GPTs是一个自界说版本的ChatGPT，答使用户直接在界面上调整ChatGPT的功用以习惯特定使命或许指令

为什么要让大模型衔接外部国际？

咱们在上文中已经列举了大模型的局限性：没有实时性、无法获取私有常识等。

在此基础上，咱们能够把大模型的局限性细化成以下几条：

• 大模型获取不到实时信息，彻底不清楚所谓的新闻热点，这一点很不像人类。
• 大模型把握的常识是有限的，遇到不明白的问题，就会开端胡编乱造，令人头痛。
• 大模型还没把握满足的推理才能（至少目前还不够），在处理较为杂乱的问题时，准确性是存疑的，比方处理杂乱的数学问题等。
• 大模型无法获取企业的私有文档（RAG能够必定程度上处理该问题）。
• 大模型无法获取外部系统数据库中的业务数据，比方地图相关信息、张三在某渠道的消费记录等。

咱们会发现，不管大模型再怎样练习，这些局限性仍然会存在，并不会随着大模型的持续练习而处理。

把大模型当人看的话，再聪明的人也不可能实时接纳消化新常识、不可能拿到全部的私有数据、也就不可能独自处理全部的问题，那么怎样才能让大模型变得牢靠又强壮呢？

答案便是：找牢靠的人一同协作，处理各种杂乱问题。

大模型将杂乱使命拆解成一个个子使命，遇到搞不定的子使命（或许有更牢靠的小伙伴）时，就把问题抛给更专业的小伙伴，小伙伴把处理结果反馈给大模型，终究全部子使命都得到了更好的处理，大模型再依据子使命的处理结果，生成愈加牢靠的答案。

比方，大模型接纳到一个使命“明日正午的气候怎样样？如果气候好的话，想去国贸邻近的麻六记吃饭，不知道人多不多”，首要把使命拆解为如下子使命：

1. 查询明日正午的气候。
2. 需求查询国贸的方位。
3. 再查询国贸邻近麻六记的具体方位，确认该饭馆是否存在。
4. 查询麻六记的商家信息，方便打电话问询或预约。

大模型看了看自己团队里的人（接口），开端分配使命：

1. 使命1交给气候接口，得到详细的气候信息。
2. 使命2交给地图接口，得到国贸的方位。
3. 再拿着使命2的结果持续让地图接口完结使命3，找到国贸邻近的麻六记。
4. 最终再调用群众点评接口完结使命4，查询麻六记的商家信息。

全部搞定，交作业：“明日正午是个大晴天，这么好的气候当然要出去耍啦。国贸邻近的麻六记具体方位在xxxx，评分4.8分，必定十分甘旨，商家电话xxxx，您能够联系商家预约方位。”

是不是靠谱多了？这个协作的模式其实就有些智能体Agent的意思了，咱们下篇文章再细说Agent。

总归，衔接外部国际后的大模型，能够扩展各种需求的才能，比较靠谱的完结各种杂乱使命，也让大模型和系统能够更好的集成，增强确定性。

接下来，咱们来介绍一下GPT衔接外部国际的三种方式。

二、GPTs：自界说版本的ChatGPT

GPTs是一个自界说版本的ChatGPT，答使用户直接在界面上调整ChatGPT的功用以习惯特定使命或许指令。

除了基本的GPT装备之外，GPTs还供给了三种才能：

1. 能够直接上传私有常识库文档，主动实现RAG。
2. 内置了几个通用才能（capability）：答应网络浏览（遇到不明白的问题会主动搜索之后再生成内容）、答应运用DALL-E生成图片（比方能够让它依据输入生成一张图片）、代码解说器（能够运用python的大部分功用）。
3. 经过装备Actions来履行外部的动作，actions本质上便是一些咱们能够履行的工具，类似于function calling，能够经过接口界说去调用其他使用的才能，这就相当于打通了GPT和其他使用的桥梁，能够相互协作，只需求装备接口界说信息即可。