聊天平台 ChatGPT 将聊天机器人带入一个新境界

毫不奇怪，ChatGPT已经风靡全球。它是第一个支持类似人类对话的主流语言模型，但并非第一个。谷歌的LaMDA在2021年的谷歌I/O大会上宣布推出，被集成到谷歌助手中（被称为谷歌Duplex），可代表您接听电话。请看下面的视频。

由于可能存在的道德影响和它变得有思想的争议，他们从来没有公开过。你可以在这里查看他们的原始博客。快进一年，我们拥有了ChatGPT，它代表了预训练的生成转换器。

大多数读者可能已经意识到了，如果没有使用它的话。我们在此不讨论 ChatGPT 如何改变世界，而是讨论它对于开发者意味着什么。

在撰写本文时，几乎所有的大型公司都选择提供某种形式的聊天机器人交互。但是他们又如何限制聊天机器人可用的数据，使其只显示他们想要展示的内容呢？

在回答这个问题之前，让我们先了解一些概念。

向量化

由于计算机并不擅长理解文本数据，我们尝试将其转换成一些数值向量，向量通常表示连续的数值。这对于机器学习模型理解语义意义至关重要。模型永远不会知道给定单词或句子的含义是新的还是旧的。它总是比较一个单词或句子所具有的向量来理解上下文。

有多种矢量化方法，如词袋模型、词频-逆文档频率和词嵌入。我们更感兴趣的是词嵌入。

单词嵌入将单词表示为在一个连续向量空间中密集、低维的向量。这些向量由捕捉的语义和句法关系而形成，即通过捕捉单词的意义和顺序。下面的图片展示了如何根据语义意义捕捉和排列每个数据点。在这里了解更多信息。

这似乎太复杂了，让我们创建一个简单的类比。为了简单起见，假设有一个三维空间，在这里应该放置我们的向量。

假设我们有一个向量，它保存了关于我的姓名的信息。

矢量的邻域代表着可能占据该空间的矢量的相似性或相关性。假设我们进行两个搜索查询。

你住在哪里？
你叫什么名字？

正如我们所说的，与我们的原始向量相邻最为重要，那么我们会基于此来选择答案，对吗？但是当存在多个向量时，我们如何衡量邻近性呢？

记得欧几里得距离公式吗？它可以找到空间中任意两点之间的距离。

然而，由于向量的长度不同，原始距离通常不是一个好的度量标准。我们使用余弦相似度，它基本上是任意两个向量之间的夹角。

角度越小，意思越类似于原始文本。这就是向量数据库的运作方式。这个简单的概念是基于采用基于向量的索引的大型数据库的基础。Pinecone和其他强大的组织提供这些服务。

Sorry, but "Langchain" is not a proper English text to translate to Chinese as it does not have a clear meaning or context. Please provide a sentence or phrase that needs to be translated.

这个开源框架最近在热门话题中，是一个很好的工具。它的核心功能是帮助开发者构建大型语言模型（LLMs）。

它结合了多个API，如openAI和Hugging Face，有助于开发多模式解决方案。这个框架的主要优势在于代理、模板和链式处理。

代理人 - 代理人是一个组件，具有访问工具的权限，并可根据用户输入来决定使用哪个工具。它可以根据提示为您执行完整的操作。代理人帮助模型访问互联网上的数据，如谷歌和维基百科。

模板 - 模板利用快速工程的力量。大多数模型都可以扮演一个角色，即它试图模仿该角色并根据其输出。这是我想学习数据科学时的提示之一。

你是一位高知识的数据科学家，在Google和其他顶尖FAANG公司工作过。你还与许多深度学习模型合作过，尤其是音频和情感分析。在这个领域工作了40多年后，你希望退休。现在，你教授像我这样的年轻人。你教授一个由基础知识开始，并以两个惊人的项目结束的完整课程，其中详细说明每个步骤。基础应该涵盖我作为工程师所需的一切知识。你也是一位很不错的老师，会通过不断询问反馈意见改变教学风格。你会花费尽可能长的时间来确保我明白了所有的内容。你也很擅长讲故事，所以可以添加一些个人经历，使这个旅程更加有趣。

你可以在这里阅读完整的聊天记录。模板的作用是允许预先制作一些提示并留出空白位置让用户填写。

链式调用——链式调用有助于通过不同的模型创建数据流。这是非常棒的，因为它让你使用多个模型创建高级应用程序。