【ChatGPT】教程：通过数据ChatGPT
ChatGPT席卷全球。数以百万计的人在使用它。但尽管它对通用知识很有帮助，但它只知道自己接受过哪些培训的信息，即2021年之前普遍可用的互联网数据。它不知道你的私人数据，也不知道最近的数据来源。
如果真的这样做了，那不是很有用吗？
【LLM】LangChain＜＞非结构化
【ChatGPT】很棒的ChatGPT提示 （1）
欢迎使用“真棒聊天GPT提示”存储库！这是将与ChatGPT模型一起使用的提示示例的集合。
ChatGPT模型是一个由OpenAI训练的大型语言模型，能够生成类似人类的文本。通过向它提供提示，它可以生成继续对话或扩展给定提示的响应。
在这个存储库中，您会发现可以与ChatGPT一起使用的各种提示。我们鼓励您将自己的提示添加到列表中，并使用ChatGPT生成新的提示。
ℹ️ 注意：有时，某些提示可能无法按您的预期工作，或者可能被AI拒绝。请重试，启动新线程，或者注销并重新登录。如果这些解决方案不起作用，请尝试使用自己的句子改写提示，同时保持说明不变。
想写有效的提示吗？
我写了一本名为《聊天GPT提示的艺术：制作清晰有效提示的指南》的免费电子书。
想要部署您自己的提示应用程序吗？
Steamship的员工构建了一个框架来托管和共享您的GPT应用程序。他们通过免费（每天最多500个电话）访问最新的GPT模型来赞助此次回购。
👷♂️ 构建您自己的GPT提示应用程序
想学习如何使用ChatGPT提示赚钱吗？
【LLM】很棒的ChatGPT资源库
大语言模型
- 阅读更多 关于 大语言模型
- 登录 发表评论
【LLM】Langchain跟踪介绍
我们很高兴宣布在LangChain中支持原生追踪！通过在LangChain运行中启用跟踪，您将能够更有效地可视化、逐步完成和调试链和代理。
A view of a more complicated trace at a high level
动机
关于链和代理执行的推理对于故障排除和调试非常重要。然而，对于复杂的链和代理来说，这可能很困难，原因有很多：
- 可能会有大量的步骤，因此很难跟踪所有步骤
- 步骤的顺序无法固定，可能会根据用户输入而变化
- 每个阶段的输入/输出可能不长，需要进行更详细的检查
链或代理的每一步也可能涉及嵌套——例如，代理可能会调用一个工具，该工具使用LLMMathChain，它使用LLMChain，然后调用LLM。如果您注意到来自顶级代理运行的奇怪或不正确的输出，则很难确定它在执行中的确切位置。
通过跟踪，您可以清楚地看到特定链或代理运行中涉及的每个LangChain原语的输入和输出，按照它们被调用的顺序，从而解决了这一问题。
【LLM】LangChain特性存储和LLM
编者按：非常感谢Willem Pienaar（Feast）、Mike Del Balso（Tecton）和Simba Khadder（FeatureForm）对本文的评论和帮助。
LLM代表了人工智能的一种新范式。有多少对传统机器学习有用的工具和服务在这里仍然相关，这是一个悬而未决的大问题。一方面，对于这种新的范式，有非常真实的新用例和需求。另一方面，现有的工具和服务具有多年的经验、开发和功能强化。这些工具在这个新的范式中仍然有用吗？
特性存储概述
一个特别有趣的案例研究是功能商店。在传统的机器学习中，模型的输入不是原始文本或图像，而是与手头的数据点相关的一系列工程“特征”。特征库是一个特征库，是一个旨在将ML特征集中并提供给模型的系统。通常有两个好处：
一种跟踪在特定时间点存在哪些特征以用于模型训练的方法
- 进行推理时使用的实时特征管道
- 这些可能如何适用于LLM应用程序？
第一点似乎没有那么重要。大多数人使用OpenAI、Anthropic等预先训练的LLM，而不是从头开始训练自己的模型。
【LLM】langchain结构化工具
TL；DR：我们正在引入一种新的抽象，以允许使用更复杂的工具。虽然以前的工具只接受单个字符串输入，但新工具可以接受任意数量的任意类型的输入。我们还引入了一个新的代理类，它可以很好地与这些新类型的工具配合使用。
重要链接：
- 工具列表
- 新代理人
早在2022年11月，当我们首次推出LangChain时，代理和工具利用率在我们的设计中发挥了核心作用。我们建立了基于ReAct的首批链之一，这是一篇开创性的论文，将工具的使用带到了提示框架的前沿。
在早期，工具的使用过于简单。一个模型将生成两个字符串：
- 工具名称
- 所选工具的输入字符串
这种方法将代理限制为每转一个工具，并且该工具的输入限制为单个字符串。这些限制主要是由于模型的限制；模型甚至很难熟练地完成这些基本任务。可靠地执行更复杂的操作，例如选择多个工具或填充复杂的模式，将是一件愚蠢的事。
然而，更先进的语言模型（如text-davinci-003、gpt-3.5-turbo和gpt-4）的快速发展为现有模型能够可靠实现的目标奠定了基础。这促使我们重新评估LangChain代理框架中对工具使用的限制。
【LLM】LangChain入门：构建LLM驱动的应用程序入门指南
LangChain教程，用于在Python中使用大型语言模型构建任何东西
“What did the stochastic parrot say to the other?” (Image drawn by the author)
自从ChatGPT发布以来，大型语言模型（LLM）获得了很大的流行。尽管你可能没有足够的资金和计算资源在地下室从头开始训练LLM，但你仍然可以使用预先训练的LLM来构建一些很酷的东西，例如：
- 可以根据您的数据与外界互动的个人助理
- 为您的目的定制聊天机器人
- 对您的文档或代码进行分析或总结
LLM正在改变我们构建人工智能产品的方式
【LLM】LangChain的LangFlow
LangFlow是LangChain的一个GUI，可以轻松地进行LLM应用程序和提示链接的实验和原型制作。
LangFlow是一个基于LangChain的本地LLM图形开发接口。如果你以任何方式熟悉LangChain，在链、代理和提示工程方面，这个开发界面都会感觉非常直观。
在下图中，是所有可用组件分组的列表。展开后，可以看到链、提示、代理和LLM的开发可供性列表。这个列表肯定会随着兴趣的增加而增加。
以下是关于如何构建一个非常简单的LLM Chaining应用程序以及如何与该应用程序聊天的简短教程。
要构建最简单的LLM应用程序，需要选择三个组件并将其拖到设计画布上：