人和机器用自然语言对话的时代开始了-526互联

ChatGPT是一个语言模型，而不是知识模型。

当我们觉得ChatGPT在胡说八道时，实际上是把它误认为知识模型，当认知为知识模型时，就不能出错，不能胡说八道。

事实上，GPT不可能获得完整的知识，无论技术如何发展，知识错误是必然会出现的，这是因为：

部分知识具有时效性，从GPT训练的周期来看，它的训练数据在使用时就已经过时。
由于隐私、合规等问题，GPT即使再发展和迭代，训练数据也不可能是全面的数据，它只能使用公开的数据，如果使用隐私的数据就会出现问题。

由于像ChatGPT这样的NLP大模型无法获得全部知识，我们就不能把它当成万能AI，而应该把它看成语言模型，语言模型就是可以理解自然语言，能够生成文字（对话），即它擅长做文字工作，于是对于普通用户和创业者的机会分别如下：

给普通用户的机会是生成文字（对话）；
给创业者的机会：
- 在某个行业领域，增加行业知识后的生成文字（对话）；
- 理解自然语言，然后调用某个特定插件，完成某个任务，并用自然语言输出结果；

下面介绍给创业者的这两个机会的实现思路：

增加行业知识后的对话

这个可以用“如何把自有数据接入GPT大模型？ ”这篇文章里提到的两个方法：

在大模型基础上微调（Fine-tuning）注入专业领域知识，不过目前OpenAI只是开放了GPT3，建议等等再看，目前不推荐。
在Prompt中带入知识，这个受Token数的限制，可带入的知识有限，近一步解决方案就是使用Embedding接口，把行业知识向量化，存在本地向量数据库上，用户对话时，先查询下本地向量数据库，找出最相关的，把相关的这部分作为Prompt的知识带入。

理解自然语言

宝玉在微博中提到王建硕老师开发的补全一些ChatGPT缺失的能力机器人，就是用的这个方案。

比如我们要补充ChatGPT的报时、算复杂数学任务的能力。

我们知道ChatGPT是有能力理解用户的问题，并且有一定的逻辑能力可以基于用户的输入做出一些判断和数据提取。

所以要实现这样的机器人，首先你要定义好一些插件，比如我有两个插件，定义好名称、描述、执行程序

name: 报时
description：当用户咨询当前时间使用这个工具
run: () => 现在下午4:27分

name: 计算器
description: 当用户询问数学计算时使用这个工具，并且把用户问题转换成可执行的python数学函数代码
run: (query) => eval(query)

当用户问

“29开根号等于多少？”

我们分两次OpenAI.ChatCompletion请求。

第一次请求判断用什么扩展工具？

第一次请求OpenAI的prompt会是这样：

你要帮助用户回答问题，这里有以下工具可供你选择：

报时：当用户咨询当前时间使用这个工具
计算器：当用户询问数学计算时使用这个工具，并且把用户问题转换成标准数学公式

你需要根据用户的问题输出：
工具名称：从上面的工具中选择一个
输入：要传入工具的值

下面是一个示例:
用户的问题是：59开根号等于多少？
你的输出结果：
工具名称：计算器
输入：math.sqrt(59)

拿到OpenAI返回的结果后，调用计算器的run函数，计算出来math.sqrt(29)的结果5.385。