关于前端:不写代码也能年薪百万Prompt低代码开发实战

腾小云导读

近期 AIGC 狂潮席卷，“前端走向穷途”“低代码时代终结”的舆论甚嚣尘上。事实上 GPT 不仅不会干掉低代码，反而会大幅度促成低代码相干零碎的开发。本文会介绍 GPT Prompt Engineering 的基本原理，以及如何帮忙低代码平台相干技术疾速开发落地的技术计划。接着往下看吧~

看目录点珍藏，随时涨技术

1 提醒工程

1.1 提醒工程基本概念

1.2 如何应用 OpenAI/Chatgpt 做提醒工程测试

1.3 role & token

1.4 提醒工程技巧 - 少样本提醒（few shot）

1.5 提醒工程技巧 - 思维链提醒（Chain-of-Thought，CoT）

1.6 提醒工程技巧 - 生成常识（knowledge generation)

1.7 提醒工程的总结

1.8 langchain 的介绍

2 低代码技术

2.1 低代码技术介绍

2.2 Hello world：AI2SQL

2.3 接口网关：构建 AI 敌对的利用

2.4 低代码搭建：生成常识技术的大规模应用

2.5 低代码搭建：逻辑编排技术与 GPT

2.6 低代码搭建：数据可视化技术与 GPT

2.7 文档零碎的 GPT 搭建

2.8 总结

3 GPT 高级应用技巧蜻蜓点水与总结

01、提醒工程

1.1 提醒工程基本概念

提醒工程是什么？如图所示。你同大模型的交谈就是所谓的 Prompt，而如何设计、组织、优化则称为提醒工程（Prompt Engineering）。

提醒工程是通用技术，适宜于简直所有大语言模型（Large Language Models，简称 LLMs）。

在大模型利用的开发过程中，Prompt Engineering 做得好，不仅能够晋升答复的品质，也能够限度答复的格局，因而提醒工程也可能帮忙大模型返回的内容更敌对地被解读，这对后续跟其余零碎的集成十分重要。

一般来讲提醒工程蕴含如下的信息：

1.2 如何应用 OpenAI/Chatgpt 做提醒工程测试

除了间接拜访官网之外，各位开发者同时也能够应用 Node.js or Python 间接调用 OpenAI api。基本思路就是间接援用 OpenAI 的包，而后传入适当的参数即可。例如：

在测试过程中须要关注两个点。首先是参数 temperature、top_p。

· temperature（温度）—— 简言之，温度越低，后果越具备确定性，因为总是抉择概率最高的下一个词。进步温度可能导致更多的随机性，激励产生更多样化或富裕创意的输入 对基于事实的问答工作应用较低的温度值 ，以激励更加精确和简洁地答复。对于诗歌生成或其余 创意工作，进步温度值可能会更无益。

· top_p —— 相似的，通过 top_p 调节名为 nucleus sampling 的温度抽样技术，能够管制模型在生成回应时的确定性。如果须要精确和事实性的答案 ，请放弃较低的 top_p 值，如果 心愿取得更多样化的回应，请减少到较高的 top_p 值。

另外是模型 text-davinci-003 和 gpt-3.5-turbo 的区别。

text-davinci-003 和 gpt-3.5-turbo 都是 OpenAI GPT-3 系列中的两个模型，区别在于性能和价格，此处咱们着重讲下性能的比照。

性能：gpt-3.5-turbo 绝对于 text-davinci-003 在性能方面有所提高。依据 OpenAI 的说法，gpt-3.5-turbo 在许多工作中的性能与 text-davinci-003 相当或更好。这意味着，与 text-davinci-003 相比，gpt-3.5-turbo 能够在放弃雷同品质输入的同时更无效地实现工作。

1.3 role & token

在调用 OpenAI 的过程中你会看到，音讯会传入一个参数叫做 Role。

不同 Role 的含意如下：

零碎音讯(role = system)：个别用于定义 GPT 对话的行为，比方：你是一个 SQL 工程师，善于写 SQL。gpt-3.5-turbo-0301 并不会把这个零碎音讯做很高的优先度关注。将来的模型将被训练为更加关注零碎音讯。

