ChatGPT-生成式-AI-实用指南---第2版-早期预览--二-

ChatGPT 生成式 AI 实用指南 - 第2版（早期预览）（二）

原文：Practical Generative AI with ChatGPT - 2nd Edition (Early Access)

译者：飞龙

协议：CC BY-NC-SA 4.0

openapi: 3.0

info:

title: ChatGPT API

description: GitHub action

version: 1.0

servers:

paths:

/repos/{owner}/{repository}/contents/{path}:

put:

operationId: updateFile

summary: 在仓库中更新文件

description: 使用此端点创建或更新文件。

parameters:

- name: owner

in: path

required: true

description: 仓库的所有者。

schema:

type: string

- name: repository

in: path

required: true

description: 仓库名称。

schema:

type: string

- name: path

in: path

required: true

description: 仓库中的文件路径。

schema:

type: string

requestBody:

required: true

content:

application/json:

schema:

type: object

properties:

message:

type: string

description: 文件的提交消息。

content:

type: string

description: 新文件内容，Base64 编码。

sha:

type: string

description: 被替换文件的 SHA（如果是更新）。

branch:

type: string

description: 创建更新文件的分支。

committer:

type: object

properties:

name:

type: string

email:

type: string

required:

- message

- content

responses:

'200':

description: 文件更新或创建成功。

'201':

description: 文件创建成功。

'422':

description: 验证失败或文件已存在。

security:

- bearerAuth: []

components:

securitySchemes:

bearerAuth:

type: http

scheme: bearer

bearerFormat: token


这是 GitHub Action 的配置：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file164.png>

图 17：GitHub Action 的配置。

为了允许 Action 与我的仓库通信，我在 GitHub 个人设置（Settings > Developer settings > Personal access token）中创建了一个个人访问令牌。

然后，你可以按照如下方式测试连接：

太棒了！如你所见，我们现在有一个包含预定义内容的新文件。

现在让我们创建并测试它：

- 让我们先从一个关于如何设置分类实验的简单问题开始（截断输出）：

  <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file167.png>

  图 20：DataScience Assistant 提供如何处理分类问题的指导示例。

- 按照这些指令，我们现在准备好设置我们的实验了。我们想要处理著名的泰坦尼号乘客生还预测问题。我们将上传数据集（你可以在网上找到很多免费版本，我在 [`github.com/datasciencedojo/datasets/blob/master/titanic.csv`](https://github.com/datasciencedojo/datasets/blob/master/titanic.csv) 下载了我的数据），并利用 `Logistic Regression` 模型。

  > 泰坦尼号生还预测任务是数据科学和机器学习中的一个经典问题。其目标是根据年龄、性别、客舱等级、票价等各种特征，预测泰坦尼号上的乘客是否会存活。这项任务通常用于教学分类技术，即在标记的数据集上训练模型，然后用于预测新数据的结果。挑战在于选择相关特征、处理缺失数据以及选择合适的机器学习算法以实现准确的预测。

- 这是我的查询：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file168.png>

图 21：DataScience Assistant 设计泰坦尼号生还实验的示例。

现在我将分享模型对每个步骤响应的某些截图：

1. 加载数据：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file169.png>

   图 22：DataScience Assistant 执行实验第一步的示例。

2. 探索并清洗数据：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file170.png>

图 23：DataScience Assistant 探索和清洗数据的示例。

注意，当你看到符号 `[>_]` 时，意味着触发了代码解释器插件（`code interpreter`）。你可以点击它查看执行的代码：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file171.png>

图 24：DataScience Assistant 利用代码解释器插件生成的代码示例。

3. 特征工程：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file172.png>

   图 25：DataScience Assistant 进行特征工程的示例。

4. 数据划分：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file173.png>

   图 26：DataScience Assistant 将数据集划分为训练集和测试集的示例。

5. 训练模型：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file174.png>

   图 27：DataScience Assistant 训练 Logistic Regression 模型示例。

6. 评估模型：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file175.png>

图 28：DataScience Assistant 评估模型输出的示例。

这太酷了！它非常准确并且可以节省大量时间。此外，如果你考虑到在大型企业中处理许多项目的数据科学家，拥有一个类似的助手也有助于在项目之间遵循固定标准，从而使跨团队的维护保持一致。

