Cara pemalam ChatGPT berfungsi
Penterjemah |. OpenAI baru sahaja mengumumkan pemalam ChatGPT - satu cara untuk membenarkan ChatGPT menjalankan operasi di web. Ini bukan sahaja bermakna ChatGPT boleh mengakses Internet dan menyemak imbas kandungan dan berita terkini, tetapi ia juga boleh melakukan beberapa operasi bagi pihak kami, seperti membeli barangan runcit, menempah penerbangan dan banyak lagi.
Proses pelaksanaannya sangat mudah:
Pembekal pemalam menulis spesifikasi API menggunakan standard OpenAPI. Ini ialah piawaian yang telah wujud sejak sekian lama dan merupakan penyokong alat dokumentasi API seperti Swagger.
Kemudian, susun spesifikasi ini menjadi gesaan yang menerangkan kepada ChatGPT bagaimana ia menggunakan API untuk meningkatkan jawapannya. Bayangkan gesaan terperinci yang merangkumi penerangan bagi setiap titik akhir yang tersedia.
Akhir sekali, pengguna bertanya soalan baharu. Jika ChatGPT memerlukan
untuk mendapatkan maklumat daripada API, ia akan membuat permintaan dan menambahkannya pada konteks sebelum menjawab.Walaupun proses ini didokumentasikan dalam dokumentasi OpenAI rasmi pada masa penulisan, Access adalah terhad . Memandangkan saya belum mendapat akses lagi, saya memutuskan untuk melaksanakan mekanisme saya sendiri berdasarkan perkara di atas. Jadi, di bawah adalah percubaan saya untuk melaksanakan mekanisme pemalam ChatGPT saya sendiri.
Dengan sesungguhnyaPengisytiharan: Saya
Anda hanya boleh belajar tentangpemalam ChatGPT melalui maklumat awam, dan tiada saluran lain untuk mengetahui tentang Tambahan maklumat . Demonstrasi dalam artikel ini adalah untuk menggambarkan konsep pelaksanaan, tidak tidak mewakili pelaksanaan Bagaimana ia kelihatan seperti selepas itu. Pilih Spesifikasi APILangkah pertama ialah memahami cara menentukan API. OpenAI menyediakan beberapa contoh spesifikasi API, jadi saya memutuskan untuk melaksanakan penyelesaian saya sendiri menggunakan input yang sama dan menulis spesifikasi ringkas untuk satu titik akhir.
Saya menggunakan DummyJSON, API ringkas khusus untuk ujian, khususnya "dapatkan semua perwakilan" Perkara" titik akhir. Saya menulis fail YAML berikut sebagai spesifikasi.
openapi: 3.0.1 info: title: TODO Plugin description: A plugin that allows the user to create and manage a TODO list using ChatGPT. version: 'v1' servers: - url: https://dummyjson.com/todos paths: /todos: get: operationId: getTodos summary: Get the list of todos parameters: - in: query name: limit schema: type: integer description: Number of todos to return - in: query name: skip schema: type: integer description: Number of todos to skip from the beginning of the list responses: "200": description: OK content: application/json: schema: $ref: '#/components/schemas/getTodosResponse' components: schemas: getTodosResponse: type: object properties: todos: type: array items: type: object properties: id: type: int todo: type: string completed: type: bool userId: type: string description: The list of todos.
Seperti yang ditunjukkan dalam fail konfigurasi di atas, Titik akhir mempunyai dua parameter: "had" dan "langkau".
