Hi， 大家好。我是茶桁。

你好，我是茶桁。

在之前的两讲中，我们深入了解了 Langchain 的 LLMChain 核心功能，它可以帮助我们链式地调用一系列命令，包括直接调用 OpenAI 的 API、调用其他外部接口或自己实现的 Python 代码。但这只是完成一个小任务所需的调用序列。除了这些，LangChain 还封装了许多其他功能，以便于我们开发 AI 应用。例如，让 AI 有“记忆力”，即记住我们的聊天上下文。我们在第 6 讲中制作的聊天机器人的例子就是这样。为了让 ChatGPT 知道整个聊天的上下文，我们需要将历史对话记录传递给它。但由于 Token 数量有限，我们只能保留最后几轮对话。最终，我们将此功能抽象为一个 Conversation 类。

由于本文在其他平台已经成为收费文章，为了避免损害付费会员权益，所以此处做删减处理。

希望继续观看的，请订阅我的公众号。

Hi，大家好，我是茶桁。

很遗憾在上一讲，也就是第 12 讲的时候，咱们对于利用 AI 写一个 VBA 宏来执行 Excel 任务的过程并不顺利，仔细想来既然大家都在这里看这个系列文章了，应该也基本都会 Python 的，所以一个 Excel 自动化也并无太大影响，毕竟，这种商业软件的集成一定是早晚的事情，咱们也不必在这里死磕这一个问题。

Hi， 大家好，我是茶桁。

直奔主题，我们来谈谈成本这件事。

Hi, 我是茶桁。

看到我这篇文章的读者们不知道有多少人是接触过 ChatGPT 或者其他人工智能产品的。

Hi，我是茶桁。

过去的 8 讲，你已熟悉 Embedding 和 Completion 接口。Embedding 适合用于机器学习中的分类、聚类等传统场景。Completion 接口可以用作聊天机器人，也可以用于文案撰写、文本摘要、机器翻译等工作。

Hi, 我是茶桁。

我们已经介绍了 OpenAI 的主要接口。这是基础知识系列的最后一讲，我们将讨论 OpenAI GPT 系列模型的其他接口。你可能不会经常使用其中一些接口，但了解它们不会有任何坏处，说不定你会在某些需求中用到它们。

Hi，我是茶桁。

在过去的两讲中，我们已经使用 OpenAI 提供的 Embedding 接口完成了文本分类的功能。现在，我们回到 Completion 接口，这一讲将带你更深入地了解该接口的使用。除此之外，我们还将快速搭建一个有界面的聊天机器人，这将让你更好地理解 Completion 接口的应用场景。在这个过程中，你将第一次使用 HuggingFace 这个平台，它是目前最流行的深度学习模型社区。通过 HuggingFace，你可以下载到最新的开源模型，查看其他人提供的示例代码，并参与到社区的交流中。

Hi， 我是茶桁。

在前一讲中，我们观察到大型模型的确表现出良好效果。在情感分析任务中，通过使用 OpenAI API 提供的 Embedding，我们得到的结果要比能在单个机器上运行的较小模型（如 T5-base）要好得多。然而，我们之前所选择的问题确实有些过于简单。我们将 5 个不同的评分分成了正面、负面和中性，同时还排除了相对难以判断的"中性"评价，因此我们判断准确率的提高相对较容易实现。但是，如果我们想要准确预测具体的分数呢？这将是我们接下来需要探索的问题。

大家好，我是茶桁。

在前两节课中，我们一起体验了 OpenAI 提供的 GPT-3.5 系列模型的两个核心接口。一个是获取文本的 Embedding 向量，另一个是根据提示语生成补全的文本内容。通过这两种方法，我们可以在零样本或少样本的情况下进行情感分析任务。然而，你可能会有两个疑问。首先，Embedding 不就是将文本转换为向量吗？为什么不直接使用开源模型（如 Word2Vec、Bert）而要调用 OpenAI 的 API 呢？在我们的情感分析任务中，我们进行了一些简化处理。一方面，我们排除了相对中性的评分（3 分）；另一方面，我们将 1 分、2 分和 4 分、5 分合并，将原本需要判断 5 个分类的问题简化了。那么，如果我们想要准确预测多个分类，是否也能如此简单呢？