OpenAI称系外部工具缺陷形成 ChatGPT拒绝议论特定名字 (openai是什么公司)

上周末“David Mayer”这个名字在网上惹起热议，要素是 ChatGPT 出现了一个奇特的缺陷，无论用户如何努力，都无法让该聊天说出这个名字。相同，ChatGPT 要么在句子两边卡住，宣称“出了点疑问”，要么干脆拒绝回应。这引发了外界的猎奇：David Mayer 是谁？为什么 ChatGPT 对他“避而不谈”？

这个谜团越来越大，网友们的猜想形形色色。有些人以为 Mayer 或许只是一个一般人，但他行使了“被遗忘权”，这是英国和欧盟的一项法律，支持人们删除他们的在线集团数据。也有人怀疑他或许是一个有权利的人，甚至或许来自著名的罗斯柴尔德家族。但 David Mayer de Rothschild 自己亲身造谣，称这些猜想毫无依据。

好在是 ChatGPT 的开发者 OpenAI 如今曾经廓清了理想，解释称这个疑问并非源于 GDPR 条例或集团恳求，而仅仅是一个“缺陷”，是由一个外部工具错误地标志了 Mayer 的名字构成的。

ChatGPT 的“小缺陷”并不稀有，OpenAI 不时将这些疑问视为 AI 模型学习环节中的“生长烦恼”，并不时努力改良。但是，修补一个疑问的同时，往往会引入新的疑问。

媒体留意到，相似的“翻车”事情在其他 AI 工具中也屡见不鲜。例如，谷歌的 AI 搜寻曾引见将胶水涂在披萨上作为烹饪技巧。

GPT X LowCode-GPT 提示工程与低代码开发实战

提醒GPT-X与LowCode：一场对话与开发的反派

腾讯的创新之手，由工程师姜天意引领，提醒了提示工程这一前沿技术，它像一座桥梁，将大模型对话的性能与效率优化到了新的高度。 提示工程的力气在于其通用性，它能优化大模型的回答质量与格式，使之更易于系统整合。 这个魔法的中心，包括指令的精准设计、上下文的保养、输入数据的精心组织，以及输入指示符的明白引导。

实验与选择：OpenAI ChatGPT的通常指南

在探求之旅中，我们经过OpenAI的ChatGPT测试了温度参数（temperature）和top_p的选择，以及text-davinci-003与gpt-3.5-turbo的性能差异。 后者不只性能优化清楚，还以更经济的多少钱提供了出色的体验。 在调用API时，Role参数的巧妙运用确保了对话的连接性，无论是系统信息、用户对话还是助手引导，都要求我们掌握对话的节拍。

Token控制的艺术：节省与效率的平衡

大模型如GPT，以Token的方式处置文本，每个Token都承载着信息。 超出限制时，我们要求精简表达，而中文字符占据的Token数量往往更多。 API调用按Token计费，因此优化Token经常使用至关关键。 提示工程中，少样本提示（零样本）和思想链提示（CoT）犹如催化剂，前者虽有应战，但CoT的引导性提示规律在处置复杂义务时，如送礼疑问中的逻辑引导，展现了弱小的处置疑问才干。

ReAct技术：执行与推理的融合

GPT在疑问处置时，采用Reasoning + Acting（ReAct）技术，经过整合外部工具如性别判别和礼物介绍工具，成功迭代思索和调用，如CoT，优化疑问处置的准确性。 生成知识提示则应用大模型的弱小知识生成才干，扩展知识推理，如在高尔夫球和DSL范围，为用户提供深度洞见。

低代码开发的新纪元

在低代码开发的热潮中，从UI界面设计到流程智能化，再到AI2SQL的智能提示，如设计巧妙的prompt让GPT生成SQL，都凸显了prompt设计在优化效率中的中心肠位。 langchain框架提供了弱小的工具和接口，简化了基于GPT的爬虫构建，只需结合prompt，就能加快成功。

服务与接口：构建互动桥梁

接口网关在低代码运行中扮演着关键角色，用户等候经过服务接口与AI无缝交互。 经过火解义务，应用Swagger API和GraphQL简化查询，我们可以引导GPT了解接口并生成自定义DSL，处置组件控制和高频编辑的疑问。

技术整合：高效与灵敏

1. 分解义务，引导接口了解：Swagger API提供上下文，协助GPT了解恳求。 2. 构建智能prompt，驱动操作：明白指令，指示数据失掉和输入格式。 3. GraphQL简化查询，顺应AI才干：用GraphQL替代HTTP，增加复杂性。 4. 生成自定义DSL，控制组件：AI生成DSL，结合组件路由模块，优化灵敏性。 5. 疑问与处置，继续优化：文档婚配、言语差异，经过技术手腕优化提示，节省资源。

