu menghapuskan batasan bergantung semata-mata pada asas pengetahuannya.

Buat pemalam tersuai

OpenAI juga membolehkan mana-mana pembangun mencipta pemalam mereka sendiri. Walaupun pembangun pada masa ini perlu menyertai senarai menunggu (https://openai.com/waitlist/plugins), fail untuk membuat pemalam sudah tersedia.

Maklumat lanjut tentang proses pemalam boleh didapati di halaman ini (https://platform.openai.com/docs/plugins/introduction).

Kod contoh boleh didapati di halaman ini (https://platform.openai.com/docs/plugins/examples).

Dokumentasi hanya menunjukkan cara penyepaduan antara API pihak ketiga dan ChatGPT berfungsi. Artikel berikut akan meneroka kerja dalaman penyepaduan ini:

“Bagaimanakah prestasi model bahasa besar tanpa latihan yang berkaitan?”

Pengenalan kepada LangChain

LangChain ialah rangka kerja untuk mencipta chatbots, menjawab soalan generatif, ringkasan dan banyak lagi

LangChain adalah oleh Harrison Chase (hwchase17) Alat yang dibangunkan pada 2022 untuk membantu pembangun menyepadukan aplikasi pihak ketiga ke dalam model bahasa besar (LLM).

Pinjam contoh yang ditunjukkan di bawah untuk menerangkan mod kerjanya:

import os
os.environ["SERPAPI_API_KEY"] = ""
os. "OPENAI_API_KEY"] = ""

dari langchain.agents import load_tools
dari langchain.agents import initialize_agent
dari langchain.llms import# OpenAIllm = OpenAI(temperature=0)

# Seterusnya, muatkan beberapa alatan untuk digunakan. Ambil perhatian bahawa alat llm-math menggunakan LLM, jadi anda perlu menghantarnya dalam
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# Akhir sekali, gunakan alatan , model bahasa dan jenis ejen yang anda mahu gunakan untuk memulakan ejen
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

# Sekarang uji
agent.run("Siapa teman lelaki Olivia Wilde? Berapakah umurnya sekarang yang dinaikkan kepada kuasa 0.23?")

Tiga bahagian utama boleh dilihat daripada contoh ini:

LLM: LLM ialah komponen teras LangChain, yang membantu ejen memahami bahasa semula jadi. Dalam contoh ini, model lalai OpenAI digunakan. Mengikut kod sumber (https://github.com/hwchase17/langchain/blob/master/langchain/llms/openai.py#L133), model lalai ialah text-davinci-003.

• Agen: Ejen menggunakan LLM untuk memutuskan tindakan yang perlu diambil dan mengikut susunan. Tindakan boleh menggunakan alat dan memerhati outputnya, atau ia boleh mengembalikan respons kepada pengguna.
• Perihalan 0-shot-react-digunakan di sini. Daripada dokumentasinya, anda boleh membaca bahawa "ejen ini menggunakan rangka kerja ReAct dan memutuskan alat yang hendak digunakan berdasarkan sepenuhnya penerangan alat ini."

Alat: Fungsi yang boleh digunakan ejen untuk berinteraksi dengan dunia. Dalam contoh ini, dua alatan digunakan:

• serpapi: pembalut di sekeliling https://serpapi.com/ API. Ia digunakan untuk melayari web.
llm-math: Membolehkan ejen menjawab soalan berkaitan matematik dalam gesaan, seperti "Berapakah umurnya sekarang dinaikkan kepada kuasa 0.23?".

Apabila skrip dijalankan, ejen melakukan beberapa perkara, seperti menyemak imbas siapa teman lelaki Olivia Wilde, mengekstrak namanya, bertanya umur Harry Style, melakukan carian dan menggunakan llm-math Alat mengira 29^0.23, iaitu 2.16.

Kelebihan terbesar LangChain ialah ia tidak bergantung pada satu pembekal, seperti yang didokumenkan (https://python.langchain.com/en/latest/modules/ llms/ integrations.html).

Mengapa LangChain boleh menyediakan fungsi berkuasa untuk sistem pemalam ChatGPT?

Pada 21 Mac, rakan kongsi terkuat OpenAI Microsoft mengeluarkan MM-REACT, mendedahkan penaakulan dan tindakan pelbagai mod ChatGPT (https://github.com/microsoft/MM-REACT).

Apabila melihat kepada keupayaan "paradigma sistem" ini, anda dapat melihat bahawa setiap contoh melibatkan interaksi antara model bahasa dan beberapa aplikasi luaran.

Dengan melihat kod sampel yang disediakan (https://github.com/microsoft/MM-REACT/blob/main/sample.py) kita boleh lihat, pelaksanaan interaksi de model+alat dilakukan dengan LangChain. Fail README.md (https://github.com/microsoft/MM-REACT/blob/main/README.md) juga menyatakan bahawa "kod MM-REACT adalah berdasarkan langchain".

Menggabungkan bukti ini, ditambah dengan fakta bahawa dokumentasi pemalam ChatGPT menyebut bahawa "huraian pemalam, permintaan API dan respons API semuanya dimasukkan ke dalam perbualan dengan ChatGPT, ia boleh diandaikan bahawa sistem pemalam menambah pemalam yang berbeza sebagai alat proksi, dalam kes ini ChatGPT.

OpenAI juga mungkin menukar ChatGPT menjadi proksi jenis zero-shot-react-description untuk menyokong pemalam ini (jenis yang kita lihat dalam contoh sebelumnya). Oleh kerana perihalan API dimasukkan ke dalam perbualan, ini sepadan dengan jangkaan ejen, seperti yang boleh dilihat dalam petikan dokumentasi di bawah.

LangChain

Kesimpulan

Walaupun sistem pemalam belum dibuka kepada pengguna, ia boleh dialami menggunakan dokumen yang diterbitkan dan MM-REACT Fungsi berkuasa sistem pemalam ChatGPT.

Atas ialah kandungan terperinci Panduan untuk menggunakan pemalam ChatGPT untuk membuka kunci pengalaman Internet baharu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!