我们要求 GPT 执行的最后一件事是将代码推送到我们的仓库（Repo）。让我们看看它是如何工作的：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file176.png>

图 29：DataScience Assistant 利用 Action 将代码推送到 GitHub 的示例。

如果我们点击该链接，就可以看到文件已成功上传：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file177.png>

图 30：通过 DataScience Assistant Action 上传的文件。

它成功了！再次，这是 GPTs 如何提高开发人员和数据科学家效率的示例。通过遵循通用框架设计数据科学实验并启用无需切换到 GitHub 即可推送的工作流，可以节省大量时间，让数据科学家能够专注于项目的核心方面。

## 营销助手

正如我们在第 6 章——“使用 ChatGPT 精通营销”中所看到的，AI 助手在这一领域具有极高的价值。事实上，生成文本内容——如社交媒体帖子、博客文章或营销活动——可能是这些模型表现最佳的活动。

> 文案撰稿人员是专长撰写有说服力且吸引人的内容的专业人员，通常用于营销和广告目的。他们的工作通常包括编写促销材料，如广告、折页、网站、电子邮件、社交媒体帖子以及其他形式的内容，旨在说服观众采取特定行动，例如购买或订阅服务。

在本节中，我们将创建一个为此类活动定制的文案写作助手。为此，我将我的助手命名为 `Copywrite Companion`，并设置了以下配置组件：

- 指令（Instructions）：

  `Copywrite Companion` 是一个多功能助手，旨在帮助用户完成各种写作任务。它擅长根据用户输入生成产品表（包括文本和图像）、策划用于通讯或营销目的的邮件活动、为新产品创建吸引人的视觉效果，以及为不同平台编写社交媒体帖子。它确保内容具有说服力、吸引力并符合目标受众，有效推广产品或服务。助手会根据需求调整风格，并在所有输出中追求创意、清晰和相关性。它以轻松、友好的语气进行交流，让互动感到亲切自然。

- 对话启动词（Conversation starters）：

  `你能为我的新产品写描述吗？`

  `我需要为关于登山的文章起一个引人的标题`

  `给我几个关于跑步的博客文章的想法`

- 能力（Capabilities）：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file178.png>

图 31：Copywrite Companion 开启的插件。

让我们来看看实际效果：

- 我首先让它根据提供的图片编写一份产品表（输出截断）：

  <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file179.png>

  图 32：Copywrite Companion 生成产品描述的示例。

- 作为文案，我们可能想将这些信息插入到更有结构的存储库中，例如 Excel 文件。让我们要求助手这样做，利用它的代码解释器插件：

  <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file180.png>

  图 33：Copywrite Companion 利用代码解释器插件将之前的响应转换为文件的示例。

- 这就是最终结果：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file181.png>

图 34：Copywrite Companion 生成的文件。

现在让我们让助手为我们的鞋子生成一条 Instagram 帖子：

如你所见，助手还提出了一个图像描述以利用 `DALL-E` 插件。由于这个描述在我看来合理，我将要求它生成图像：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file183.png>

图 36：Copywrite Companion 利用 DALL-E 插件生成图像的示例。

最后，我想了解一下竞争对手品牌——如 `Nike` 和 `Adidas`——是如何进行营销活动的。为了实现这一目标，我将要求我的助手从网络上收集一些证据：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file184.png>

图 37：Copywrite Companion 利用网页浏览插件进行竞争分析的示例。

如你所见，我们的助手正确地利用了网页浏览插件来检索所需的信息。此外，它还为我们提供了强大的洞察，让我们了解这两家竞争公司正在投入哪些杠杆，以便我们思考（或询问我们的助手）独特的差异化优势，让我们的品牌在竞争激烈的市场中脱颖而出。

