深入淺析，一步步用GPT打造你的聊天機器人

作者：學研君 2023-04-04 12:38:50

本文中展示了如何結合使用GPT和LlamaIndex來構建一個文檔問答聊天機器人。雖然GPT（和其他LLM）本身就很強大，但如果把它與其他工具、數據或流程結合起來，它的力量也會被大大增強。

與ChatGPT聊天很有趣，而且信息量很大 —— 與它閑聊可以探索一些新的想法。但這些都是比較隨意的用例，新奇感很快就會減弱，特別是當人意識到它能產生幻覺的時候。

如何以更高效的方式使用ChatGPT呢？在OpenAI發布GPT3.5系列API后，可以做的事情遠不止是閑聊。QA（問答）是企業和個人使用的一個非常有效的用例 —— 用自然語言向機器人詢問自己的文件/數據，它可以通過從文件中檢索信息并生成回應來快速回答。可以把它用于客戶支持、綜合用戶研究、個人知識管理等等。

向機器人詢問與文件相關的問題。使用穩定擴散法生成的圖像。

本文將探討如何根據自己的數據建立問答聊天機器人，包括為什么有些方法行不通，以及如何利用llama-index和GPT API以高效的方式建立一個文檔問答聊天機器人的步驟指南。

(如果只想知道如何建立問答聊天機器人，可以直接跳到“逐步建立文檔問答聊天機器人”部分)

探索不同的方法

當ChatGPT問世時，可以想到把它作為自己工作的一個助手，從而節省自己的時間和精力等。

首先想到的是用自己的數據對GPT模型進行微調來實現這個目標。但是，微調需要花費相當多的錢，而且需要一個有實例的大數據集。也不可能在文件有變化時每次都進行微調。更為關鍵的一點是，微調根本不可能讓模型“知道”文檔中的所有信息，而是要教給模型一種新的技能。因此，對于（多）文檔質量保證來說，微調并不是一個好辦法。

第二個方法是通過在提示中提供上下文來進行提示工程。例如，可以在實際問題之前附加原始文檔內容，而不是直接問問題。但是GPT模型的注意力是有限的 —— 它只能接受提示中的幾千字（大約4000個標記或3000字）。只要有成千上萬的客戶反饋郵件和數百個產品文檔，就不可能給它提示中的所有背景。如果向API傳遞一個長的上下文，也是很昂貴的，因為定價是基于使用的代幣的數量。

I will ask you questions based on the following context:
— Start of Context —

YOUR DOCUMENT CONTENT

— End of Context—
My question is: “What features do users want to see in the app?”

由于提示符對輸入標記的數量有限制，想出了這樣一個主意來解決問題：首先使用一種算法來搜索文檔并挑選出相關的摘錄，然后只將這些相關的語境與問題一起傳遞給GPT模型。在過程中需要使用一個簡單、便捷的gpt-index?（現在改名為LlamaIndex）的庫。

從文件中提取相關部分，然后將其反饋給提示。

在下一節中，將給出一個使用LlamaIndex和GPT在自己的數據上建立一個問答聊天機器人的分步教程。

逐步建立文檔問答聊天機器人

在這一節中，將用LlamaIndex和GPT（text-davinci-003）在現有文檔的基礎上建立一個問答聊天機器人，這樣就可以用自然語言提出關于文檔的問題，并從聊天機器人那里得到答案。

前提條件

在開始本教程之前，需要做一些準備：

OpenAI API密鑰，可以在https://platform.openai.com/account/api-keys找到。
一個文件數據庫。LlamaIndex支持許多不同的數據源，如Notion、Google Docs、Asana等。在本文中將只使用一個簡單的文本文件進行演示。
一個本地的Python環境或一個在線的Google Colab筆記本。

工作流程

工作流程很簡單，只需要幾個步驟：

1.用LlamaIndex為你的文檔數據建立一個索引。
2.用自然語言查詢該索引。
3.LlamaIndex將檢索相關部分并將其傳遞給GPT提示。
4.向GPT詢問相關的上下文并構建一個回應。

LlamaIndex所做的是將原始文檔數據轉換成一個矢量的索引，這對查詢來說是非常有效的。它將使用這個索引，根據查詢和數據的相似性，找到最相關的部分。然后，它將把檢索到的內容插入到它將發送給GPT的提示中，這樣GPT就有了回答問題的背景。

設置

首先需要安裝庫。只需在終端或谷歌Colab筆記本上運行以下命令。這些命令將同時安裝LlamaIndex和OpenAI。

!pip install llama-index
!pip install openai

接下來將在python中導入這些庫，并在一個新的.py文件中設置OpenAI API密鑰。

# 導入必要的庫
from llama_index import GPTSimpleVectorIndex, Document, SimpleDirectoryReader
import os

os.environ['OPENAI_API_KEY'] = 'sk-YOUR-API-KEY'

構建索引并保存

在安裝了所需的庫并將其導入后，將需要構建一個文檔的索引。

為了加載文檔，可以使用LllamaIndex?提供的SimpleDirectoryReader方法，或者可以從字符串中加載它。

# 從一個目錄中加載
documents = SimpleDirectoryReader('your_directory').load_data()

# 從字符串中加載，假設將數據保存為字符串text1，text2，...
text_list = [text1, text2, ...]
documents = [Document(t) for t in text_list]

LlamaIndex還提供各種數據連接器，包括Notion、Asana、Google Drive、Obsidian等。可以在https://llamahub.ai/找到可用的數據連接器。

加載完文檔后，就可以用以下方法簡單地構建索引了：

# 構建一個簡單的向量索引
index = GPTSimpleVectorIndex(documents)

如果想保存索引并加載它以便將來使用，可以使用以下方法：

# 將索引保存在`index.json`文件中
index.save_to_disk('index.json')
# 從保存的`index.json`文件中加載索引
index = GPTSimpleVectorIndex.load_from_disk('index.json')

查詢索引并獲得響應

查詢索引很簡單：

# 查詢索引
response = index.query("What features do users want to see in the app?")
print(response)

一個回應的例子。

然后就可以得到答案了。在幕后，LlamaIndex將接收提示，在索引中搜索相關塊，并將提示和相關塊傳遞給GPT。

一些高級用法的說明

上面的步驟只是展示了使用LlamaIndex和GPT回答問題的一個非常簡單的入門用法。但可以做得比這更多。事實上，可以配置LlamaIndex來使用不同的大型語言模型（LLM），為不同的任務使用不同類型的索引，用一個新的索引來更新現有的索引，等等。如果有興趣，可以在https://gpt-index.readthedocs.io/en/latest/index.html，閱讀他們的文檔。

總結

責任編輯：武曉燕來源： Python學研大本營