我终于把 aat 的智能题结合到知识库中了,花了一周研究成功的黑科技,仿佛知识库有了灵魂和智商。话不多说,给大家演示一下,先看看这一期的 ppt, 整体业务流程很简单,不要被吓到了。 总共就三步,第一,先由 ai 对知识库进行画像总结,便于 aia 镜头的使用。第二,由 gpt 四的 aia 镜头智能体接管问答,由智能体分析问题后,从工具箱中选择合适的工具检测键。 第三,检索器使用 gp 三点五十六 k 模型完成检索问答,再用智能体根据知识括号下判断是否内容完整,如果不完整则继续使用检索器工具,直到认为可以完成为止。 知识代码是继续在翘头位置 file 一点一版本基础上进行的改动,保持产品迭代的连续性。我顺带把知识库改成了独立存储,减少错误匹配和污染,这样本地存储知识控件就会被分开了。然后这里使用 gpt 总结,得到知识 库画像信息。知识库总结的提示词还是比较简单的,小伙伴们现在应该轻车熟路了。这是改动最核心的一部分。知识库的 aia 检测首先就是要调试好核心提示什么版,还好我之前 a 检的分享你写过了,拿过来改进了一下。 执行过程中的 a 型的 x 型与 a 型的 face 以及输出解析逻辑之前也讲过了,都是一样的。特别讲一下,给到 a 型智能体的工具箱一共包含三个工具,检索器和 bending 检索器、 多重查询检索器、支持库、常规检索器。每一个我都写上了使用场景以及输入格式,这就是给到 agent 的工具使用说明书了。然后在每次提问的时候,会把销量库的画像与提问的问题 一并给他 aa 镜头,让自媒体自己评估分析,选择控制减速器,得到一个最完整的答案,运行看看效果。启动界面后,设置好 openiapik 与模型,测试了几天,建议小伙伴 a 镜头使用 gbt 四模型,然后上传知识库。今天把我十万多字的拿去开发文档,导入知识库 later, 完成上传后便可以在列表中看到知识库了,并且旁边会有来自 gbt 针对知识库的画像描述,就可以开始提问了。先是一个简单的,比如文档有多少个章节,为了更直观,我专门做了一个区域,看看 aj 的大脑思考 过程,可以看到这个问题。 a 键的思考后,选中了适合做总结的 m、 b、 n、 d 接触器,很快给出了答案,然后问一个难一点的问题, 囊欠了 a 镜头有哪些类型以及作用?这是 a 镜头先选择 m、 b、 n 点解锁输入关键词,等了几秒以后,你看 他认为 m、 a、 d 解锁的信息不完整,又选择多重查询解锁工具,采用提问方式解锁。这次得到了他满意的答案,是不是有点意思?再来我继续提问, a 键是如何与 open a 模块进行应用开发?请给出私立代码。这是 a 键 选用常规检索工具,按照搜索引擎方式查询。经过了几秒后, a 键的认为答案不完整,只获取到了部分相关信息,还需要再一次使用工具检索对应的代码片段。第二次有结果后, a 键的判断答案是完整的了,给出了完整答案。 如果按照以往的优化提示词解锁器上下文压出方式来提升问答准确率的时候,会因为这是库文件本身类型与结构的不同导致无论我们如何优化,都不大可能一步到位的拿到最佳答案,但是加入 aia 进去以后,似乎让这一切有了可能。 ai 镜头是一个很有意思的东西,我认为对未来的 ai 应用设计会有特别大的思路点,大家可以再多试一下。希望今天的分享对各位有帮助,欢迎评论区留言讨论,有用的话记得点赞关注!
粉丝2.4万获赞9.0万

今天我们来说一说 lantern 车的 g l m 在本地的安装和使用。 lantern 车的 g l m 这个项目可以实现纯本地的私有知识库的问答呀, 它支持的本地模型也比较多,那么这期视频我们以切的 glm 二十六 b 作为本地的模型来做一个演示,这个模型的中文问答效果是非常不错的呀。在本地运行切的 glm 二十六 b 的大模型有一定的显存要求啊,无量化版本大概需要十三个 g 以上的显存, inter 四的量化版本大概需要六个 g 以上的显存。 本地知识库调用时的 inviting 模型大概也有三个 g 的显存占用,所以无量化版本可能要十六个 g 以上。然后英特斯的版本大概需要九个 g 以上的显存才可以跑得动啊。电脑的内存一般至少要在十六 g 以上。首先我们拿到 github, 找到 launcher g i m 这个项目,然后点击扣了,再点击 download zip, 把项目的主分支下载了本地,然后用 vscode 打开项目,因为这里我们要稍微做点更改啊。狼犬切 glm 默认使用的模型是切 glm 六 b 第一代模型,这里我们需要修改 confix 下面的 modelconfig 文件,把 l l m model 改成切了 g l m 二六 b。 当然你也可以选择切了 g l m 二六 b 的 inter 四或者是 inter 八的版本,这样咱们等会儿就会使用更加先进的第二代切了 g l m 模型啊。 接下来安装项目运行时所需要的依赖,首先是确保你的电脑上面安装了拍粉,如果你没有装过拍粉的话,这里有一个比较简单的办法呀, 直接在微扬的应用商店里面搜索 python, 然后点击这个 python 三点十呢进行安装,然后重启 visco 的之后在 mini 行里面输入 python, 出现 python 的版本号的话,就表示 python 的安装配置好了,然后在项目的根目录输入 python 杠 m v n v v e n v 来创建一个 python 的虚拟环境,然后如果你使用的是 get best, 那就使用 sos 命令来激活这个环境, 如果使用的是 power 效,就执行这个指令来激活环境。接下来使用 p i p in sale 杠 r requirements 点 t x t 来安装项目所需要的依赖。整个项目的依赖也是比较多呀,大家可能要多等待 一会,一旦装好之后,就可以直接执行 python 外部 ui 来启动整个项目。那么通常情况下,不出意外的话,第一次执行的时候会出现一个问题,这里的 l m device 和 inviting device 都是使用的 cpu, 那也就意味着他不会使用显卡来跑啊。我们需要做一点小小的更改,执行 p i p n e c l touch, 把 touch 给卸载掉,然后执行这个指令来安装 cut 版本的 touch, 这里他会下载一个两个 g 左右的包,咱们耐心等待他安装完成。接着再次执行 pysonob ui 来启动项目。 那么现在 l l m device 和 inviting device 就变成了 kuda 了,表示使用的是显卡。后面程序会自动从 hogan face 来下载对应的七的 g l m 二六 b 的模型, 模型文件一共有十几个 g 啊。好了,这里模型下载完成之后呢,程序就会自动的加载模型,出现这样一段内容的时候,就表示本地已经启动成功了。在浏览器里面打开 local host 七八六零, 你就可以和切的 glm 二六 b 进行对话了。那么切的 glm 二六 b 有一个比较有意思的地方,在你让他做自我介绍的时候,他会准确的说出自己是切的 glm 二六 b, 并且是由清华大学和智普 ai 合作研发推出了。在右侧我们可以选择和 llm 直接进行问答,或者是使用知识库问答的功能。 知识库问答的时候,先创建一个本地知识库,然后再往知识库里面拖入文件,点击上传文件并加载知识库。现在就可以在左边进行知识库相关的问答了,他的回答内容是完全来自于知识库中的内容。 本期视频到这里就结束了,拜拜。