我们还可以更进一步，利用代码解释器和数据分析插件获取有关竞争更具体的见解。例如，假设我们收集了一个具有以下结构的 Excel 表格：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file185.png>

图 38：Excel 表格上的竞争分析。

现在我们想从中生成一些可视化图表。让我们请我们的 `Copywriter Companion` 来这样做吧：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file186.png>

图 39：Copywrite companion 生成柱状图和散点图的示例。

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file187.png>

图 40：Copywrite companion 生成折线图的示例。

包括按照要求的执行报告：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file188.png>

图 41：Copywrite companion 生成执行报告的示例。

总的来说，针对营销活动对 ChatGPT 进行定制化，在生成新内容、设计营销策略以及在网络上进行竞争分析方面是非常有用的。

## 研究助手

在这一场景中，我们将再次关注研究，但这次将特别关注论文的检索。更具体地说，我们希望我们的助手能够执行以下操作：

- 从我们提供的自定义知识库中检索信息
- 将自定义文档与仅来自 `Arxiv` 的论文相结合，并为此项任务启用网页插件
- 从 `Database`（在我们的情况下，它将托管在 `Notion` 中）检索其他研究人员正在进行的工作，这样我们就不会冒着撰写他人涵盖的文章的风险。

让我们来看看所有的步骤。

1. **上传自定义文档。** 出于示例目的，我将使用两篇关于机器学习中图像分类的论文：来自 `J. Bird` 等人的“CIFAKE: AI 生成合成图像的图像分类与可解释性识别”，以及来自 `Khalis` 等人的“图像分类任务中视觉变换器（Vision Transformers）的综合研究”。

   你可以在配置面板的相应部分上传这些文件：



<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file189.png>

图 42：在配置面板中上传自定义文档。

2. **将自定义文档与网络引用整合。** 为了实现这一点，我们需要启用网页插件：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file190.png>

图 43：在配置面板中启用网页浏览插件。

此外，我们还需要指定助手仅导航通过 `Arxiv` 存档。我们将在创建的指令集中查看如何指定该内容。

3. **从 Notion 数据库检索信息。** 这里的想法是，作为研究人员，我们可能会提出一些已经在由其他同事研究和开发的想法。假设我们在具有以下结构的 `Notion Database`（Not 数据库）中跟踪所有正在进行的研究：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file191.png>

图 44：Notion 数据库结构。

为了实现这一点，我们需要创建 `GPT actions`（GPT 操作）。为此需要遵循两个步骤：

1. 在你的 `Notion workspace` 中，你需要创建一个标记为内部（internal）的新连接，并创建一个新的 `Internal Integration Secret`（或 `API key`）。你可以将此连接命名为 `chatgpt` 或类似的名称。

2. 在你的 `GPT configuration pane` 中，你需要设置一个新的 `Action` 架构（schema）。由于在我们的情况下我们需要查询特定的 `Database`，架构如下：

3. 涉及到身份验证时，你可以点击“Authentication”（认证）并选择“API Key”。输入以下信息：

   - `API Key`：使用来自 `Notion` 中新创建连接的 `Internal Integration Secret`
   - `Auth Type`：`Bearer`

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file192.png>

图 45：Notion Action Schema。

整个架构的样貌如下：

openapi: 3.1.0

info:

title: Notion API

description: 与 Notion 页面、数据库和用户交互的 API。

version: 1.0.0

servers:

paths:

/databases/{database_id}/query:

post:

operationId: queryDatabase

summary: 查询数据库

parameters:

- name: database_id

in: path

required: true

schema:

type: string

- name: Notion-Version

in: header

required: true

schema:

type: string

example: 2022-06-28

constant: 2022-06-28

requestBody:

required: true

content:

application/json:

schema:

type: object

properties:

filter:

type: object

sorts:

type: array

items:

type: object

start_cursor:

type: string

page_size:

type: integer

responses:

