案例集锦 | AI工具中文文档库

📄️ 助手 API 概述（Python SDK）

新的助手API是我们聊天完成API的有状态演进，旨在简化助手式体验的创建，并使开发者能够访问强大的工具，如代码解释器和检索。

📄️ 为聊天模型微调准备和分析数据

这个笔记本用作预处理和分析用于微调聊天模型的聊天数据集的工具。

📄️ 使用嵌入进行分类

有许多方法可以对文本进行分类。本笔记本分享了使用嵌入进行文本分类的示例。对于许多文本分类任务，我们已经看到微调模型比嵌入效果更好。在Fine-tunedclassification.ipynb中可以看到一个分类的微调模型示例。我们还建议拥有比嵌入维度更多的示例，但在这里我们并没有完全实现这一点。

📄️ 在Python中使用OpenAI进行K-means聚类

我们使用一个简单的k-means算法来演示如何进行聚类。聚类可以帮助发现数据中有价值的隐藏分组。数据集是在[Getembeddingsfrom_dataset

📄️ 交易分类的聚类

本笔记涵盖了数据未标记但具有可用于将其聚类为有意义类别的特征的用例。聚类的挑战在于使那些使这些聚类突出的特征具有人类可读性，这就是我们将使用GPT-3来为我们生成有意义的聚类描述的地方。然后，我们可以使用这些描述来为先前未标记的数据集应用标签。

📄️ 使用嵌入进行代码搜索

本笔记展示了如何使用Ada嵌入来实现语义代码搜索。在这个演示中，我们使用我们自己的openai-python代码库。我们实现了一个简单版本的文件解析和从python文件中提取函数的功能，这些函数可以被嵌入、索引和查询。

📄️ 使用助手API（GPT-4）和DALL·E-3创建幻灯片

本笔记本演示了如何利用新的助手API（GPT-4）和DALL·E-3来制作信息丰富且视觉吸引人的幻灯片。

📄️ 自定义嵌入

这个笔记本演示了一种定制OpenAI嵌入到特定任务的方法。

📄️ 在ELT工作流中使用GPT-4o作为OCR替代方案的数据提取和转换

许多企业数据是非结构化的，并且以难以使用的格式存储，例如PDF、PPT、PNG，这些格式并不适用于LLMs或数据库。因此，这种类型的数据往往被低估，无法用于分析和产品开发，尽管它非常有价值。从非结构化或非理想格式中提取信息的传统方法是使用OCR，但OCR在处理复杂布局时会遇到困难，并且多语言支持有限。此外，手动对数据应用转换可能会很繁琐且耗时。

📄️ 开发幻觉防护栏

防护栏是一组规则和检查，旨在确保LLM的输出准确、适当，并符合用户期望。有关开发防护栏的更多信息，您可以参考这个关于开发防护栏的指南。

📄️ 嵌入维基百科文章以进行搜索

本笔记本展示了我们如何为搜索准备了一组维基百科文章的数据集，用于使用嵌入进行问答.ipynb中。

📄️ 嵌入的文本超过模型的最大上下文长度

OpenAI的嵌入模型无法嵌入超过最大长度的文本。最大长度因模型而异，以

📄️ 长文档内容提取

GPT-3可以帮助我们从太大而无法适应上下文窗口的文档中提取关键数字、日期或其他重要内容。解决这个问题的一种方法是将文档分块处理，然后将每个块分别处理，最后合并成一个答案列表。

📄️ 微调分类示例

我们将微调一个babbage-002分类器（用于替代ada模型），以区分棒球和曲棍球这两种运动。

📄️ 使用函数调用进行微调

Prompt

📄️ 调用附近地点的功能：利用Google Places API和客户个人资料

本笔记本围绕着整合Google Places

📄️ 使用OpenAPI规范调用函数

许多互联网服务都是由RESTful

📄️ 使用GPT-4o的视觉能力和TTS API处理和叙述视频

这个笔记本演示了如何使用GPT的视觉能力处理视频。GPT-4o不能直接接受视频作为输入，但我们可以利用视觉和128K上下文窗口来一次性描述整个视频的静态帧。我们将演示两个示例：