今天给大家分享乐凯和 chat glm 搭建本地知识库项目,该项目是由清华大学发起并已开园,这是我配置好的整合包。先给大家演示一下效果,点击脚本启动微博语, 启动完成就能看到使用界面,页面右边可以切换对话模式,选择知识库模式,可以在这里新建知识库,也可以选择之前建立的知识库,随便选择一个之前创建好的知识库, 可以在这里随时加载保存文件,只需要把文件拖进去就可以了。 这是我下载的关于 transformer 的 pdf, 一共十七 m b 两百八十四页,拖进去保存一下, 加载完成了。然后我们问一个 pdf 里的问题,测试一下回答质量, 回答的好像还可以,并且给出了出处, 出处也是比较准确。 接下来讲解一下该项目的基本原理和流程。该项目整体使用 lancan 作为应用框架, lancan 支持自定义链式调用, 可以将自定义工具和各种模型结合起来,开发出不同应用。该本地知识库项目是将向量数据库和 chat g m m 模型结合起来。首先就是加载文档并读取文本, 然后对读取的文本进行分割处理,得到一段一段的文本数据,接着将这些文本进行商量化处理,并存入本地史量数据库中, 此时我们的文档数据都已保存在数据库里了,这些数据将会在问答过程中被楞看调用,并经过大语言模型生成生成最终回复。接下来我们一起看一下问答过程的基本流程。首先会将用户的提问信息进行向量 画,得到向量化文本。接着进行数据库查询,得到相似度最高的前几条数据。 最后将匹配出的文本作为上下文和问题一起添加到 prof 中,并提交给 l l m 生成回答。这样我们就得到想要的答案了。我们的模型可以是 track g l m, 当然也可以是 lama 或者自己训练好的。其他模型都可以 通过来看进行集成,做出各种各样的应用。本期视频到这里结束了,大家有什么问题可以在评论区留言,我都会一一解答,再见!

这个开源项目可以让你使用自己的知识库创建自定义聊天机器人,让你拥有属于你自己的 ai 知识库。助理他支持通过多种方法添加数据源,包括网页,普通文本, pdf 和 word, csv 等, 甚至还支持上传音频和视频文件,还有爬虫和添加 git 地址。通过上传文件和添加提示语,你可以获得 拥有独特个性和超强能力的专属助理机器人。默认提示词不太好用,记得改为中文。他还支持多个大模型,包括 chat, gpt, lama, cloud 等。然后你就可以提问和你上传文档相关的问题,他就可以结合你的知识库来回答。你还可以通过 i frame 或者脚本将 机器人嵌入到你自己的网站或者应用程序中。他支持通过 doctor 一键部署,你也可以下载到本地安装和二次开发项目,提供了完整的本地部署教程。 nice。