用户音讯(rule=user)：个别是用户本人的输出以及开发者给 GPT 的一些指令。

助手音讯(rule=assistant)：能够帮忙存 GPT 本人的响应。

当对话场景须要援用之前的音讯时，就须要保护好这个 message 数组，这就是所谓 GPT 对话的上下文 or 历史记录。

大模型对过来的申请没有记忆，所以你如果想放弃这个上下文，必须保护好这个 message，而后在每次对话过程中，把残缺的 message 传过来。因而，如果这些记录超过了模型的 token 限度，就须要以某种形式缩短它。

另外咱们常常说的 Token 是什么意思呢？

GPT 家族的大语言模型会应用 Token 作为解决文本的标识，用来标识一段文本中的“词”。大语言模型会了解这些 Token 之间的关系，并可能预测一系列 token 中的下一个。文本占据多少 Token 咱们能够通过 https://platform.openai.com/tokenizer or tiktoken 来计算，如图：

在这里能够很显著地看到，中文占据了大量 Token，同时换行、标点符号等也会占据 Token。依据 OpenAI 的倡议，一个 token 能写 4 个字母，或者 0.5 个汉字。因而 4000 个 token 能够写 2000 字的中文。

下图是输出和输入都会计算 Token。比方 API 调用在音讯输出中应用了 10 个 Token，而您在音讯输入中收到了 20 个 Token，则须要领取 30 个 Token 的费用。如果在调用时候超了，会调用失败。输入的时候超了，会被截断。因而你本人的 GPT 利用，肯定要实现“试算 Token”的性能。不同模型反对的 Token 最大值参考。

因为 Token 价格昂贵，因而在一段时间之内，“省 Token”都是 AI 利用须要关注的重要问题。

1.4 提醒工程技巧 - 少样本提醒 (few shot)

目前的大语言模型（LLMs）通过大量的数据训练和指令调整，可能在零样本状况下实现工作。

以上例子中咱们间接向大模型发问，并没有增加任何须要示范的例子，就能够失去很好的回复，这便是零样本能力。但事实上很多场景零样本是无奈失去咱们想要的后果的：

这时候咱们就能够通过少样本提醒技术，给 GPT 举几个例子，帮忙它学习思考：

这样看，成果就好很多了。这个例子也体现了大模型弱小的学习能力。在咱们后续要讲的低代码开发中，few shot 技术是十分罕用的，如图：

咱们通过 few shot，让 GPT 学会了咱们本人定义的图表 DSL。但零样本提醒是万能的吗？比方咱们看以下例子。零样本提醒：

这显著是谬误的，咱们应用 few shot 技术：

能够看进去还是谬误的。因而 few shot 技术，并不能解决一些数学和推理场景。

1.5 提醒工程技巧 - 思维链提醒（Chain-of-Thought，CoT）

思维链提醒（Chain-of-Thought，CoT）是一种用于进步大语言模型推理能力的技术，通过提醒模型生成一系列推理步骤来解决多步骤的问题。钻研表明，这种技术能够显著进步模型在数学、常识、推理等方面的准确性。该技术的利用使得模型可能将多步骤的问题分解成两头步骤，从而更好地了解和解决问题。

比方一个简略的例子：

咱们发现 GPT 曾经齐全懵了。但如果咱们退出一句“请一步步思考下”，疏导 GPT 依照步骤思考呢？

成果十分惊人。同样咱们在之前的例子中应用魔法咒语：

成果也十分好。事实上思维链的“触发”形式，就是在原始提醒中增加“逐渐思考”” 请一步步思考问题 ”，但它可能起到十分惊人的成果。在去年 google io 中还专门演示了这个技术。

事实上，思维链远远不止“让咱们逐渐思考”这一魔法咒语，它能够仅仅通过 Prompt 就能够让 GPT 实现非常复杂的工作。上面咱们来举个例子：

假如明天我须要送给一个敌人礼物，心愿有一个机器人能通知你。如果咱们思考下本人的思考过程，可能会这么想：

能够看出，人们在失去一个问题的最终答案前，通常是会有若干个「两头步骤（intermediate steps）」的。因而咱们能够把这些“两头步骤”明确进去，疏导 GPT 进行思考，prompt 设计如下：

