3月23日，OpenAI又投出了一枚重磅炸弹：为ChatGPT推出插件系统！
此举意味着ChatGPT将迎来“APPStore”时刻，也就是围绕它的能力，形成一个开发者生态，打造出基于AI的“操作系统”！
插件系统将为ChatGPT带来质的飞跃，因为借助于插件服务，它可以获取实时的互联网信息、调用第三方应用。
ChatGPT是一个无比聪明的大脑，而插件会成为它的眼睛、耳朵、手脚、甚至于翅膀，能力惊人，未来不敢想象！
官方目前提供了两个插件：
一个网页浏览器。利用新必应浏览器的API，实时搜索互联网内容，并给出答案和链接一个代码解释器。利用Python解释器，可以解决数学问题、做数据分析与可视化、编辑片、剪辑视频等等，还支持下载处理后的文件
OpenAI还开源了一个知识库检索插件chatgpt-retrieval-plugin，这个插件通过自然语言从各种数据源检索信息。有了开源代码后，开发者可以部署自己的插件版本。
想象一下，假如我提供了一个“Python知识库插件”，以所有官方文档作为数据源，那以后有任何Python使用上的问题，我就只需询问ChatGPT，然后它调用插件并解析数据，最后返回给我准确的答案。这将节省大量的时间！
不仅如此，你还可以用书籍作为数据源，打造出“西游记知识库”、“红楼梦知识库”、“百科全书知识库”、“个人书馆知识库”，等等；以专业领域的论文与学术期刊为数据源，创造出一个专家助手，从此写论文查资料将无比轻松；以苏格拉底、乔布斯、马斯克等名人的资料为数据源，创造出人格化的个人顾问……
作为第一个开源的ChatGPT插件，chatgpt-retrieval-plugin项目一经发布，就登上Github趋势榜第发布仅一周就获得11Kstars。
这个项目完全是用Python写的，不管是出于学习编程的目的，还是为了将来开发别的插件作借鉴，这都值得我们花时间好好研究一下。
接下来，我将分享自己在阅读项目文档和源码时，收获到的一些信息。
datastore数据存储
数据源的文本数据会被映射到低维度向量空间，然后存储到向量数据库中。官方已提供Pinecone、Weaviate、Zilliz、Milvus、Qdrant、Redis这几种数据存储方案的示例。有几个pullrequests想要加入PostgreSQL的支持，大概率将来会合入。
这里使用了抽象工厂设计模式，DataStore是一个抽象类，每种数据存储库是具体的实现类，需要实现三个抽象方法：
_upsert->List[str]方法，接收一个字典参数，包含有DocumentChunk对象列表，将它们插入到数据库中。返回值为文档ID的列表。
_query->List[QueryResult]方法，接收一个列表参数，包含被embedding的查询文本。返回一个包含匹配文档块和分数的查询结果列表。
delete->bool方法，根据id和其它过滤条件删除，或者全部删除。返回操作是否成功。
server服务端接口
/upsert-file接口，用于上传单个文件，将其转换为Document对象，再进行新增或更新/upsert接口，上传一系列的文档对象，用于新增或更新/query接口，传入一系列的文本条件，转成QueryWithEmbedding对象后，再从向量数据库查询/delete接口，根据条件删除或者全部删除数据库中的数据
在这几个接口中，增改删功能主要是给开发者/维护者使用的，ChatGPT只需调用插件的查询接口。代码中还创建了一个“/sub”子应用，只包含/query接口，提供给ChatGPT调用。
services任务处理方法
chunks.py文件包含了将字符串和Document对象分割成小块、以及为每个块获取嵌入向量的函数。
file.py文件提供了从上传的文件中提取文本内容及元数据的函数。目前支持解析的文件类型包括PDF、纯文本、Markdown、Word、CSV和PPTX。
openai.py文件包含两个函数：get_embeddings函数使用OpenAI的text-embedding-ada-002模型对给定的文本进行嵌入。get_chat_completion函数使用OpenAI的ChatCompletionAPI生成对话。
整个而言，这个插件的几个接口功能很清晰，代码逻辑也不算复杂。核心的文本嵌入操作是借助于openai的Embedding接口，文本分块信息的存储及查询操作，则是依赖于各家向量数据库的功能。
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论