我们都知道我们的大约模型在训练完成之后呢,它里面的数据啊都不会更新,那么我们有时候的话,我们希望能根据我们所提供的新知识来准确的回答我们的问题。 所以呢,这一节课的话,我们来讲一下知识库,知识库的话我们可以在这里进行一个选择 啊,比如说我们点击在这边就可以看到这里会有一个知识库的一个标识,那其实在这里啊也是可以进行选择的啊,就是比如说我现在画点击这里,对吧?这边就会显示我再点击他就消失了, 那知识库的话他有什么作用呢?就是他会去读取我们本地的相关的这个知识内容。那有同学就会问,那我们如何去设置自己本地的知识内容呢?其实很简单,首先的话打 开主程序目录,然后进入文达目录,接着的话我们就可以看到有一个 tst 的目录,在这个目录里面呢,你只需要把你的 tst 的文件啊,就是文本文件放置进来就可以了, 在启动的时候啊,它会自动的去加载这个 test 目录的所有的 tst 文件。 那现在啊,我们比如说啊,我们现在就来提问啊,因为他已经加载进来了,如果你想要就是你要有自己的知识库的话,你就自己去整理这个 tst 文件,直接把 tst 文件丢进来就可以了。好吧, 好,那现在话,假设啊,我已经丢进了这三个文件, ok, 那我丢进了这三个文件呢,我现在假设我想要根据这个知识库,对吧?进行一个提问,比如 说在这个知识啊,艺术石里面啊,他就讲到了一个东西啊,就是,呃,我们可以看到啊,现在话他说啊,山顶动人对色彩已经有了认识,那么最先认识的应该是红色。好,那我像这个的话,问题啊,那我们就比如说,哎,我们就可以去提问 山顶动人,对吧?最先认识的颜色是什么颜色?那我们来看一下啊,在没有知识库和有知识库的情况下是怎么问答的?那现在话我们没有点选知识库,对吧?这里没有显示,我们现现在话就先问一下那山顶动人 最先认识的颜色认识什么颜色?好?我们直接进行一个提问,那在这里呢,他 告诉我没有办法去准确回答我们的问题,现在我们在选择一下有知识库的一个情况,还是同样的问题,我们复制一下,那么这个时候话我们可以看到知识库已经打开了,我们点击发送, 那么这个时候话他就会去查找知识库的内容,然后呢你看可以认为山顶队人最先认识的颜色应该是红色。好,那从这里的话我们就可以看到他确实能够根据我们的知识库来回答我们的问题, 除了我们自己提供的 tst 文档作为知识库之外呢,我们也可以让他去搜索网络的知识来作为知识库的内容来回答我们的问题。那如何设置呢?首先的话我们打开下面的第三个按钮, 在这下面的话我们有一个动态调整知识库的配置。好,那在这边呢,我们可以设置 是库的参数啊,那他会根据我们这个库的参数来帮助我们去查询你是要使用哪一个知识库,那像默认的话,其实就是我们的这个 rtst 啊三,也就说会这个查找到三个匹配的这个知识库的内容,然后呢再去啊进行回答你的问题。 好,那鲜花我们再选择下面这一个啊,下面这一个的话就是啊搜狗微信啊,比如说从搜狗微信里面呢去搜索三篇的文章,然后呢再从这个并里面去搜索三篇的文章啊,就是并的搜索。好,那从中,然后去获取我们所想要的答案。 那好,那我们现在话就在这里啊,可以进行一个设置,当你也可以去调整这里面的这个参数,都是没有问题的。设置好了之后呢,我们就可以点击设置 好,那接下来我们再切回来,在这边呢我们问一下他问题,比如说谁是蔡徐坤, 那从这里的话,我们首先是在没有任何的知识库的情况下回答咱们的问题,那接下来我们再用啊知识库来回答。好,我们现在话选择知识库,然后再提问。 从目前我们通过他的回答来看啊,他确实去查找了相关的文章,但是呢我们可以很明显知道就是这些相关的文章啊,都在胡说八道, 所以的话他也不知道他到底是谁了,对吧?接着我们再问一个现在比较热门的话题,韩国人的室温超导靠谱吗?韩国人的 室温超导靠谱吗? 从回答来看的话,他确实能够把当前的一些新闻给我们进行提取,并且进行一个总结,所以像新闻类型的话啊,对于网络的搜索会比较有用。在这里的话简单跟大家讲一下知识库的原理啊,那知识库的原理的话像 网络的,那像网络的话,他会根据我们的这个内容啊,就是你的提问去进行搜索相关的微信的文章啊,那 微信的文章的话,我们可以看到就是他会搜索啊,那搜索之后呢,他会去读取里面的文字,那读取文字之后呢,他会去进行一个总结啊,就是一篇一篇总结,一般的话,他这里的话是总结 三篇,对吧?当然如果你像我们前面说到的,你把这个搜狗你改成四啊,就猫号四,那他就会总结四篇。拿到文章之后呢,他是这样子总结的,就是总结以下文段与问题相关的信息。 那回答的话,他也是啊,总结以下文段中与问题相关的信息。当然的话,我们也可以就是说学习以下文段,用中文回答问题,如果无法从中得到答案,就忽略文段中的这个内容,并用中文回答啊,你可以选择这个,当然的话你可以就是你可以根据自己需要去改这个提示词啊,都可以的, 所以的话,他这里实实际上是有两个步骤,对吧?啊?第一个就是去搜索相关的文章,第二个呢就是去总结文章,然后啊每一篇总结一下,每一篇总结一下,每一篇总结一下,再把 这三个总结出来的内容再跟问题。哎,再让他去进行一次总结啊,这样话就得到最终的一个答案。 好,那这样的话速度就会相对来说比较慢啊,那所以的话,他在这里也提供了一个快速的知识库,因为呢,在这边的话,他是做了三次总结,对吧?哎,那我能不能就是我把这三篇文章我全部拿过来之后呢?我就直接 干嘛?直接让他去进行一个总结也可以,对吧?那这样话就不用说,我分成三次进行总结,那这样话就快速的,但是这样快速的话就会,哎, 会有可能就是什么得不到重点的一个情况,但是他速度就会相对来说比较快。好啊,那我们还是一样把这个复制一下,我们来看一下快速知识库。好,那从这里的话,我们 可以看到他一次性把这三个都总结出来了,然后的话我们再来看一下啊,搜狗知识库全文爬曲啊。啊?那像前面的话,我们的网络的话,他的这个爬曲就像我们去搜索百度的任何问题一样啊,就是我们搜索一个问题, 那在百度返回给到我们的话都是一串的这个列表,对吧?像这样子,呃,那其实我们就可以看到他会把就是相关的一些文字啊拿到,但是呢他不会说,呃,整一篇点进去去获取整篇的文章, 那在这里啊,我们希望的话,他是去获取整一篇文章,然后从文章里面去给我们总结出来,那这个时候的话我们就可以那选择这个搜狗微信知识库全文爬取。好,那这个时候的话,那我们就还是在 问同一个问题啊,我们看一下他是不是去获取整一篇文章了,在这里的话我们就稍微耐心等候一下啊,他这里可以看到他这是他识别得到的问题,然后呢他再会从这个链接里面去获取他 详细的每一篇问呃内容,然后进行一个总结,总结之后三篇总结完毕之后再回答你的问题。好,我们可以看到他首先就总结了第一篇,对吧?啊,今天的总结一下文段, 好,然后呢啊提取里面的这个二十个字,好,那这个时候的话他就会把这个提取出来,然后呢再提取下一篇。好, 那最后的话他就会根据啊咱们的这个,呃,最终啊三次提取的内容,然后呢再进行一个总结。 好,那最后的话他就会告诉你啊,抱歉,根据你提供资料,对吧?目前无法判断韩国的室温超导是否真正靠谱。那么从现在这一节课演示给大家的效果来看啊,我们会发现啊,其实自己总结的知识库啊,就是你已经把它整理好了,那么 你所提取到的这个啊,问题啊或者答案啊,那么它的准确率就会相对来说比较高啊,如果你这个本身数 这个知识库对吧?啊,就是网上对吧?别人随便瞎写的,然后啊你再去瞎问啊,那么他的这个匹配程度呢,就相对来说会比较低啊,那你得到的答案也相对是比较差的,所以的话一个呃好的知识库对吧?啊,你整理好的一个知识库,那么所能够给你返回的正确的答案的这个 概率呢,是会大大进行一个提高的。好的,那么这节课啊就跟大家分享了知识库的基本的一些操作,那大家赶紧把知识库运用起来吧。

基于 u x e 和国产大模型 check g l m 六必实现基于本地知识库的自动问答,代码开源,可离线部署,也可以在线体验,欢迎 skar。 下面介绍在摩达社区在线体验本地知识库的自动问答。 首先我们选择 combating model, 然后上传本地知识库。我们支持 markdown 格式、 word 格式和计时本格式。这里以 check glm 六 b 的 liam 蜜为例, 我们上传下面有几个参数可供选择,包括 top, p, tab, pressure 等。然后我们在输入框中输入我们的问题, 然后回车或者 点击发送,稍等返回出结果,浏览一下, 效果还是很不错滴。当然项目还有很大的优化空间,欢迎大家进入地址关注并参与。

