和国内外的很多公司一样，在 Open AI 公司开放了 ChatGPT API 接口之后，我们也在探索如何去结合到业务中。而在探索的过程中，我们发现了一个问题，大部分的业务人员并不了解 AI 的能力，所以我们开源构建了 ClickPrompt，以使 “普通人” 能更方便地了解 ChatGPT。
围绕于我们短暂的开发旅程，我们思考了一些有意思的 ChatGPT 相关的集成模式，这些模式方便我们后续在国内的其它 LLM（大语言模型）中使用。
于是，便邀请了 ChatGPT 和我（Phodal）写了一篇文章 来进行总结。
如果你也对 Prompt 工程感兴趣，欢迎加入 ClickPrompt：https://github.com/prompt-engineering/click-prompt
ClickPrompt 的 ChatGPT 集成
须知：在国内的服务器，似乎无法集成 OpenAI，所以需要一个国外的服务器。
在开发 ClickPrompt 的过程中，我们试着做了一些有意思的事件：
-
提供简单的问题（Prompt）模板，以方便新手学习。
-
提供繁杂问题的模板，可以一步步学习如何提问。
-
集成了 HuggingFace，可以实时在线生成 Stable Diffusion 图片。
-
结合 ChatGPT 来自动生成 Stable Diffusion 的 Prompt。
-
独立的 ChatGPT 聊天页面。
-
探索更多的 Prompt 工程方式。
我们依旧和许多团队一样在探索更多的可能性。
无限的场景，无限的可能
如大家所知，ChatGPT 可用于多种自然语言处理场景，包括：
-
聊天机器人，解决问题，提供建议。
-
自然语言生成，生成高质量文章等。
-
情感分析，分析用户评论和反馈。
-
语言翻译，将一种语言翻译成另一种语言。
-
自然语言理解，帮助机器理解和处理自然语言。
-
……
当然了，ChatGPT 的场景不限于上面这几个，我们也见到了非常有意思的和架构设计、法律法规检查等一系列有意思的场景。
ChatGPT 集成模式
对应的模式列表：
生成器模式
使用 prompt 生成器生成特定输入，提高 ChatGPT 回答准确度和全面性。例如，使用 prompt 生成器生成法律咨询问题，ChatGPT 回答法律问题；在问答领域中，使用预定义的问题模板作为输入，生成相应的回答，能够提高 ChatGPT 的回答准确度和全面性。
生成器模式是我们最早设计的强化 Prompt 场景，它非常容易实现，只需要预设好一些模板，就能很好地工作。
上图便是我们构建生成器的一个场景。
系统集成模式
将 ChatGPT 与其他系统集成，实现数据交换和通信。例如，将 ChatGPT 与电子邮件系统集成，自动回复邮件；在电商平台中，ChatGPT 可以与订单系统穿插，以便处理用户的购物咨询和下单请求。
在 ClickPrompt 中，我们通过集成 HuggingFace 来实现，一个简单的场景，生成图形的功能，如下图所示：
PS：由于，我们是开源项目，穷，所以都是用免费的服务器。
管道模式:
在 ChatGPT 中定义处理流程，对每个输入进行处理并生成输出。例如，将 ChatGPT 用于自动化客服，对用户的问题进行分类和回复；在客服领域中，ChatGPT 可以通过管道模式实现意图识别、实体识别、回答生成等一系列流程。
在 ClickPrompt 中，我们预期通过 ChatGPT 来与人类交互，对每一步的输入和输出校正，进而完善系统的架构设计：
上图是我们正在探索的 DDD 场景，当然写得不行。
目标引导模式
将对话分成场景，并为每个场景设定目标，引导 ChatGPT 生成相关回答。例如，将 ChatGPT 用于旅游规划，引导用户选择目的地并提供相关信息；在旅游领域中，ChatGPT 可以根据场景（如酒店预订、景点推荐）来生成相应的回答。
在 ClickPrompt 中，我们通过 ChatGPT 来生成 Stable Diffusion 的 tag，进而完善文本到图形的转换：
随后，通过 ChatGPT 来生成 tag，再结合其它模式。
协同模式
将 ChatGPT 与其他 AI 技术集成，生成更人性化的回答。例如，将 ChatGPT 与情感分析技术集成，生成更符合用户情感的回答；在语音助手中，ChatGPT 可以与语音识别技术协同，能够更好地理解用户的语义和情感，并生成更加自然的回答。
在 ClickPrompt 中，我们还想做的事情就是通过接入语音功能，来实现语音直转文本，进而输出。
迁移学习模式:
通过将已经学习到的知识应用于新任务中，来改善模型性能和加快学习速度的一种机器学习方法。例如，将预先训练好的 ChatGPT 模型与公司或行业特定的语料库进行微调，以适应特定领域和任务的需求，从而快速构建智能客服机器人。
由于 ChatGPT 训练周期的问题，总存在一些知识老旧的问题。因为在日常的场景中，我们也可以让 ChatGPT 中阅读一些文章，围绕于这些文章，输出新的洞见。
混合模式:
将多个不同类型的模型组合，提高回答准确度和全面性。在问答领域中，将检索模型、知识图谱模型和生成模型混合使用，可以提高回答的准确度和覆盖范围。
我们还在寻找合适的案例，来结合这种模式。
转换器模式:
使用转换器将输入转换为 ChatGPT 可理解的格式，提高ChatGPT对输入的理解和处理能力。例如，使用语音转换器将语音转换为 ChatGPT 可理解的文本格式，从而实现语音交互。
简单来说，就是将步骤转换为格式，通过 ChatGPT 进行格式转换，如在我们的例子中，有一个使用 ChatGPT 实现 i18n 的代码转换。
强化学习模式（ChatGPT 推荐）
我们还没展开研究，不过，理论上是可行的。
基于增量学习的 ChatGPT: 使用增量学习技术对ChatGPT进行训练和调整，提高回答准确度和全面性。例如，将ChatGPT用于股票投资，使用增量学习技术对ChatGPT进行训练和调整，从而实现更精准的股票推荐和投资建议。
基于深度强化学习的 ChatGPT: 使用深度强化学习技术优化ChatGPT的响应速度和回答质量，提高对话质量。例如，将ChatGPT用于智能家居，使用深度强化学习技术优化ChatGPT的响应速度和回答质量，从而实现更快速、准确的家居控制和交互体验。
验证模式（ChatGPT 推荐）
我们还没展开研究，不过，理论上是可行的。
安全模式: 为保护用户隐私和系统安全，对敏感信息进行脱敏、加密等处理，防止恶意攻击和数据泄露。例如，在医疗健康领域中，ChatGPT 用于病例诊断和病情分析时，需要对患者隐私信息进行保护。
自我监督模式: 利用 ChatGPT 自身生成的回答作为监督信号，对模型进行自我监督和调整，提高回答准确度。例如，将 ChatGPT 用于自动化翻译，利用自我监督模式对模型进行调整，从而实现更准确的翻译结果。
其它
硅基生物在这一波中，挺好玩的。
欢迎来加入我们探索无限可能：https://github.com/prompt-engineering
近期评论