📄️ 从数据集中获取嵌入向量

本笔记本提供了如何从大型数据集中获取嵌入向量的示例。

📄️ 如何使用LangChain构建一个使用工具的代理

本笔记将带领您了解如何使用LangChain来增强OpenAI模型，使其能够访问外部工具。特别是，您将能够创建使用自定义工具来回答用户查询的LLM代理。

📄️ 如何使用 Node.js SDK 构建一个代理

OpenAI 功能使您的应用程序能够根据用户输入采取行动。这意味着它可以代表用户执行诸如网络搜索、发送电子邮件或预订票务等操作，使其比普通聊天机器人更强大。

📄️ 如何在知识库中使用函数

本笔记构建在[argument

📄️ 如何使用聊天模型调用函数

本笔记涵盖如何在使用聊天完成API时结合外部函数来扩展GPT模型的功能。

📄️ 如何将GPT-4o与RAG结合起来 - 创建一个服装搭配App

欢迎来到服装搭配App的Jupyter

📄️ 如何使用tiktoken计算标记数

tiktoken

📄️ 如何对聊天模型进行微调

本笔记本提供了我们新的 gpt-3.5-turbo 微调的逐步指南。我们将使用

📄️ 如何格式化输入到ChatGPT模型

ChatGPT由gpt-3.5-turbo和gpt-4提供支持，这是OpenAI最先进的模型。

📄️ 如何处理速率限制

当你反复调用 OpenAI API 时，可能会遇到 429: 'Too Many Requests' 或

📄️ 如何流式传输完成内容

默认情况下，当您从OpenAI请求完成时，整个完成内容会在发送回来之前生成在单个响应中。

📄️ 如何使用防护栏

在这个笔记本中，我们分享了如何为您的LLM应用程序实现防护栏的示例。防护栏是一个泛指，用于指代旨在引导您的应用程序的侦探控制。鉴于LLMs固有的随机性，更大的可控性是一个常见要求，因此在将LLM从原型推向生产时，创建有效的防护栏已成为性能优化的最常见领域之一。

📄️ 如何使用审查 API

注意：

📄️ 交易的多类别分类

在这个笔记本中，我们将尝试将一个公共数据集的交易分类到我们预先定义的几个类别中。这些方法应该可以复制到任何多类别分类的用例中，其中我们试图将交易数据适配到预定义的类别中，通过运行这些方法，您应该能够学会处理有标签和无标签数据集的几种方法。

📄️ 命名实体识别（NER）以丰富文本

命名实体识别（NER）是一项自然语言处理任务，它将命名实体（NE）识别并分类到预定义的语义类别中（如人物、组织、地点、事件、时间表达和数量）。通过将原始文本转换为结构化信息，NER使数据更具可操作性，有助于信息提取、数据聚合、分析和社交媒体监控等任务。

📄️ 解析PDF文档用于RAG应用

本笔记展示如何利用GPT-4V将丰富的PDF文档（如幻灯片演示或从网页导出的文档）转换为可用于RAG应用的内容。

📄️ 使用搜索API和重新排名进行问答

有时候搜索相关信息就像在草堆中找针一样困难，但不要绝望，GPT实际上可以帮助我们完成大部分这样的工作。在本指南中，我们探讨了一种利用各种人工智能技术增强现有搜索系统的方法，帮助我们筛选噪音。

📄️ 使用基于嵌入的搜索进行问答

GPT擅长回答问题，但仅限于它在训练数据中记住的主题。

📄️ 使用图数据库进行检索增强生成

这个项目旨在探索如何结合检索和生成模型来提高自然语言处理任务的性能。我们使用图数据库来存储和检索知识，并将其集成到生成模型中，以增强生成的结果。通过这种方式，我们希望能够更好地利用外部知识来帮助生成模型生成更准确和多样化的文本。

📄️ 使用嵌入和最近邻搜索进行推荐

推荐在网络上随处可见。

📄️ 使用嵌入进行回归

回归意味着预测一个数字，而不是其中的一个类别。我们将基于评论文本的嵌入来预测评分。我们将数据集分割为训练集和测试集，以便在未见数据上实际评

📄️ 如何通过新的seed参数使您的完成输出具有可重现性

TLDR：开发人员现在可以在Chat

📄️ 合成数据生成（第一部分）

使用大型语言模型（LLMs）生成合成数据为一个常见问题提供了强大的解决方案：高质量、多样化和符合隐私的数据的可用性。这可以在许多场景中使用，例如训练数据科学机器学习模型（SVM、决策树、KNN），在数据上微调不同的GPT模型，作为冷启动问题的解决方案，帮助构建具有逼真数据的引人入胜的演示/应用程序，场景测试等。