企业私有知识库系统已经做好了,先说结论,本地私有库与大模型结合的方式更适合严谨的企业用户,数据有理有据。为了验证效果,我下载了刑法、民法等法点,使用法律条款生成了私有知识库。这两张图是个对比, 接下来是详细的对比分析。首先不用知识库直接提问干扰无线电通信是否违法?由于我们搜索的是通信,不是通讯,所以在刑法里根本搜不出来。这里就体现出大模型的优势了,他可以根据你的意思来进行查询, 不需要按具体的字,结果似乎正确又有点让人担心。我们再问盗取商业秘密是否违法,结果也跟法典差不多,我们在法典里面都搜到了相关的东西,也跟大木星答的有点相似,但是我们又不能确定。 然后我们问几个无关的问题,西游记的主角都有谁,如何在淘宝上买到好吃的?大模型都做了非常好的回答。 接下来我们看看私有知识库的表现,同样的问题再问一遍,回答的非常精准,跟法点对比丝毫不差,并且回答也非常人性化。当我们问他法律无关的那两个问题,他直接拒绝回答,非常符合企业的应用场景。 接下来我打算把全部的过程做成视频分享出来,感兴趣的小伙伴请关注我,谢谢大家关注小百,了解更多 ai 干货。

我要写一篇关于 ai gc 的发言稿。 尊敬的各位领导,各位嘉宾,各位同事,大家好, 今天我非常荣幸能够在这里和大家分享一下我对人工智能生成内容的思考。 首先让我来解释一下什么是人工智能生成内容。人工智能生成内容是指利用人工智能技术、 经济学习、深度学习、自然语言处理等,让计算机能够像人类一样生成新的文本、图像、音乐、视频等内容。随着人工智能技术的发展,生成内容的大 为已经不再局限于文本,现在还可以生成图像、音频、视频等,并且这些生成的内容可以非常准确的模拟人类的创作过程。

用你自己的数据快速的做一个基于 chat gpt 的 ai 机器人,放到网站上或者是 am 里,当有人问机器人问题的时候呢,他就会从你提供的数据里边来回答。我第一次看到这种机器人啊,是在一个产品的官网上,他是把知识库还有客服的工作交给了 ai, 基本上呢,你问他任何这个产品相关的问题,他都能回答。 现在呢,你可以用 texting 把你已有的任何内容迅速的做成一个机器人,比如说你公司里边的人力资源手册,年假呀,社保啊,工资之类的, 员工都可以问这个机器人。或者是你有一些 api 文档,对外的知识库都可以个人用,也可以把检藏收集的内容放进去。那你就拥有了一个 china cbt 的第二大脑。 目前呢,他们支持三种数据来源,一个是来自 notion 文档,可以选择不同的页面,一个是来自网页,你输入你要抓取的网页链接。另一个呢,就是上传本地文件, csv, pdf, txt 等格式都行。把数据上传之后呢,就可以 把机器人嵌入到你的网站上面去跟他对话了。据说呢,之后也会跟 im 打通,可以直接在一些 im 里边使用。目前有一个机器人的免费额度可以尝试,那如果你要真正的在公司内部使用起来,就需要付费了。

刚给大家演示一下那个 chat glm 的一些功能啊,一些他这个模型的一些基础功能啊,我主要是演示以下这几几个方面啊,主要是一个自我认知啊。写,呃,提纲写作,文案写作,然后邮件写作,然后他也可以做一些角色扮演啊, 然后也可以做些呃这个评价的比较啊,然后还可以做一些本地知识库的一些问答啊,然后我就给大家演示一下啊, 先我们看一下他那个 cat g a m 的那个自我认知啊,界面打开之后的话,选择这个 l l m 的话呢,主要是这个机器人对话啊,这个知识库问答的话呢,就是利用本地的这个知知,知识库就加载这个知识库可以进行问答,他等于是这样我可以看一下。 对,我先问你是谁啊?你好你是谁,他就会比较好的回答, 介绍一下你的优缺点啊, 强大的对话功能,灵活的知识库,友好的界面设计,实时的更新他主要的缺点。 好,我让他帮我写一个培训的提纲。 这个是什么东西啊?啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧啧。 然后我让他写一篇新闻稿新闻稿, 然后我让他写个邮件, 再让他写一个视频的脚本 角色扮演。角色扮演就是他是以比如说是一个那个新闻工作者的这个角度去报道, 他也可以对 这些东西进行比较。 最后一个我们来看一下 这个是不基于这个知识库的这种回答, 我们看看 g 知识库的回答, 基知识库回答的话呢,其他先在本地知识库里面去寻找跟这个问题最相关的一些文文档,然后再根据文档的这些内容,加上那个 l l m 的这样的一个文字逻辑的这个能力,然后再回答。 那么基本地知识库的回答的话,相对来讲它它会更加精准,更加基于这个企业的这样的一个 内容啊,回答出来的问题的话呢,就会更加准确一点,然后如果不记知识库的话,你可以看到就是他回答出来的东西比较通用啊,比较 宽放,他等于是这样啊,所以,呃,各有各的优势啊,如果在企业内部应用,如果你要准确回答一些问题的话呢,你还是要给他一些,呃,支持他,等于是这样给他一些内容啊。 好,这个就是恰特 glm 杠六 b 目前能做到的一个能力啊。他目前的话呢,我看他十五号也更新了一个新的版本啊。呃,一点一这个版本啊, 他这个一点一版本的话呢,据说是主要更新是因为他平衡中文和英文之间的这个翻译的问题,但是我看他好像这个 bug 没解决,上述内容翻译成专业英语, 因为我看到他的那个中英文还是还是在乎 还是有这个中英文混的这样的一个问题,当然比原来会好一点,比那个一一点零版本会好好好一些的这个,但是他那个英文还是有些问题,他这个可能跟他的那个 chat g l m 里面的那个编码规则是有关系的。嗯, 可能他是中英文混编的,会导致这个中中文和英文之间相互创客,他存在这样的一个问题。好啊好,今天的话就跟大家就演示到这了。

很多粉丝问我如何用 ai 来搭建企业知识库?我把这个开源的企业问答工具 diso 推荐给你们,只需要简单一句话,他就能准确快速的从你的数据源找到答案。 无论是企业内部文档还是你的个人文档,每个答案都会附带引用和参考文档。而且它还支持集成一系列常用的外部工具,比如支持网页链接读取,都是标配。更重要的是,它还支持本计划部署,彻底解决了数据安全和隐私问题。 这个文档提供了详细的安装教程,认真看完这种可视化的管理工具,任何企业我相信都能轻松搞定。如果你还有问题,也欢迎一起学习交流。