这个 Prompt 中，首先我提供了两个工具，通知这两个工具能够帮忙 GPT 取得答案。之后特地指出，GPT 每次思考都要返回 Thought、Action、Action Input，它要先去我的工具库中寻找工具，调用适宜的工具，并返回答案，同时要始终不停地做，直到失去答案。那咱们看下理论应用时，GPT 是如何思考的：

能够看到 GPT 像人一样，一步步地思考问题，它首先了解了这个问题，并从工具库中取出了性别判断工具，进行判断后，它又在工具库中取出了礼物举荐工具，并进一步失去论断。其实这个思路就是十分风行的 Reasoning + Acting：ReAct 技术，每次让 LLM 输入一个以后的【思考】和【要做的动作】，这个动作并不只限于检索信息，能够是调用任何工具，相似 ChatGPT plugin。LLM 通过 few shot 的例子和工具自带的形容，还有它本人学到的常识来决定何时调用工具以及如何调用工具。

这样 ReAct 引入了内部工具的概念，让 LLM 可能通过这种步进式的形式逐渐思考并调用内部工具，依据后果进一步思考循环。同时也能够仅仅是输入一步思考，并继续下去，相似 CoT。在风行的开发框架 Langchain 中就封装了帮忙实现这个思路的一系列工具。

1.6 提醒工程技巧 - 生成常识(knowledge generation)

生成常识提醒是一种利用语言模型主动生成常识并整合到常识推理中的办法。 这种办法利用了大语言模型的劣势，将其作为改良常识推理的、灵便的内部常识起源。通过应用通用的提醒格局间接从语言模型中生成常识陈说，而后抉择与给定工作相干的常识，能够进步常识推理的准确性。这种办法在语言生成、自然语言推理和问答零碎等畛域具备宽泛的利用前景。

举例来讲：

事实上高尔夫球应该是总分越低越好，GPT 对高尔夫球的了解只知其一; 不知其二。但咱们在 prompt 的时候传入高尔夫球常识呢？

能够看到答复就很精确了。因而生成常识能够帮忙 GPT 把握并加深已有常识的了解。同样咱们从低代码角度来考虑一下这个问题。

在这个 prompt 中，咱们要求 GPT 给咱们一个流程形容的 DSL，GPT 给了，事实上这也是一种罕用的 DSL 叫做 mermaid。

当咱们有本人的 DSL 想让 GPT 返回，这样就能够借助生成常识 + few shot 技术：

能够看到 GPT 返回了咱们想要的逻辑编排的 DSL。因而 生成常识技术联合 few shot 是很多 AI + 低代码技术的基石。后续咱们的文章也会大面积地应用生成常识技术。

1.7 提醒工程的总结

根本准则：

同样咱们也能够应用以下的高级技巧：

1.8 langchain 的介绍

langchain 是一个十分好用的框架，可能帮忙咱们疾速构建基于大模型的应用程序。它提供了很多工具、组件和接口。对于前端来讲甚至能够把它类比成 lodash/jquery 一样的根底库。

langchain 的模块大抵如上所示，简略介绍一下就是：

咱们能够看下如何应用 langchain 疾速搭建一个基于 GPT 的爬虫利用：

后果如下：

能够看到，咱们联合 langchain + 简略的 prompt 就实现了一个爬虫的编写。

02、低代码技术

2.1 低代码技术介绍

近年来，低代码开发热潮又一次袭来，业界对“降本、增效、提质”的声音越来越强。腾讯的微搭等大量低代码产品相继而至，在业界引发关注。目前的低代码产品，大部分偏重于“UI 界面可视化编排”，但低代码这个概念其实涵盖范畴十分广。如图所示，在国外，低代码类产品矩阵十分宏大。某站点将低代码类产品依照性能分为以下几类：

