一个让 ChatGPT API “学习”超过 4096 tokens 上下文的思路
chuangbo · 2023-03-03 09:59:01 +08:00 · 7009 次点击这是一个创建于 618 天前的主题，其中的信息可能已经有所发展或是发生改变。
想要将 ChatGPT 应用到某个领域，让它学习专有的上下文是必不可少的。例如，想让 OpenAI 成为智能客服，需要让它学习常见问题的回答。
然而，ChatGPT API 有一个限制，即一次只能处理 4096 个 tokens 的上下文。这意味着，在每一个对话中都无法将完整的上下文传递给 ChatGPT 。即使 4096 个 tokens 对于放置上下文来说足够，控制成本也是个问题。
下面介绍的一个开源项目，提供了一个思路。这个项目让 AI 学会了所有 Paul Graham 的文章内容，共计 605,870 个 tokens 。借助这个项目，你可以自由提问，进行自然回答。
这个项目的基本原理是，通过 Embedding 模型和数据库在大量物料中搜索可能与用户回答相关的段落，然后从这些段落中生成 prompt ，以便 ChatGPT 进行聊天式的回答。如果你对该项目感兴趣，可以在下面的链接中了解更多信息。
作者介绍项目的 tweet： https://twitter.com/mckaywrigley/status/1631328308116996097
项目地址： https://github.com/mckaywrigley/paul-graham-gpt
然而，ChatGPT API 有一个限制，即一次只能处理 4096 个 tokens 的上下文。这意味着，在每一个对话中都无法将完整的上下文传递给 ChatGPT 。即使 4096 个 tokens 对于放置上下文来说足够，控制成本也是个问题。
下面介绍的一个开源项目，提供了一个思路。这个项目让 AI 学会了所有 Paul Graham 的文章内容，共计 605,870 个 tokens 。借助这个项目，你可以自由提问，进行自然回答。
这个项目的基本原理是，通过 Embedding 模型和数据库在大量物料中搜索可能与用户回答相关的段落，然后从这些段落中生成 prompt ，以便 ChatGPT 进行聊天式的回答。如果你对该项目感兴趣，可以在下面的链接中了解更多信息。
作者介绍项目的 tweet： https://twitter.com/mckaywrigley/status/1631328308116996097
项目地址： https://github.com/mckaywrigley/paul-graham-gpt
第 1 条附言 · 2023-03-05 00:49:29 +08:00
另外再给大家补充推荐两个参考
1. llama-index (gpt-index)
它是一个 Python 工具包，它封装了上面提到的思路，实现了突破 4096 tokens 限制的功能。除此之外，它还有许多功能：
- 长文本摘要
- 个人数据库自然语言查询
- 预测分析 OpenAI API 成本
- …
项目地址：https://github.com/jerryjliu/gpt_index
2. OpenAI Cookbook
它是 OpenAI 官方提供的一系列实用的例子和指南，其中包括了各种场景和功能的演示和代码，让你轻松上手 OpenAI 的强大能力
 |
1
rajesh941 2023-03-03 10:14:57 +08:00
本地有 100 篇文章，能让它学习下吗？
|
 |
2
chuangbo OP @rajesh941 可以的，这个项目的思路相当于让 OpenAI “学习”了 60 万字的文章，成本只有 0.24 美元。
|
 |
3
shuxiaokai 2023-03-03 11:49:56 +08:00
可以做智能客服，训练好数据集。
|
 |
4
hanbing135 2023-03-03 11:59:38 +08:00
这个思路很猛啊
|
 |
5
vToExer 2023-03-03 12:45:29 +08:00 via Android
这个思路看起来和 gptindex 相似，都是在外部存放一份数据供 chatgpt 读取使用，以突破 4096 的上下文限制
|
 |
6
leimao 2023-03-03 12:53:24 +08:00 via iPhone  1
这个做法很早就有人做了，比如说 BERT 时期的 Universal Sentence Encoder ，可以用来做检索。
|
 |
7
kongkongye 2023-03-03 13:23:16 +08:00
amazing!!!
|
 |
9
mrgeneral 2023-03-03 13:46:55 +08:00 2
ChatGPT 官方提供了这个解决方案的，我上周刚研究完，主要是数据安全不太好解决。
官方提供的思路是：通过关键词对物料进行关联度匹配（官方给的例子是余弦算法），选择关联度高的来做 prompt 。 |
|
10
chuangbo OP |
 |
12
xiabill 2023-03-04 20:57:13 +08:00
这个有人在实践了嘛
|
 |
13
wodema 2023-03-05 11:22:14 +08:00
@xiabill 这个 chatpdf.com 处理 PDF 文件的方式应该就是这样的
|
|
14
chuangbo OP @wodema 感觉 ChatPDF 的功能，llama-index 已经实现了，包括提取 PDF 文字，创建索引和查询功能。
|
 |
15
Ervin 2023-04-27 09:51:00 +08:00
embedding 模型有 8191 的 token 限制，我丢了一堆 pdf 进去，就报这个限制
|
Select Language