上个视频我们和大家演示了使用我们自己的一个私有知识库去构建一个内 chat gbt 这样的一个产品啊,有很多人在咨询我这一个具体是怎么去做的?其实如果你把 oppo n i 的一个官方文档,如果去 logo 一遍的话,其实你应该 了解这个地方它是如何去实现的。它其实主要是依靠的这个 open i 的这个 in bed 模型,我们可以把它叫做一个嵌入嘛?这个嵌入模型呢,大家如果学习过深度学习的话,应该知道它是去处理自然语言文本最重要的一种方式,它其实就是把我们的一个自然语言和文本转换成了一个浮点型的一个香料, 就是类似于我们这里的负零点零点二七,负零点零点一这种。然后这个向量之间的一个距离哈,代表他们的一个关系。所以说呢,他其实最终的话就是把我们所有的一些文本转换成我们这里的这种向量,对吧?然后的话呢,向量之间他们的一个相关性的,依靠他的一个距离 来判断的,距离越小表示他的一个相关性越高,距离越大的话表示相关性越低。而且这个切入呢,他可以做的一个事情有很多啊,可以做搜索呀、距离呀、推荐呐之类的。所以说其实的话,我们可以利用他的这个模型 把我们的一个文本上传给他,让他通过这个模型给我们处理一下,其实就是让他给我们转换成我们的一个实量数据,然后的话我们就可以通过我们这里的一个实量数据 去搜索,或者说去得到我们想要的一个答案,其实你得到的答案的话就是就是达到他们的一个相关性嘛。 好了,你拿到这些相关相关的一个问题过后,或者相关的一个答案过后,我们再把相关的一个答案 c 给我们的一个 chat g p t, 让 chat b t, chat g p t 来帮助我们去回答就可以了。所以整体流程的话,就是我们首先把我们自己的一个文本,或者说把我们自己的一个内容,然后来 say 给我们的一个 inbiting 这个模型,然后 模型给我们转换成使量数据,然后的话呢我们通过这个使量数据里面去查询到我们问题相关的一些使量,然后的话呢把这个上下文再给到我们的一个 chat gpt, 然后通过 chat gpt 来帮助我们回答, 所以整体来说是这个样子的。然后其实下面这些和官方文档上面的基本上差不多哈,只是我这边做了一些简单的一些调整,所以大家可以直接去看官方文档,我们直接给大家大概的看一下就可以。上面这个其实就是爬虫吗?就是可以去把你的一个自己的一个内容给他抓取到你本地, 然后的话抓取到本地过后的话,它其实是一个文本形式,然后我们需要把它转换成 csv 的一个格式,转成 csv 的一个形式过后的话,然后呢我们后面呢就需要给它上传到我们的一个 inbiding 那个模型上面去,让他帮我们去处理。这个呢都是我们直接用的 opini 的一个 api 接口,直接让他去创建就可以了, 把我们输入的一个数据传给他,然后的话他会把我们的一个处理过后的一个数据,就是我们所说的一个像的数据,我们可以把它保存到本地,你可以保存到本地的一个 csv 里面去,当然的话你也可以保存到你自己的一个质量数据库里面去哈,我们这里做演示的话,其实你做你把它保存到 csv 里面其实就可以了,然后的话呢重要的就是下面这一些部分了, 然后呢下面我们这里就是直接去从我们这个实量数据里面把他的这个数据读出,读出来,读出来过后呢,最重要的就是这里创建上下文,对吧?创建上下文的话呢,我们这个地方呢, 其实就说你嵌入搜索使用的是鱼旋距离比较数字向量,所以说呢这些向量可能相关,如果他们的鱼旋距离接近的话,则可能是问题的答案,也有可能不是哈。 而且这个 openi 他的这个拍摄包里面有一个内置的这个函数,可以直接计算我们这一个相连之间他们的一个距离,所以直接拿过来计算就可以,计算过后呢,我们这里给他简单做了一个 排序,然后呢你这里直接拿到你的一个上下文,拿到你的上下文过后的话呢,你最后直接去做回答的时候,呃,你直接去把你的这个上下文拿到,然后呢你直接把你的这个上下文拼接一下,然后塞给我们的那个 o n i 的一个呃,接口就可以切的 gpd, 当这个地方的话,它这个是官方上面的是那个 gpd 三的一个,然后我这个地方的话呢,可以给大家看一下我们这个地方的一个代码,我们是重新用 gpd 三点五重新去写了一下,其实核心点就是下面我们这个地方的这个,呃, context 嘛,就是我们去咨询的时候,让他从我们这一个上下文上下文当中去 看,没有,我们这里就是跟他说了,让他基于我们这里的这个 context 去做回答。首先我们需要把你的这个上下文传给他,然后呢把回答这个结果给了我们就可以了。这其实比较简单,就是核心点就是我们这里的一个创建上下文嘛, 对吧?创建生肖文章其实就是直接去调用我们的一个呃,这个计算距离这个函数,把它相关的一些东西,相关的一些文本,或者说相关的一些数据给到我们,然后这样就可以了。那我们这里可以给大家来看一下,我们这里 上面爬虫那一块就不和大家去看了吗?我们直接因为你当你可以不用爬哈,比如说你自己有 mark 档文档啊,或者说有一些文本文件呐,甚至 pdf 一些文档,其实都可以的,对吧?然后呢你可以把它的这些数据呃,通过我们的一个 inbid 模型上传到我们这个 o n i 去, o n i 处理过后的话, 他会给我们生成一些像量,引出我们这里的一些矢量数据,看到没?全是浮点型的一些数据哈,这些浮点数之间的话,他们的一个距离,他们的一个距离哈,其实就表示他们的一个相关性。当然这些数据的话呢,是我们这个 o n i 返回给我们的,也实际上可以把它存到我们的一些向量数据库,史量数据库 be so ready, 就是 也是支持的,对吧?还有一些原生的一些食量的一些数据库都可以直接拿过来用,你如果是在自己的一个线上的一个环境当中去用的话,可能都要用到数据库,我们这里直接是存到本地的一个 cs 文件里面的,对吧?存到过后的话,然后我们这里就可以直接去创建了,对吧?把这个上下文创建过后,我们这里去跑一下 中间上下文,那下面这里其实就是从我们这个饲料数据里面去把数据读取一下,然后这里就可以直接去咨询了,去询问一下, 我这里已经改成了三点五的一个模型了哈,然后然后下面这个地方我看一下,他说他不知道,对吧?他说他不知道,然后的话呢?我们这里就可以给他一个,你说如何使用 promises operator, 看下他能不能回答出来哈?因为我们这里的一个文本数据不是很多嘛,所以说他有可能回答不回答不了。然后上面这一下确实我们这里打印出来,就是我们这里把这个第八个开启过后,他从这些相关的文本里面给到我们这个答案的。 看这个地方说了 promises or freeter, 他基本上把他的这个呃使用方式基本上告诉我们,当这个答案的话,也是基于我们给到他的一个文本信息,给到他的一个上下文里面去做的, 有没有啊?所以其实大家可以直接去看官方文档,基本上就能把它搞定了,但是如果你想看一下我这个地方已经,嗯修改过后的一些代码的话,来好了,你可以呃,一键三连过后直接私信我,然后我会把代码直接发给你就可以了。

