在 ChatGPT 上创建智能体的流程如下：
具体操作步骤：
对于一些它不熟悉的API，还是需要在Prompt里告诉他要怎样使用。比如剩下的数据也可以用类似的方式让ChatGPT来处理，比如让他列出：上映时间'release_date'、评分'vote_average'、评分人数'vote_count'：它就能很+我们最后提炼一下Action的工作流：首先，想一下你想要做一个什么样的GPT，以及是否需要外部数据——这两个谁先谁后不重要；然后，去你需要的外部数据寻找API文档，或者基于你的需求，自己开发一个API，寻找市面上可以直接用的Action ；最后，基于API文档，编写Action里的Schema，和Prompt（如何处理取回来的信息）写在最后总结一下：今天我们的讨论起始于人工智能中的“Agent & Action”，然后转向OpenAI对智能体（Agent）能力模型的定义。接着，我们深入探讨了ChatGPT中的Action（搜索、画图、代码解释器），以及GPT系列中的不同Action。使用了一个容易上手的Action Webpilot，用于访问网页获取实时的文本内容。最后，我们初步了解了API的概念，以及GPT如何通过Action与外部数据进行交互和使用。如果对Action很感兴趣，你可以从以下方向开始继续前进：
Step.1点击“浏览GPTs”按钮Step.2点击“Create”按钮创建自己的智能体Step.3使用自然语言对话进行具体设置Step.3使用手工设置Step.4开始调试你的智能体并发布
在现代，有大量的人类文本以数字形式存在。公共网络上至少有几十亿人类撰写的页面，总共可能有约一万亿字的文本。如果包括非公开网页，数字可能会多至100倍。目前，已经有超过500万本数字化的书籍可供使用（尽管已出版约1亿本），另外提供了约1000亿个单词的文本。甚至还未提及来自视频等口语转换的文本。（作为个人比较，我一生中发表的文字总量少于300万字，过去30年来撰写的电子邮件总量约为1500万字，总共打出的字数可能达到5000万字——仅在过去几年里，我在直播中就已经讲了超过1000万个字。没错，我会从这些内容中训练一个机器人。)好了，既然有了所有这些数据，如何从中训练神经网络呢？基本过程与我们在前面的简单例子中讨论的一样。您提供一批示例，然后调整网络中的权重，以使网络在这些示例上产生的误差（“损失”）最小化。“反向传播”中的主要开销在于每次执行此操作时，网络中的每个权重通常都会发生微小的变化，并且需要处理大量的权重。（实际的“反向计算”通常只比前向计算复杂一个小常数因子。)