深入浅析，一步步用GPT打造你的聊天机器人

使用GPT基于你自己的文档构建聊天机器人的分步指南。

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

与ChatGPT聊天很有趣，而且信息量很大 —— 与它闲聊可以探索一些新的想法。但这些都是比较随意的用例，新奇感很快就会减弱，特别是当人意识到它能产生幻觉的时候。

如何以更高效的方式使用ChatGPT呢？在OpenAI发布GPT3.5系列API后，可以做的事情远不止是闲聊。QA（问答）是企业和个人使用的一个非常有效的用例 —— 用自然语言向机器人询问自己的文件/数据，它可以通过从文件中检索信息并生成回应来快速回答。可以把它用于客户支持、综合用户研究、个人知识管理等等。

向机器人询问与文件相关的问题。使用稳定扩散法生成的图像。

本文将探讨如何根据自己的数据建立问答聊天机器人，包括为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个文档问答聊天机器人的步骤指南。

(如果只想知道如何建立问答聊天机器人，可以直接跳到“逐步建立文档问答聊天机器人”部分)

探索不同的方法

当ChatGPT问世时，可以想到把它作为自己工作的一个助手，从而节省自己的时间和精力等。

首先想到的是用自己的数据对GPT模型进行微调来实现这个目标。但是，微调需要花费相当多的钱，而且需要一个有实例的大数据集。也不可能在文件有变化时每次都进行微调。更为关键的一点是，微调根本不可能让模型“知道”文档中的所有信息，而是要教给模型一种新的技能。因此，对于（多）文档质量保证来说，微调并不是一个好办法。

第二个方法是通过在提示中提供上下文来进行提示工程。例如，可以在实际问题之前附加原始文档内容，而不是直接问问题。但是GPT模型的注意力是有限的 —— 它只能接受提示中的几千字（大约4000个标记或3000字）。只要有成千上万的客户反馈邮件和数百个产品文档，就不可能给它提示中的所有背景。如果向API传递一个长的上下文，也是很昂贵的，因为定价是基于使用的代币的数量。

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?”

由于提示符对输入标记的数量有限制，想出了这样一个主意来解决问题：首先使用一种算法来搜索文档并挑选出相关的摘录，然后只将这些相关的语境与问题一起传递给GPT模型。在过程中需要使用一个简单、便捷的gpt-index（现在改名为LlamaIndex）的库。

从文件中提取相关部分，然后将其反馈给提示。

在下一节中，将给出一个使用LlamaIndex和GPT在自己的数据上建立一个问答聊天机器人的分步教程。

逐步建立文档问答聊天机器人

在这一节中，将用LlamaIndex和GPT（text-davinci-003）在现有文档的基础上建立一个问答聊天机器人，这样就可以用自然语言提出关于文档的问题，并从聊天机器人那里得到答案。

前提条件

在开始本教程之前，需要做一些准备：

OpenAI API密钥，可以在https://platform.openai.com/account/api-keys找到。
一个文件数据库。LlamaIndex支持许多不同的数据源，如Notion、Google Docs、Asana等。在本文中将只使用一个简单的文本文件进行演示。
一个本地的Python环境或一个在线的Google Colab笔记本。

工作流程

工作流程很简单，只需要几个步骤：

1.用LlamaIndex为你的文档数据建立一个索引。
2.用自然语言查询该索引。
3.LlamaIndex将检索相关部分并将其传递给GPT提示。
4.向GPT询问相关的上下文并构建一个回应。

LlamaIndex所做的是将原始文档数据转换成一个矢量的索引，这对查询来说是非常有效的。它将使用这个索引，根据查询和数据的相似性，找到最相关的部分。然后，它将把检索到的内容插入到它将发送给GPT的提示中，这样GPT就有了回答问题的背景。

设置

首先需要安装库。只需在终端或谷歌Colab笔记本上运行以下命令。这些命令将同时安装LlamaIndex和OpenAI。

!pip install llama-index
!pip install openai

接下来将在python中导入这些库，并在一个新的.py文件中设置OpenAI API密钥。

# 导入必要的库
from llama_index import GPTSimpleVectorIndex, Document, SimpleDirectoryReader
import osos.environ['OPENAI_API_KEY'] = 'sk-YOUR-API-KEY'

构建索引并保存

在安装了所需的库并将其导入后，将需要构建一个文档的索引。

为了加载文档，可以使用LllamaIndex提供的SimpleDirectoryReader方法，或者可以从字符串中加载它。

# 从一个目录中加载
documents = SimpleDirectoryReader('your_directory').load_data()# 从字符串中加载，假设将数据保存为字符串text1，text2，...
text_list = [text1, text2, ...]
documents = [Document(t) for t in text_list]

LlamaIndex还提供各种数据连接器，包括Notion、Asana、Google Drive、Obsidian等。可以在https://llamahub.ai/找到可用的数据连接器。

加载完文档后，就可以用以下方法简单地构建索引了：

# 构建一个简单的向量索引
index = GPTSimpleVectorIndex(documents)

如果想保存索引并加载它以便将来使用，可以使用以下方法：

# 将索引保存在`index.json`文件中
index.save_to_disk('index.json')
# 从保存的`index.json`文件中加载索引
index = GPTSimpleVectorIndex.load_from_disk('index.json')

查询索引并获得响应

查询索引很简单：

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

一个回应的例子。

然后就可以得到答案了。在幕后，LlamaIndex将接收提示，在索引中搜索相关块，并将提示和相关块传递给GPT。

一些高级用法的说明

上面的步骤只是展示了使用LlamaIndex和GPT回答问题的一个非常简单的入门用法。但可以做得比这更多。事实上，可以配置LlamaIndex来使用不同的大型语言模型（LLM），为不同的任务使用不同类型的索引，用一个新的索引来更新现有的索引，等等。如果有兴趣，可以在https://gpt-index.readthedocs.io/en/latest/index.html，阅读他们的文档。