利用ChatGPT打造行业LLM大模型应用

LLM.png

   最近一直在学习人工智能AI方面的知识,显示从模型基础开始深入学习了线性回归,逻辑回归,Kmeans,MLP,CNN,RNN等等基础的数学模型,然后再跨入了LLM大模型的行列,首先熟悉了ChatGPT的基本使用以及prompt的使用,然后再在基础上学习了AI Agent的方式去间接使用OpenAI的功能,也就是利用langchain作为粘合剂的去使用OpenAI的功能,然后再在基础上慢慢完善比如加上RAG增强索引方案去强化这个LLM模型,再比如做上持久化等等使得token可以完美保持,所以做了一个项目来把所学的东西进行了融合与巩固,写这篇博客也是作为记录一下自己的学习历程吧,如果大家感兴趣的话我可以慢慢出一些文章来给大家进行讲解;

   我的这个模型一直是我想做的东西,在我们还没接触LLM的时候我就想过类似的事情,就是利用LLM不管是开源还是闭源的,来打造一个满足自己公司使用的LLM行业大模型(当然使用一些开源的小模型也应该可以完成),这样的话就能站在巨人的肩膀上来大大加强自己的业务模块,使得这个业务模块变得更加的智能,使得这些业务模块从非智能变成智能模块,使得这些业务模块从 if…else的架构变得可以与之实现对话的业务模型,而且这个道路肯定是可以实现的,也应该是未来大家搭建行业大模型的必经之路;

   其实这个项目也是借鉴了我学习课程的内容,我们要做的是一个基于LLM算命行业的大模型应用,首先他是一个基于ChatGPT的作为基础的服务,我使用的是gpt-4o这个版本

self.chatmodel = ChatOpenAI(
            model="gpt-4o",
            temperature=0,
            streaming=True,
        )

gpt-4o这个版本,没有使用ChatGPT自由发挥所以temperature设置为0,Streaming设置为流式处理;

然后他的prompt设置了一些角色作为算命大师来进行对话,如下图:

介绍自己.png

其次他利用langchain的tool做了一些实时搜索功能,为什么要这么做呢,很简单因为如果你直接使用ChatGPT比如ChatGPT-3.5的话他的底模是有时间限制的,我没记错应该是到2022年的底模数据,所以我们要利用langchain来增强这个实时功能;

实时查询天气.png

比如做出类似的效果,如果底模数据不能回答的时候需要有实时搜索功能来完善,使得你的行业模型变得更加的智能,这也是为什么我们不直接是用LLM的API来直接做这个应用的原因之一;

此外我们还对接了一个算命的API调用,来使得我们的打造的行业大模型更加的具有行业属性,

解梦.png

做到类似的效果,这个效果已经在特定的行业里面不依赖LLM大模型的底模数据来进行回答了,而是具有行业属性的服务;

此外我们还对于这个应用进行了token持久化的处理,使得这些对话可以持久化保存,大家用过ChatGPT就知道如果关掉了那个对话框再想进行追忆的话那是不可能的

ChatGTP4.png

如上图所示,大家应该都比较熟悉了我就不多介绍了,所以我们就做了持久化的处理使得可以追忆这些token的内容

持久化.png

这样一来我们的应用将会变得更加的智能与更好的用户体验;

   简单的给大家展示这个项目,一方面是对于自己的项目做一个总结,一方面是对于行业大模型这个发展有着非常看好的前景,大家可以在这个基础上发散思维做出一个自己的行业大模型应用出来,使得彻底的改变整个行业,比如我能想到的是在智能客服模块里面利用LLM大模型再加上RGA或者“微调”技术来实现自己行业的智能客服;再比如在做IoT智能家居语言控制的时候,以前都是对话Open/Close设备去进行语音控制,现在可以利用LLM打造行业智能语言控制的大模型;等等诸如此类的行业大模型应用将来将会出现爆发增长,我甚至设想到了以后会出现基于LLM的行业大模型做出的爆发增长应用继而会出现好多个独角兽公司,我现在也在慢慢的思考以及总结这些行业大模型的应用场景,争取自己也可以基于这些行业大模型风口来进行创业,小伙伴们你们可以发挥自己的想象力来做出更多更智能的应用,未来肯定是可以利用以及结合类似ChatGPT这些基础服务来做出改变世界的产品

   如果大家喜欢文章的话记得给我一键三连,😁有了你们的鼓励我才能写出更多内容,我才能慢慢打磨自己继而做出自己优秀的产品···

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,658评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,482评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,213评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,395评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,487评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,523评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,525评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,300评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,753评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,048评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,223评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,905评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,541评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,168评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,417评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,094评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,088评论 2 352

推荐阅读更多精彩内容