同时对于一个残缺的 web 利用来讲，它会通过用户界面 - 接口服务 - 数据服务等多个模块，因而这次的低代码与 GPT 联合，咱们也会在整个链路上进行尝试：

咱们的思路简略拆解就分为以下三步：

2.2 Hello world：AI2SQL

写 SQL 是接口 / 数据工程师极其头疼的问题，以这个为收场的起因是 AI2SQL 的场景足够明确，Prompt 也比拟好设计。

合成工作：

结构 prompt：

于是咱们就有如下结构形式：

其思路就是把表构造和用户输出传给 GPT 由 GPT 去编写。咱们目前的可能产品状态如下：

用户输出简单的形容，其中甚至带有很多对 SQL 语法的要求，GPT 也能疾速精确地返回。

在这个例子中，咱们发现构建 GPT 产品时，次要的工作都在组织 prompt 上，因而对 prompt 进行设计能够无效达到目标。同时 SQL 是 GPT 十分善于 编写的语言。留神我在这里特别强调了“十分善于”，前面还会讲这个的重要性。最初为了让 GPT 感知到咱们的表构造，咱们利用生成常识（Generated Knowledge Prompting）这一技巧，让 GPT 把握了它不晓得的货色。

AI2SQL 这一类零碎的架构设计如下：

在理论产品中，咱们把 GPT 当作是一个服务，人机交互由产品进行解决，同时通过代理拜访 GPT。零碎的表构造、元数据能够“喂给”GPT 当作语料，但单纯传入 DDL 会重大超出 Token，所以也能够通过对元数据的缩减能够缩小 Token：

目前这一类的开源产品有 https://github.com/sqlchat/sqlchat 大家能够看看其产品状态。

同样，langchain 在开发这一类利用时也具备人造的劣势，因为各种包都是现成的，甚至有一个现成的 AI2SQL 的 chain，如图所示：

咱们能够看到利用 langchain 开发 AI 利用的基本思路：抉择一个适合的 chain，初始化须要的参数模块，之后 run 即可。

2.3 接口网关：构建 AI 敌对的利用

低代码绕不开的就是接口服务网关了。通常来讲，用户心愿可能通过服务间接获取须要的数据 /API，而不是对着一堆接口列表进行开发，因而咱们的思路是这样的：

合成工作：

结构 prompt：

咱们给 GPT 增加一套宠物管理系统，之后看一下成果：

首先咱们获取零碎内的接口：

GPT 能够失常返回并结构好零碎 API 给咱们。之后咱们间接申请数据：

GPT 也能够把数据加工好给到咱们。那如何能力让 GPT 理解零碎内的接口呢？答案是应用 Swagger API，因而这类零碎能够这样设计：

咱们依然利用万能的“生成常识”，首先把 Swagger API 加载到零碎中，并首先传给 GPT 作为常识和上下文。之后用户的询问会通过代理服务传给 GPT，GPT 的学习能力可能了解很多接口操作，因而 GPT 会首先返回符合要求的接口以及相干的参数。因为用户可能须要间接获取数据，因而咱们能够让零碎本人去申请数据，之后能够把返回数据再给到 GPT，GPT 会帮你加工成“人话”，最终给到用户，这样就实现了一个接口网关的 GPT 实现。

但这样的设计还存在不少问题，如：

因而能够思考这个思路：在缩减 Token 的根底上，可能让 GPT 提供的接口服务更加灵便。

举例来讲，一个通常的 RBAC 模型，它的设计是这样的：

如果咱们应用 restful 接口开发一个权限管理系统，须要至多实现以下的接口：

能够看到依然会陷入无尽的接口开发工作中。但咱们如果换个思路，通过另一种对数据模型描述性很强的语言 graphql 来实现呢？首先咱们转换成 graphql 模型，即便不会写也没关系，GPT 能够帮忙你把 DDL 转换为 graphql：

