V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
ligz
V2EX  ›  程序员

开源了 VectorHub,用文件和网页进行 GPT Embedding,并且能够分享给他人使用,发挥你创意的时候到了!

  •  1
     
  •   ligz · 2023-07-13 09:22:29 +08:00 · 2838 次点击
    这是一个创建于 485 天前的主题,其中的信息可能已经有所发展或是发生改变。

    vectorhub

    目前已实现的功能:

    • 通过上传文件 GPT embedding
    • 通过输入网页 URL 进行 GPT embedding
    • 创建 vector 数据,后续可以多次使用
    • 直接使用他人创建好的 vector 数据
    • 100% 代码开源

    我在今年四月的时候,开源了 ChatFile 项目,收获了 2.4K 的 stars, 该项目的目的是上传文件进行 GPT 的 Embedding ,能够上传 PDF 、Epub 、Markdown 、Text 、Zip 等等一些系列格式的文件做到 ChatPDF 之类的效果。

    新的项目设计的初衷是,ChatFiles 在之前开源后,收到了很多用户的上传文件使用 Embedding ,但是这些 Embedding 并不能被所有人重复使用,这样就形成了大量的浪费,大家都在给 OpenAI 交重复的钱💰。

    例如我在 https://chat.vectorhub.org 中 Embedding 了 https://github.com/k88hudson/git-flight-rules/blob/master/README.md 的材料。

    并提供了一些快速的开始问题,那么其它用户就不需要再次花钱 embedding 就可以使用该数据。

    大家也可以想一想还有什么有趣的可以进行 embedding 的。可以用你的 API Key embedding 然后所有人一起使用。也可以在这个帖子讨论,后续项目的进展在 我的推特 上更新。

    目前项目还在初期,大家可以多多提提 bug 。新的项目地址: https://github.com/guangzhengli/vectorhub

    vectorhub

    22 条回复    2023-07-13 19:37:39 +08:00
    ql562482472
        1
    ql562482472  
       2023-07-13 09:41:27 +08:00
    请问一下是不是可以理解为在模型的上下文上添加了一些资料?在我们的对话中可以有更详尽的参考?还是添加了一种新的思维方式啊,或者是一些 prompt ?主要是不明白这是个啥 所以想请教一下
    SWALLOWW
        2
    SWALLOWW  
       2023-07-13 09:50:34 +08:00
    我也没懂,能不能举例一个使用场景
    zzh161
        3
    zzh161  
       2023-07-13 09:53:19 +08:00
    翻了半天,这个怎么设置代理?一定要代理本机所有流量?
    Seanfuck
        4
    Seanfuck  
       2023-07-13 09:54:04 +08:00
    问题是每个人用的文件或网页不同,这个不同于模型能通用
    hyperzlib
        5
    hyperzlib  
       2023-07-13 10:10:46 +08:00
    顺便提一嘴,如果要本地搭建、低成本向量搜索,也可以试试 BERT 的 Embedding 。
    ligz
        6
    ligz  
    OP
       2023-07-13 10:46:15 +08:00   ❤️ 1
    @SWALLOWW
    @ql562482472

    @SWALLOWW
    @ql562482472

    举个例子,我基于 https://github.com/k88hudson/git-flight-rules/blob/master/README.md 这个 Git 操作手册进行 Embedding 创建了 vector 数据后,就可以问 ChatGPT 基于这个文档材料相关的问题。例如问 I want to undo rebase/merge ,它就会回复 To undo a rebase or merge, you can reset your branch to the original HEAD pointer using the ORIG_HEAD variable. Use the command "git reset --hard ORIG_HEAD" to recover your branch to its state before the rebase/merge. 这段话是基于材料的上下文,而不是 GPT 的自由发挥。