'200':

description: 成功响应

content:

application/json

schema:

type: object

properties:

object:

type: string

results:

type: array

items:

type: object

next_cursor:

type: string

has_more:

type: boolean


太好了，现在我们已经准备好了所有的素材，我们需要设置系统消息（system message）以及可选的对话启动器。在这种场景中，我设置了以下指令：

你是一个 AI 研究助手，任务是利用各种工具和资源帮助研究人员。你的主要职责包括从自定义知识库、`Arxiv` 学术论文以及存储在 `Notion` 数据库中的正在进行的项目检索、整合和交叉引用信息。遵循这些指南以确保你的帮助准确、全面并避免重复：

- 始终基于提供的文档回答
- 如果你觉得需要，可以扩展网络搜索。你可以导航的唯一网站是 `Arxiv`。
- 如果用户询问，检查该主题是否已经在 `Notion DB` 中涵盖。

以及以下对话启动器：

- `VGGNet`、`ResNet` 和 `Inception` 在图像分类的准确性和效率方面有何区别？
- 图像分类模型面临哪些挑战？数据增强和迁移学习等技术如何帮助它们？

## 3. CNN 深度如何影响图像分类？ResNet 的残差连接又是何帮助？

最终效果如下：

<https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file193.png>

图 46：我们的 ResearchGPT 落地页

让我们测试一下：

1. 我首先会问一个通用问题，并将根据提供的论文进行回答：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file194.png>

   图 47：ResearchGPT 从提供的文档检索知识的示例

2. 接着，我想看看该主题是否已经被涵盖：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file195.png>

   图 48：ResearchGPT 使用预定义动作与 Notion 通信的示例

3. 最后，我想整合该主题使其使其独特性：

   <https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---2nd-edition-early-acc/img/file196.png>

图 49：ResearchGPT 使用浏览器插件的示例

如你所见，我们的助手可以利用我们提供的所有工具，并在需要时调用 `Notion DB`。

## 总结

在本章中，我们探索了如何获取定制的 `GPTs` 来实现你的特定目标。定制 `ChatGPT` 的可能性开启了全新的场景图景，高度专业的 AI 助手将成为专业人士的日常伙伴。此外，OpenAI 还提供了一个无代码界面来创建 `GPTs`，使得所有开发者不仅能够从扩展的可用解决方案市场中受益，还能从自己的创作中受益。

凭借插件扩展性和自定义知识库，自定义 `GPTs` 可以为你完成无限任务。然后，通过添加强大的动作（actions），它们还可以与周围环境通信，并从“仅仅”生成进化为自动化。

通过本章，我们也结束了本书的第二部分，该部分重点关注 `ChatGPT` 的实际应用。从下一章开始，我们将详细详细介绍大型企业如何利用 OpenAI 模型将其嵌入到业务流程中。我们将涵盖流行的企业用例，并展示如何通过 `REST API` 将 OpenAI 的大语言模型（`LLMs`）嵌入到应用程序中的实际实现方法。

## 参考文献

- [`arxiv.org/abs/2312.11914`](https://arxiv.org/abs/2312.11914)
- [`arxiv.org/abs/2101.07714`](https://arxiv.org/abs/2101.07714)
- [`arxiv.org/abs/2101.07714`](https://arxiv.org/abs/2101.07714)
- [`psycnet.apa.org/record/2014-07087-000`](https://psycnet.apa.org/record/2014-07087-000)
- [`www.tandfonline.com/doi/abs/10.2753/MIS0742-1222240109`](https://www.tandfonline.com/doi/abs/10.2753/MIS0742-1222240109)
- [`www.youtube.com/watch?v=TUmyygCMMGA`](https://www.youtube.com/watch?v=TUmyygCMMGA)
- [`arxiv.org/pdf/2312.01232`](https://arxiv.org/pdf/2312.01232)
- [`arxiv.org/pdf/2303.14126`](https://arxiv.org/pdf/2303.14126)
posted @ 2026-09-25 20:40  绝不原创的飞龙  阅读(3)  评论(0)    收藏  举报