之后咱们就能够自在地进行查问：

留神，咱们并没有做任何的接口开发工作，仅仅是定义好模型，就能够自在地通过 GQL 做查问。为什么咱们换一个技术栈，GPT 就变得更加丝滑了，其中有以下几个起因：

因而，AI 能够认为是一个很成熟的 SQL/GQL/React 等的开发者，却并不是一个好的 http 接口的开发者。

AI 敌对，即在能够应用各种 prompt engineer + 各种技术栈的根底上，你依然能够抉择 AI 最会的技能。

2.4 低代码搭建：生成常识技术的大规模应用

首先咱们来看一个 Demo，这是来自腾讯揭光发老师的精彩分享，通过自然语言生成页面，并反对二次编辑

可移步到腾讯云开发者公众号观看

通过下面的实战，实现此零碎的基本思路：

利用生成常识技术，设计一个 prompt，使 GPT 返回本人的 DSL。

但通过生成常识，存在以下问题：

首先咱们来结构 prompt：

大部分的 AIGC 类需要，都以一次生成为主，但低代码这种高频编辑（需要高频变动的）如何解决更新问题？

能够看出跟咱们想要的预期是统一的。但个别低代码产品有几十上百个组件，把所有的组件文档塞进去很不事实，因而咱们能够前置提供一个组件路由的模块，依据用户输出来判断须要哪些组件：

这样咱们就能够依据用户的需要抉择对应组件，整体的零碎架构如图所示：

第二个问题，如何实现依据需要二次编辑 DSL 呢，咱们当然能够每次都生成一份新的 DSL，但这样很容易节约 Token。由此咱们应用了一个有意思的技术叫 JSON patch：

JSON Path 能够形容 JSON 文档变动. 应用它能够防止在只须要批改某一部分的时候发送整个文档内容. 补丁 (Patch) 内容的格局也是 JSON.JSON Patch 由 IETF 在 RFC 6902 – JavaScript Object Notation (JSON) Patch 中标准。

举例来讲：

能够看到，JSON patch 可能比拟精确的形容对 JSON 这一 DSL 的操作。由此咱们能够设计 prompt 让 GPT 返回 JSON patch 和相干批改后的 DSL：

同样咱们也能够限度 GPT 只返回 Patch。

2.5 低代码搭建：逻辑编排技术与 GPT

逻辑编排次要解决可能通过 FLOW（流程）或有向图来形容的业务状态，如业务流程编排，接口服务编排，UI 简单联动，微服务（FAAS）编排，大数据 / 机器学习 pipleline 等。一般来讲它的根底思路基于 FBP，所以咱们须要依据 FBP 的思路设计 DSL。

Flow Based Programing (https://github.com/flowbased)是 J. Paul Rodker Morrison 很早以前提出的一种编程范式。FBP 把利用看作一个黑盒子，它可能看到的是一张过程（processes）组成的网，而过程间通过连贯（connection）进行通信，过程通过端口（port）来拜访连贯（这种形象相似网络编程）。

FBP 有三大概念，撑持整个架构：

基于此类场景，咱们设计一个 schema 来存储“图“，兼顾绘图和逻辑：

Logic schema 由三个次要的实体构造形成：

Flow 流程主体，Node 节点形容，Link 节点关系形容：

之后咱们对 GPT 的 Prompt 也从这个角度切入：

这里咱们依然应用生成常识 + few shot 的形式对 GPT 进行 Prompt，可见低代码自定义 DSL 这类场景，这种解决方案堪称万金油。最终将 DSL 接入一个流程编排工具或引擎，即可实现整个零碎的构建。

同样的实际也能够间接在其余成熟的逻辑编排平台实现，如 Node-red，sequence Diagrams 等。

2.6 低代码搭建：数据可视化技术与 GPT

数据可视化的绘制局部绝对比较简单。依照通常的思路，咱们依然剖析 Prompt 要求：

合成工作：

结构 Prompt：

因为 echarts 在互联网内的风行，GPT 对 echarts 的把握很好。一般来讲低代码零碎都会对其做肯定的封装，所以咱们依然能够应用生成常识 + few shot 技术对 GPT 进行 Prompt：

在这里咱们应用了本人定义的一个简略图表 dsl，能够看出 GPT 毫不费力地就返回过去了。这一类零碎在设计时也根本遵循相似架构：

GPT 依然作为一个服务，同时以后的数据以及图表组件的形容作为生成常识一起传给 GPT。此类守业产品也十分多，感兴趣的开发者能够自行搜寻。

但 AI 时代，这样的可视化真的有用吗？事实上，对于一个可能应用自然语言接触 BI 产品的工程师，它的诉求相对不只是说一句话制作一个图表那么简略，它须要让 AI 辅助它发现数据的异样，并智能地可视化进去，也就是所谓“加强剖析”技术。因而咱们对 Prompt 的合成会变成这样：