    再比如我上传朱自清的《背影》这篇文章,我问橘子是谁买的?可以得到回复是父亲买的。

    所以这个功能是基于上传材料的上下文得到 GPT 的回答,而不是纯粹的 GPT 问答。

    ![Snipaste_2023-07-12_09-30-40]( https://cdn.jsdelivr.net/gh/guangzhengli/PicURL@master/uPic/Snipaste_2023-07-12_09-30-40.png)
    ligz
        7
    ligz  
    OP
       2023-07-13 10:48:18 +08:00
    @zzh161 什么代理?
    zzh161
        8
    zzh161  
       2023-07-13 11:08:22 +08:00
    @ligz 访问 open ai 用的代理,国内的服务器大多不能直连吧
    pkoukk
        9
    pkoukk  
       2023-07-13 11:25:56 +08:00   ❤️ 1
    @SWALLOWW #2 智能客服、QA 机器人。
    pkoukk
        10
    pkoukk  
       2023-07-13 11:29:55 +08:00
    langchain 好用么?
    ligz
        11
    ligz  
    OP
       2023-07-13 11:47:07 +08:00
    @Seanfuck 如果有趣或者细分领域还是有帮助的,例如上传法律条文、上传一些面试题之类的
    ligz
        12
    ligz  
    OP
       2023-07-13 11:49:47 +08:00
    @pkoukk #10 LangChain 还是可以的,这个项目所有和 OpenAI / Azure Openai 集成的代码都是用的 LangChain ,想要学习 LangChain 写 AI 应用的小伙伴可以拉代码看看。

    如果不想用 Python 写 AI 应用,我觉得 LangChainJs 是唯一选择。
    mMartin
        13
    mMartin  
       2023-07-13 11:49:56 +08:00
    这不就知识库么
    hahastudio
        14
    hahastudio  
       2023-07-13 13:22:12 +08:00
    关于 embedding 能否共享,我觉得大不了再存一个 model 名字就好了,顶多就是同一段文字有好几个 vector 结果,相当于是大型缓存
    但有几个问题:
    1. 可能同一篇文章不同的应用切出来的片不一样,有潜在浪费
    2. 需要假定传上来的都是可以放在公有领域的文字,不然别人付费了 paywall 做了 embedding 然后我没花钱也能拿到结果?
    easychen
        15
    easychen  
       2023-07-13 13:34:39 +08:00   ❤️ 1
    我也觉得这块可以搞搞,还注册了 vechub.cn 😂 感觉还是给 embedding 定义一个开放格式,然后分享这个格式的文件比较好。这样各种聊天客户端可以直接支持,用户只需要去下载文件导入就能直接使用。
    connectsixboy
        16
    connectsixboy  
       2023-07-13 14:42:27 +08:00
    获取的 embedding 短时间内可以用,但是 OpenAI 更新模型之后,之前的获取的 embedding 是不是就失效了啊?
    ligz
        17
    ligz  
    OP
       2023-07-13 15:31:44 +08:00
    @hahastudio embedding 共享的商业化我也感觉有点难,感觉细分领域自己创建独有业务领域的 embedding 数据给别人使用还是很有前景的
    ligz
        18
    ligz  
    OP
       2023-07-13 15:33:38 +08:00
    @connectsixboy 理论上模型变化很大会造成失效,但是 OpenAI 最近都是更新 gpt 模型,text-embedding 模型更新频率很慢。
    flyingfz
        19
    flyingfz  
       2023-07-13 15:36:04 +08:00
    建议要加上 **模型** 类型。
    相信大部分人,由于各种原因,应该是没办法调用 open ai 的接口的,
    替代的方案,可以自己部署类似 BERT 或者 text2vec 的各种模型。
    rpman
        20
    rpman  
       2023-07-13 15:39:16 +08:00
    如何区分不同的 chunking 方式?
    EthanLiu1993
        21
    EthanLiu1993  
       2023-07-13 16:36:33 +08:00   ❤️ 1
    厉害,很早之前就关注了 chatFile ,晚上回去再看看这个
    ligz
        22
    ligz  
    OP
       2023-07-13 19:37:39 +08:00
    @rpman 暂时都是用的同一个 chunking ,大概 2000 tokens 一个 chunk 。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1046 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 30ms · UTC 23:08 · PVG 07:08 · LAX 15:08 · JFK 18:08
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.