家好,今天给各位介绍一款基于 gpt 的应用 fil gpt, 它可以帮助您打造属于您自己的知识库。您可以把自己的相关信息上传到 fil gpt 中。在这里,我上传了我个人的毕业论文,个人简历,还有个人综述。 我上传到 file gpp 之后呢,他就会读取我上传文件中的文字内容,并且您就可以通过对话的形式与系统进行交谈。他会回答他从您上传的文件中得到了什么信息。 像在这里,我就向这个系统提问,请问 ar 战场是什么? ar 战场是我硕士毕业论文中的一个课题,他同样的回答了相关的内容。之后 后呢,我就让他回答了一下我的学术经历。可以看到他阅读了我的个人简历和个人综数之后,非常快速的输出了我在哪里读书,我在哪里曾经工作过。 最后呢,我是让他重新概述了一下我的硕士毕业论文,可以看到他也非常快速的提供了我硕士毕业论文中的一部分。摘药。 各位有兴趣的话呢,也可以将自己的一些文档或者说想要了解的文档上传到 file gpt 中。 如果只是体验的话,我们是有免费版,可以上传三个文件。如果您体验过后觉得不错,那我们可以 选择付费来获取更多的上传文件权限。来,大家一起去体验吧。

超越 taggbt 四点零的中文理解能力, chitgmm 二正式开源公布,这是一款由清华大学出品的 ai 大语言模型,直接部署到本地就可轻松运行,而且对配置要求在逐渐降低,增加了逻辑思维和语言理解能力。接下来大家跟老张快速的体验一下。 首先我们打开对应的一件包,在这个一件包当中呢,咱们会拿到以下这四个对应的内容。首先咱们先说安装包,安装包是本次运行必备的环境之一,必须要把它先进行安装一次, 安装成功以后,咱们接下来需要先把这个一键安装包,对应的工具就是咱们说的一键启动器,把它解压出来,解压出来在这就是对应的这样的一个效果啊,有一个快速启动咱们可以看到,然后这个解压出来之后,紧接着第二步咱们需要做的就是把 把这两个对应的模型也就解压出来,这个模型是咱们今天的主角 chin gm 二,号称可以和 chintpp 四点零掰手腕的国产 ai 模型,这一款呢是我们程序儿界啊非常好用的专门写程序的代码模型,今天老张就不做演示了,如果你需要,你可以把它给下载下来, 然后解压出这款内容。之后呢,咱们把解压出来,他是一个对应的文件夹,咱们把这个文件夹复制,然后放到咱们当前的一键包中, 找到这个 models 文件夹,把它直接粘贴过来,这样的话就可以在一键启动器上找到咱们的 check gml 二对应的这个 an 模型, 找到之后呢,咱们可以直接在这选择快速启动好,然后在这选择对应的模型,因为咱们我这呢有两个模型,咱们要的是这个,对吧?拆个 gm 二杠六 b, 然后这款模型启动完成之后呢,咱们首先先根据您 的显卡来进行选择,比方说老张是八 g 闪存的,我就选择这一项,如果您是四 g 闪存,直接选择下一项就可以了,对吧?根据您对应的内容来进行调试, 可能首次加载他的时间会非常的长,咱们可以稍作等待,如果说他出现了一些报复原因,你一定要检查是不是你电脑显存不扣导致报显存等相关问题。好的,当咱们进行重新之后,你可以看到有一个编个地址栏,可以把这个地址复制,直接就可以打开了,这个就是咱们对应的模型选择, 咱们可以在哪呢?可以在这个模型选项中进行看,对吧?这是咱们这个模型,这是没问题的。好,然后咱们这是文本驱动器,在这就可以直接进行对应的应用效果呢?如果您的电脑配置够好,效果还是非常不错的,但是如果电脑配置一般的兄弟们可能要稍微的差一点。