合成工作：

结构 Prompt：

其中就有两个难点须要解决：

幸好之前正好做过相干的钻研这次有了 GPT，很多货色就变得简略起来。

首先咱们能够抉择可能发现图表异样的算法，通知 GPT，能够参考：

咱们将对应的数据，以及异样检测算法 Prompt 给 GPT：

能够看到 GPT 有弱小的编程能力，间接就将异样数据返回了。因而在可视化之前，能够先让 GPT 基于内置的算法做一次自动化剖析，检测数据中的问题。

之后咱们须要抉择适合的图表，此时咱们能够接入一个图表抉择模块，这个模块的性能叫“自动化可视化”，主动可视化的概念非常简单，就是依据你的数据后果主动抉择适合的可视化形式进行展现，以晋升报表整体的可读性，自动化报表与自然语言查问、自然语言生成等技术配合，将大大放慢整个剖析流程，升高从业者制作报表的老本。简略来讲自动化可视化就是这张图的技术实现：

其 Prompt 办法示例：

最终联合所有模块，当咱们输出“展现袜子每年的销量数据趋势，并剖析其中的异样，标注在图表上”时，GPT 间接生成了残缺的页面，显示如下：

完满！所以齐全不必放心 GPT 会干掉你。在这个场景中，我用 GPT + 我之前的可视化常识，胜利疾速实现了过后要做几个月能力实现的加强剖析成果，因而当 GPT 配合工作的教训，将是一把十分好用的利器。

2.7 文档零碎的 GPT 搭建

对于一个开放系统来讲，文档永远是最令人头疼的事件。但我在应用 GPT 的过程中发现，有一款向量数据库的文档及其弱小：

我第一反馈，这是怎么实现的？应用 ChatGPT 应该如何实现？因而依然回到原来的思考模式上：

合成工作：

结构 Prompt：

但显然，以上 Prompt 计划有很大的问题：

这里咱们就有一种思路，如果咱们能够提前把跟用户发问内容有相关性的文章摘录进去，让 GPT 判断，是不是就能够既节俭 token，又不须要逐字浏览？这里就回到一个实质问题：如何判断两段文字。于是咱们能够应用 embedding 技术。

在自然语言解决和机器学习畛域，”embeddings” 是指将单词、短语或文本转换成间断向量空间的过程。这个向量空间通常被称为嵌入空间（embedding space），而生成的向量则称为嵌入向量（embedding vector）或向量嵌入（vector embedding）。

嵌入向量能够捕捉单词、短语或文本的语义信息，使得它们能够在数学上进行比拟和计算。这种比拟和计算在自然语言解决和机器学习中常常被用于各种工作，例如文本分类、语义搜寻、词语相似性计算等。

在中文语境下，”embeddings” 通常被翻译为 “ 词向量 ” 或者 “ 向量示意 ”。这些翻译强调了嵌入向量的特点，行将词汇转换成向量，并示意为嵌入空间中的点。embedding 其实来源于 word2vec 技术。

举例来讲，你是无奈通过像字符串匹配，编辑间隔等形式判断以下三个表白的相似性的。

但咱们如果转换为向量，如图所示：

图片起源：微博 @宝玉 xp

能够看到 ” 狗咬耗子 ”，” 犬类捕食啮齿动物 ” 在向量空间上，通过数学计算可能发现肯定的相似性。因而 embedding 就解决了咱们寻找类似文本的诉求。OpenAI 官网也提供了 embedding 工具，官网举荐应用 ada-002。

接下来持续思考，除了数学计算与内存之外，咱们如何疾速计算并存储大段文档的向量呢？这里就须要借助向量数据库技术。向量数据库可能存储文本转换后的向量，并可能帮忙你进行查问。向量数据库技术如图所示：