GPT与DSL、组件路由的完美结合，构建了低代码系统，顺运行户需求的灵活变化。 经过JSON Patch技术，我们巧妙地控制Token，成功高效数据操作。 而GPT与向量数据库的结合，为文档控制和知识生成提供了新或许。

总的来说，提示工程和低代码开发的结合，不只优化了技术的易用性，也提醒了创新的有限或许性。 经过GPT的力气，我们翻开了一个全新的技术范围，让陈皓教员和一切开发者都能更轻松地触及高效率的开发新境界。 继续关注【鹅厂架构师】，探求更多前沿技术的交汇点。

ChatGPT 适用指南（二）

从本小节末尾，我们将 ChatGPT 视为一个具有一定智慧的“人类”，并尝试将它的行为与人类的行为启动类比，以更好地了解如何经过新增“概念”和设计“工具”来优化其任务。 近年来，提示在自然言语处置范围出现了清楚变化，但本书将侧重从经常使用者角度学习和研讨提示技巧。 经过提问和示例，我们能够清楚提高 ChatGPT 的回答质量，这正是提示工程的中心目的。 提示工程旨在经过创立一组指令和文本输入，引导大型言语模型，使其成功特定需求。 好的提示，似乎魔法咒语，能激起模型的潜力，发生出人预料的效果。 虽然提示工程仍是一门阅历性学科，缺乏通常指点，我们可以经过不时探求和积聚阅历性结论来学习和开展提示技巧。 在提示的构成方面，方式多样，通常上可以设计出有数种。 普通而言，提示可以分为四部分：单轮对话的提示和多轮对话的提示。 单轮对话的提示直接指向疑问的中心，而多轮对话的提示则能够进一步引导 ChatGPT 并纠正其错误。 关于更详细的提示设计，参考《The Art of Asking ChatGPT for High-Quality Answers》一书，该书提供了多种模板供参考。 ChatGPT 的任务记忆相对较小，这限制了它在计算和义务规划方面的才干。 但是，我们可以经过设计思想链提示、ReAct 提示和 self-ask 提示等方法，增加对任务记忆的依赖，进一步引导模型成功义务。 短期记忆在 ChatGPT 中发扬着关键作用，它经过记载用户与 ChatGPT 之前的互动内容，构成短期记忆，使 ChatGPT 能够在多轮对话中坚持延续性。 但是，短期记忆的继续收缩疑问可以经过增加 token 数量、经常使用文本摘要或结合经常使用多轮对话与文本摘要等方式处置。 常年记忆的成功方法关键是经过 finetune，行将特定内容调整到模型权重中，以存储关键信息。 虽然 finetune 要求满足一定条件，如数据量和算力要求，但其是存储常年记忆的有效手腕。 关于 finetune 无法成功的状况，将常年记忆存储在外部数据库中并作为提示输入，可以直接成功常年记忆。 在面对特定义务时，ChatGPT 的表现或许受限于其才干，因此引入外部工具变得至关关键。 经常使用外部工具不只能够增强 ChatGPT 的性能性，还能使其更高效地处置非言语处置义务，如数字计算、实时信息失掉或代码执行。 经过设计包括了处置疑问步骤和工具经常使用的提示，ChatGPT 可以智能查找并经常使用最适宜的工具来成功义务。 OpenAI 提供的接口支持用户经过不同参数来精细控制 ChatGPT 的照应，包括选择不同的模型、输入提示、设置后缀、生成 token 数量、调整温度和 top_p 参数、设置 n 和 stream 参数、指定中止条件以及运行 logit_bias 参数等。 了解这些参数的详细解读有助于更高效地经常使用 ChatGPT。

Agent 简介

代理由规划、反思、记忆和工具等组件构成，且需LLM驱动。 思想链分解疑问为多个步骤，思想树则在每个步骤中扩展多种推理或许性，构成树状结构。 反思环节包括思索、执行和观察，经常使用ReAct模板。 Chain of Hindsight经过人类反应训练模型，优化模型预测结果。 记忆类型包括最大内积搜索（MIPS）和近似最近邻（ANN）算法。 工具MRKL引入专家模块，如计算器和API，优化答案牢靠性。 TALM和Toolformer使模型学习调用外部工具。 OpenAI的ChatGPT Plugins和API Function Call成功与外部服务交互。 HuggingGPT基于ChatGPT，选择HuggingFace上的模型。 API-Bank提供评价Tool-augmented LLMs性能的规范，包括常用API和任务流，以及标注对话。 在API-Bank中，LLM要求做出决策，评价工具调用才干。 代理的案例研讨包括迷信发现型、生成式模拟和概念验证，如AutoGPT和GPT-Engineer，其系统信息展现了组成部分，如人设、目的、限制、可调用工具和示例格式。