大家好，欢迎来到 Crossin的编程教室 ！
我在之前的文章里介绍过，如何利用 OpenAI 开放的 API，将 ChatGPT 接入自己开发的程序：
把 ChatGPT 加到你自己的程序里
当时开放的模型还是 text-davinci-003。
文章发布后没多久，gpt-3.5 的模型，也就是大家熟知的 ChatGPT，就在 API 中开放了，而且价格直接降了 10 倍，每 1000 tokens 只要 0.002 美元。
这就使得在自家产品中接入 ChatGPT 的成本更低了。
不过还有个很严重的问题。
ChatGPT 虽然很能“聊”，但它并了解你的产品啊。就好比你把郭德纲喊来做你的客服，他也并不会比一个经过培训的客服人员做得更好。
而且 ChatGPT 还有个毛病，即使是它不知道的问题，也不会老老实实承认自己不知道，而是一本正经的胡说八道。比如对于这个不存在的“Crossin跨国集团有限公司”，它也会煞有介事地进行介绍。
于是，为了能将 ChatGPT 变成一个老实本分的客服，我进行了一番摸索。
1. 微调模型
因为在 OpenAI 开发者后台的用量记录里看到一个“Fine-tune training”（微调训练）的栏目，所以我第一反应就想到，这个接口是不是就是用来训练自己的私有模型。
大致了解了一下，发现也确实如此，并且官方还给出了详细文档和一个完整的微调代码范例：
https://platform.openai.com/docs/guides/fine-tuning
仿照案例拿自己的一些语料做了个测试，等了大约1个半小时（主要是排队），得到了微调后的模型。
然而结果不能说是差强人意，是完全胡言乱语……
这比之前的 text-davinci-003 还要差上一大截啊。
又经过一番搜索，了解到原来微调是在基础的 davinci 模型之上进行。换句话说，text-davinci-003 已经是经过大量数据微调后的一个模型。
所以如果要想得到一个满意的定制化模型，同样也需要大量的语料来进行训练，而且还享受不到 ChatGPT 的高质量回答。
那这不是调了个寂寞？
2. 提示工程
此路不通，那就另辟蹊径。
ChatGPT 的 API 里支持传递对话列表，那如果我把希望 ChatGPT 了解的背景知识放在历史对话里，它不就知道了嘛？
试了下，效果符合预期。
而且，我还可以进一步 PUA 它，让它别给我整那些有的没的，不知道就是不知道。
看来这方法可行。
了解了一下，原来这种方法有个专门的名词，叫做提示工程（Prompt Engineering），就是通过改进提示，让 AI 能产生更加符合预期的结果。
不过，又有了新问题……
如果背景知识库比较大，比如一个公司各种产品的详细介绍，每次都把这么多内容放到 API 请求里，也还是挺耗钱的。
3. 嵌入
经过进一步调研，发现官方推荐了一种叫做“嵌入”（Embeddings）的方法来实现此类需求。并且也提供了相应的范例：
https://github.com/openai/openai-cookbook/blob/main/examples/Question_answering_using_embeddings.ipynb
简单来说就是：
-
通过一个 Embedding 接口，把你提供的每一条语料都分别转换成一组高维向量（1500+），并记录下来；
-
收到一个问题后，也通过相同接口将此问题转换成一组高维向量；
-
从前面记录的向量库中寻找与当前这组向量最接近的几条语料，即与问题相关度最高的背景知识；
-
用之前我们讲的提示工程方法，把这几条背景放入问题中，向 ChatGPT 接口请求回答。
这个方法的好处是，即使你有很多背景知识，每次请求时也只需要带上几条，花费很少的token。
而 Embedding 接口本身的费用则非常便宜，几乎可以说是免费。
初步测试下来，发现对于最相关语料的判断还是比较准确的。
后续我还会用更多数据做进一步尝试。
以上就是我关于如何调教一个定制化的ChatGPT私人助理，接入自家知识库的初步尝试。
如果你也有这方面的经验和疑问，欢迎留言讨论。