Sekarang, saya perlu menukar perkara di atas
Selepas perbincangan berulang kali, akhirnya kami mendapat keputusan berikut:
You are a virtual assistant that helps users with their questions by relying on information from HTTP APIs. When the user asks a question, you should determine whether you need to fetch information from the API to properly answer it. If so, you will request the user to provide all the parameters you need, and then ask them to run the request for you. When you are ready to ask for a request, you should specify it using the following syntax: <http_request>{ "url": "<request URL>", "method": "<method>", "body": {<json request body>}, "headers": {<json request headers>} }</http_request> Replace in all the necessary values the user provides during the interaction, and do not use placeholders. The user will then provide the response body, which you may use to formulate your answer. You should not respond with code, but rather provide an answer directly. The following APIs are available to you: --- <OpenAPI Specification goes here>
我会告诉ChatGPT以特定的语法回应,并告诉它用户将提供响应。这是因为AI模型不会执行任何API调用——它必须将该操作委托给不同的系统。由于我们无法访问ChatGPT的内部组件,于是要求它将HTTP请求委托给用户。只要隐藏对话转换对最终用户不可见就行了,用户甚至感知不到HTTP请求,就万事大吉了。
编排
ChatGPT是一个通过REST API公开的AI模型。向OpenAI模型发出请求只是端到端聊天机器人体验中的一步。这意味着可以设置模型传递的信息,以及向最终用户显示的信息。
为了使用ChatGPT实现虚拟助手的功能,我使用了Bot Framework Composer,这是一种基于UI的工具,允许我们构建对话体验并将其发布到不同的渠道。以下是高级别的解决方案架构:
我用Bot Framework Composer构建了这个虚拟助手,因为它可以快速部署到多个终端用户渠道,且只需要很少的代码。如果您想要复制这个解决方案,您可能还需要考虑使用Power Virtual Agents,尤其是在生产中使用。
以下是对话流程的构建方式:
1. 用户提问
2.ChatGPT用预格式化的消息进行回复:
2.<http_request>{ "url": "https://dummyjson.com/todos?limit=5", "method": "GET", "body": "", "headers": {} }</http_request>
3.Azure Bot检测到这种格式,并将请求提交给DummyJSON API,而不会牵扯到最终用户。
4.Azure Bot代表用户向ChatGPT发出新请求,以获取响应正文。
5.ChatGPT格式化响应:"这是你的前5个待办事项:..."
6.Azure Bot回复给用户。
Satu perkara segera menarik perhatian saya Produk boleh menghentikannya Panggil tapak web atau aplikasi lain dengan menjana kod. Atas sebab ini, saya menggunakan senarai membenarkan nama domain yang ringkas, Ini memastikan bahawa semua sila Permintaan hanya boleh dihantar ke API DummyJSON dan hanya satu mesej boleh dihantar pada satu masa – Ini memastikan keselamatan penghantaran mesej .
Di atas ialah reka bentukPelanJabatan Idea keseluruhan dibahagikan kepada .
Keputusan akhir
Di atas Langkau ada yang melaksanakan butiran sehingga pengalaman itu sempurna. Ini adalah alat statistik, jadi harapkan beberapa percubaan dan kesilapan sehingga anda menemui petunjuk yang betul. Tetapi akhirnya, ini adalah perbualan saya dengan versi terakhir robot itu.
Kesimpulan
Pemalam ChatGPT Pelaksanaan fungsi lebih 🎜>Kompleks. Tujuan Demo ini adalah untuk menunjukkan cara melengkapkan ChatGPT Integrasi - Percayalah, saya juga ingin tahu seperti anda tentang proses pelaksanaan . Demo ini menyediakan ChatGPT dengan keupayaan untuk menyepadukan HTTP Kemungkinan, saya tidak sabar untuk melihat apa yang masyarakat boleh muntahkansegar Bunga. Pada masa yang sama, kami, sebagai pengguna teknologi , tetapi juga rasa tanggungjawab : Apakah yang akan berlaku jika gesaan berniat jahat menyebabkan Azure Bot membuat permintaan kepada pelayan yang tidak diketahui? Apakah vektor serangan baharu yang ada sekarang? Dalam bot yang saya tulis senarai putih nama domain yang mudah digunakan - apabila kes penggunaan baharu terus muncul, adakah ini cukup? Saya juga berjaya menulis semula spesifikasi API dalam petua susulan - adakah terdapat sebarang risiko yang berkaitan dengan ini? Terdapat banyak yang berkaitan dengan AI >Isu keselamatan perlu dipertimbangkan, dan OpenAI pastinya menyedari perkara ini. kali ini Demo itu mengagumkan saya . ChatGPT Kemungkinannya benar-benar tidak berkesudahan dan saya pasti akan memerhatikan ciri ini untuk melihatnya dalam beberapa minggu dan bulan akan datang pembangunan dalam. Saya berharap untuk melihatnya dalam Azure OpenAI tidak lama lagi! Pengenalan Penterjemah
Tajuk asal: Bagaimana ChatGPT Pemalam (boleh) berfungsi, Pengarang: MarcoCardoso
Atas ialah kandungan terperinci Cara pemalam ChatGPT berfungsi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

DALL-E 3 telah diperkenalkan secara rasmi pada September 2023 sebagai model yang jauh lebih baik daripada pendahulunya. Ia dianggap sebagai salah satu penjana imej AI terbaik setakat ini, mampu mencipta imej dengan perincian yang rumit. Walau bagaimanapun, semasa pelancaran, ia adalah tidak termasuk

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.