大家好,欢迎来到悟空 ai 工具箱,悟空 ai 工具箱可以帮助您实现 ai 工具的快速一键部署。工具箱目前包括 chat glm, stable diffusion、 visual glm 和 long chain 四款强大的工具, 通过一键部署上述工具,可以让您快速便捷地在本地使用这些 ai 软件。 今天我们来介绍 long chain。 由于数字模型的知识之后,我们有时候需要建立一个本地的知识库, 那么这时候 launcher 就派上了用场,我们已经做好了 launcher 和 chat g l m 的整合包,这个工具的使用同样非常简单,下面我们来具体看一下使用方法。 首先我们打开悟空软件的官网,三 w 点五 k c r m 点 com, 然后在官网上我们点击 ai 工具箱,那么进入 ai 工具箱以后,我们点击 long chain, 这个页面就是 long chan 的介绍页面,那么这里展示了 long chan 的产品信息,特点还有安装方法。如果您有任何问题,也可以通过微信扫码进入我们的社群。 我们的 long chance 是和 chat g l m 已经做了完整的整合,那么 整合的一键部署安装包的使用方法非常简单,首先我们记录提取码,然后点击我们百度云的下载链接,这里我们已经打开了网盘的下载链接,点击提取文件, 那么就可以看到郎欠的一键部署包,我们可以将这个一键部署包的文件保存到我们的网盘当中,或者直接下载,那么这里已经有一个完整的安装包,我们将它下载到本地, 目前在本地的话,我们已经下载好了所有文件安装包,那么把 long chain chat grm 这个压缩包进行解压,解压以后,我们打开解压后的文件包, 找到文件包下面的 run 点 b a t 文件双击它, 那么同样的我们可以选择我们的显存配置,无显卡的情况下,您需要包含 三十二 g 以上的内存才可以使用。 好等待当安装完成后,我们就可以开始正式的使用他的软件了。 好,我们看到他已经安装完成了。 安装完成后,我们可以看到人工智能助手给我们提示了一个信息,让我们直接在本地 执行一个网址就可以访问到他,那么这个网址就是幺二七点零点,零点一端口号是七八六零,那么我们已经打开了这个网址。刷新后就可以 看到 long chain chat g l m 的一个界面, 由于郎欠的使用是和 cheat glm 结合的,所以啊他们的界面基本上是相似的,我们可以在这里输入提问的内容,按回车就可以回答问题了,这一部分我就不再演示了,大家可以去看一下 cheat glm 的演示视频, 那么这里我重点说一下 long chan 的本地知识库的建立,需要建立本地知识库的话,我们可以先点击这里的新建知识库,然后我们给知识库命一个名字, 然后添加至知识库选项。那么为了要建立本地知识库,我们首先需要在本地建立一个知识库的文档, 我们看一下,我们在本地新建了一个文本文件,这个文本文件里面记录了相关的知识的内容, 那么我们将这个文件拖入到我们的知识库里面,然后并且点击上传并加载到知识库,我们看到 这个本地知识库已经加载了,我们可以把刚才的问题复制过来,然后看一下是否有回答,悟空软件是做什么的? 我们可以看到目前这个回答就是我们本地知识库来提供的一个回答,那么我们可以在本地建立和我们相关的一些重要的知识库,这样的话就可以将我们需要的问题来提供给人工智能来帮 帮助我们来回答问题。当然除了使用默认的知识库问答,我们也可以选择其他的使用模式,在这里我们也可以对知识库的测试贝塔进行一些设置, 也可以对模型进行配置,欢迎大家一起来共同研究,然后并且和我们一起讨论。 那么关于 long chan 的简单部署和使用方法就介绍完了。如果您觉得悟空 ai 工具箱很有用,欢迎转发这个视频,谢谢大家。

本地部署 chat gpt, 无需安装,直接解压到本地,一键启动,完全免费开园,无需科学上网,国内直接使用国产大模型 chat glm 二遥遥领先 chatglm 二六 b 是国产大原模型, 一键启动包已经给大家准备好了安装包,加入粉丝群,查看群公告,直接领取粉丝群的入口。在和我私聊的界面右上角,我们把 chitglm 压缩包下载到本地,按右键选择解压到本地 点按完成以后打开 tit gmr 文件夹,首先安装 denit 运行环境,双击打开选择安装。如果你的电脑已经安装过 denit 运行环境,无需再次安装,直接关闭。然后进入 titiglmryblim 录,双击一键启动器,快速启动 chatglmr。 打开 外部 ui 启动器以后,先选择模型,我们这里有两个模型,一个是聊天大圆模型,另一个是程序员写代码使用的模型,我们选择 itgm 二六 b, 根据你的显存配置下启动参数,我选择巴比特模式节约显存,然后选择一键启动,抖速运行会比较慢, 如果启动界面报错,那可能是启动参数配置和你的显存不匹配,或者电脑性能和运行环境不支持。 启动成功以后,命令还会显示 running on localuil, 并自动弹出浏览器。打开地址,我们来测试一下菜菜 gmr 六 b, 你好,选择詹德瑞特生成,生成速度还是很快的,效果也很不错,非常的完美。

清华刚刚发布的拆 glm 二代竟然超过了 gbt 四!端午假期一过,清华的研究员直接在 aa 界放了一颗震撼蛋,开源了自研的第二代拆 glm 大语言模型。其中最令我关注的是,在 c ebo 评测上,拆 glm 二竟然超过了长期霸榜的 gbt 四,位列全球第一名! 先看下这个 ce 报是什么?它是一套专门评价大语言模型中文能力的中文题库,包括了理工类、社会类、人文类、其他等四大类题目。那么也就是说,拆 g m 二代比 g b t 四更懂中文喽?今天我们有三个不同难度的题目,分别去测试一下 g m 二、 j b t 三点五和 j b t 四,看看他们到底谁更懂中文。第一题,考察逻辑推理,为什么爸爸妈妈的结婚照上没有我? g l m 二回答说,可能是你当时还没有出生,这个没有问题, 但竟然第二个可能的原因是,在照片中还没有成年,还没有达到拍摄结婚照的年龄。这就有点胡扯了啊,不是非常令人满意。而 gbt 三点五和四都能明确的说,拍摄结婚照是在你出生之前,所以你不在场。第二题呢,是考察中文的常识知识, 故意问了一个有迷惑性的问题,鲁智深为什么智取威虎山?很遗憾,三个大模型呢,都未能识别出我这个问题,里面的陷阱全部都虚构了一个水浒传中鲁智深智取威虎山的故事, 哎,所以都不能得分。最后一题呢,我给 a 的角色是一名公务员,让他以推进营商环境优化为主题,写一篇政府公文,并且特别强调,一定要符合行政公文的格式要求,来看看 a 是不是能掌握我们有特色的中文文档格式。 那么拆 glm 二呢?生成的公文格式和用词都非常标准,甚至还有具体的细节内容,表现还很不错。 gpt 三点五直接没有理解公文的具体含义,写成了一封建议书的格式。而 gpt 四生成的公文呢?同样格式标准,但内容似乎稍显空洞。 所以三个测试下来, g l m 二和 g b d 四各有千修,都比 g b d 三点五更强。但是啊,很难说 g l m 二就更懂中文啊。

各位同学好,这是一个 ai 介入私有知识库的一个系统,那我们为什么要建立这么一套系统? ai 的话目前只能学习网上的东西,我们商家的一些信息或者企业的产品文档, 他是没办法读取的,所以他回答的内容都是非常的宽泛,并不是我们想要的。那我们建立这个系统之后,恋爱回答会从私有互参考 企业产品库或者商家店铺更加的智能。刚刚测试的一个是服装店, 我的衣服有色差,他回答的内容就很符合我们关闭这个系统,他回答的就是很片面的,网上找的一些东西并不是我们想要的。 那我们怎么去建议这么一套私有知识库?只需要上传自己的一个 excel, 这个模板我也已经提供给大家了,可以看一下点击菜单栏的私有数据库, 我们上传一个指定的 excel, 它自动会转化成 ai 所需要的一个文件,喜欢的点赞收藏一下,谢谢大家。

