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。)