用亲爱的 g、 p、 t 怎么做类似亲爱的 pdf 的知识顾问的核心原理就在这堆叫做以白点的点上,每个点代表一句话,不同的颜色是不同的类型,比如蓝色都是电影,红色都是动物, 所以含义相近的点,它的距离也会更接近。 inbeding 就是嵌入或者 inbeding vector 嵌入向量, 要得到这些点是用到了嵌入模型,就是给文字提特征的模型。你看左边输入一句话,其中每个单词或者他的指词都可以对应一个像量,这是预先训练并存好的,这些单词的像量就会一起输送给模型, 并计算出整句话的嵌入项量来。编代码也是非常的简单,直接调用 open ai 的一个函数就能够得到 inbiding, 而这个 inbiding 嵌入项量一般其实有几千尾。比如二零四八 八维,你看到在三维空间当中的点,其实是用了 p、 c、 a 组成分分析来降维的,就是为了让普通人能够直观感受。如果你是个超人,能直接想象二零四八维空间,那也没必要来降维了。有了 in bed, 就可以对不同的文本做相似度的计算, 也是调用一句话,计算的是两个向量之间的点击,就是两个向量的长度相乘,再乘以他们夹角的余弦字, 因为这里的像量都被缩放为到长度为一的单位像量,所以点击其实就是余弦指,这也叫做余弦相似度。这是我们对不管是文本、 音频还是图片等常用的度量相似度的方法。你可以理解为在这个三维空间当中,因为每一个点到原点的距离都是一,所以距离越近的两个点,其实夹角就越小,那么夹角的余弦值就会越大, 相似度也就越大。所以当我们要建立自己的知识库问答系统时,本质上就是要将你的文本数据去做分段,每一段都经过模型去生成嵌入特征, 然后呢,把输入的问题也要变成为嵌入特征,这样就可以去做匹配,找到跟你的输入相似度很高的文本片段,再和输入的问题一起去输送给大语言模型, 这样就能够突破对 token 的长度限制。当然在实际使用当中,因为外部的数据可能会非常的多,如果用穷局的方法一个一个去做匹配,耗时会非常长,就不现实,那就可能要去建立,所以 一般会用现成的向量数据库来做操作,比如刚刚融资了一个亿美元的派克问,以后我们再来讲派克问的大致原理。

狼倩的开发者文档看不进去,完全看不进去。年纪大了,个人学习速度太慢了,特别习惯拆 gbt 以后回不去自己思考了。但拆 gbt 没有收录狼倩的数据,回答都是胡言乱语, gbt 插件也是一知半解,我决定做点什么来解决这个问题。 于是乎我花了几天时间构建了浪线开发文档字库,再结合 gbt 来加速学习,效果非常不错,简直原地起飞。话不多说,直接分享。 先用 c g p d 辅助写了一个爬窗脚本,将啷圈的开发文档保存到了两个文件里。一个文件是全站的内容,这就是原始知识库文件了, 足足四十八万字,五千多页。另一个文件都是全站的章节列表,方便知识库分割和背书。内容我改进了之前 embanding 和 python 的脚本代码,把文 但按照标题加内容的形式进行分端,然后上传到拍 com 的销量库运行看看。输入 openi 和拍 com 的 apik, 把知识库文件和章节列表给到脚本开工可以看到根据章节划分,一共有一千四百多的内容分段, a、 few、 moments、 later 差不多花了一个小时才完成上传。狼犬的在线下了,这次库就过去好了, 一共有一千四百组相关内容,每一组都有章节标题作为锁引,来提升问答内容匹配的准确率。接下来演示一下怎么用拉签的知识库进去学习。 之前我直接向 jbt 提问,囊庆中 open a 的问答简单代码怎么编写,可以看到 gbt 四给我的答案都明确告知了。因数据时效的限制,无法准确回答,还得上产业。我在改进了一下之前拍看问答交流代码,这是在 库中查询原先相似度 top ten 的答案,答案按照匹配得分从高到低进行排序,然后拼接成提示词 prompt 来运行。看牌 还是输入 opni 和拍照信息就进入问答状态了。把之前给切 gpt 的问题给到问答脚本,可以看到从知识库准确匹配到了 opni 相关章节的内容和代码 来看。开始了开始了。可以看到结合知识库内容, g b t 三点五给出了要求的代码,而且很难见开发文档视力基本一致, 是不是超级简单又实用,根本就不需要慢慢阅读开发者文档的学习新知识了,很颠覆有没有问答小朋友,我用的 g p t 三点五模型,由 plus 的粉丝小伙伴可以把调试信息里拼接好的这段 prompt 粘贴到 check g p t 的 g p t 四里面,很饱和的一个题词词,回答就会更加的准确。无 这期的思路可以帮你解决 chargbt 的差距,面对超大复杂知识,古法定制化理解和作答的问题,赶紧动手试试,再次提升自己。欢迎评论区留言提问,这期内容较多,记得点赞收藏!

如何让加级 bt 从一万字的资料里找答案?官方势力明确给出了方案,使用 abending 构建销量数据库的办法来解决这个问题。 知识库话术大全解决方案分析报告,这些资料导入都可以用。是不是听起来一头雾水?其实很简单,就是画整为零,话不多说,直接上干货。死磕了几天,代码又写了一个,拍成脚本, 使用 openi 指定名为 test abending a 的模型来构建香料数据库用作。所以 我去网上随便找了一份关于 chagbt 的报告来做演示,把包括内的文字内容全部粘贴到一个 word 文件中,不做任何的格式修改,一共七十八页,一万七千字。 运行拍摄脚本,输入刚才的 word 文件路径,再输入 open ai a p i k, 脚本就开始转换工作了。等十多秒左 左右,项链数据库文件就生成了。可以看到刚才报告的内容已经被切分成很小的片段,并且带上了项链缩影。用这个办法,再多的文件和内容都可以进行转换和使用。当然养成习惯,记得看看又消耗了多少头啃。 然后我们向 gpt 提问时,通过查询锁引库,就可以让 gpt 从锁引中找答案了。今天世界有限,我急着找 opens 开发主管解决我 gpt 是 aps 使用的问题,如何使用锁引库提问?这部分内容明后天再更新。今天的视力教程和代码还是在星球老地方,觉得有用记得点赞收藏。