向量数据库个别工作形式为三个步骤：

索引：向量数据库应用 PQ、LSH 或 HNSW 等算法对矢量进行索引

查问：向量数据库将索引查问向量与数据集中的索引向量进行比拟，找到最相近的后果

后处理：某些场景下向量数据库从数据集中检索最相近的后果后，对其进行后处理以返回最终后果。比方通过应用不同的相似性算法重新排列所有后果。如图所示。

在理论应用场景中，咱们能够抉择相似 supabase 这一类开源向量数据。

库 https://supabase.com/docs/guides/database/extensions/pgvector

一般来讲，查问向量数据库的内容跟 SQL 十分相似，比方寻找跟某段文本向量最类似的五段文本。

SELECT * FROM items WHERE id != 1 ORDER BY embedding <-> (SELECT embedding FROM items WHERE id = 1) LIMIT 5;

向量数据库搜寻，实质是以向量作为索引，在同义词 / 近义词搜寻中有很好的体现，但它不能齐全代替一般基于字符串索引的一般搜寻技术，一般搜寻和向量搜寻的异同。对于这块知识点，感兴趣的用户能够拜访腾讯云开发者社区进一步理解：https://cloud.tencent.com/developer/article/1941250?

基于以上的技术，咱们就能够搭建一个文档机器人：

整个过程非常简单，首先将大文本依照肯定规定切开成小块（换行 / 字数），之后批量转换为向量存储起来。之后在用户搜寻时，先在向量数据库中查出类似的文本，而后将这些文本 + 用户的 query 发给 GPT，GPT 来判断剖析并生成答复即可。

同样咱们也能够基于 langchain 疾速搭建：

在这里训练了一个生物学家 GPT 给它灌入了蜜蜂相干的常识，之后在发问环节能够看到它返回了精确的答复：

以上讲的 embedding + 向量数据库组合的技术，实质还是生成常识 knowledge generation 技术，同样能够用于以下场景：

2.8 总结

咱们能够看到，低代码类零碎，大部分都能够应用 GPT prompting 帮忙疾速构建实现，大大放慢了低代码零碎的开发速度，但同时咱们发现，很多技术依然是之前应用的，AIGC 只是建设了一个从自然语言到 DSL 的桥梁。AIGC 技术，肯定是建设在一个好的 DSL 上才会实现开发者层面与机器交互。从 sql 到 gql/swagger 到 ui schema 到 logic schema 始终到 chart，DSL 是人机交互的桥梁，DSL 的编写才是提效的关键技术。

03、GPT 高级应用技巧蜻蜓点水与总结

langchain 是不是很简略，我能不能把 langchain 也低代码，做 AI 零碎的低代码化？当然能够！

之前有个产品叫 ChatPDF，能够疾速解析用户的 PDF 并总结。依据上一节的内容咱们很容易就能够想到能够通过向量数据库 + embedding 解决此类问题。感兴趣的用户能够拜访 GitHub – FlowiseAI/Flowise: Drag & drop UI to build your customized LLM flow using LangchainJS 查看演示 flowwise 如何三分钟实现一个 ChatPDF 零碎。

可移步到腾讯云开发者公众号观看

之前蜻蜓点水讲了那么多 GPT 和低代码联合的局部，都没有来到零碎设计，只是把 OpenAI 作为服务，那如果我不想用你那一套老旧的零碎设计，用 AI 驱动整个零碎能够吗，当然能够！

如果大家对前沿技术比拟关注，就能够看到这是 AutoGPT 的实现原理，尽管代码写得十分面条，然而实现了匪夷所思的性能，圈内也有不少人进行了剖析。

AutoGPT 翻新的灵感 + 待欠缺的代码的矛盾组合，称之为 ai-based system，可能将来齐全会颠覆传统的零碎设计。

在本篇中，咱们具体介绍 Prompt Engineering 的技巧，并为各位分享了如何与低代码联合进行开发实战。整体来说：GPT 绝不是无所不能，通过 DSL 和 Prompt 的构建能力施展价值。

而通过工程能力能够大幅度晋升 GPT 的成果，因而咱们相对不是“无事可做”。GPT 领有令人“匪夷所思”的弱小的学习了解等等能力。工欲善其事，小人善假于物也，一个工程师应该把 GPT 当作本人手里最尖锐的武器。

-End-

原创作者|姜天意

技术责编|loyluo

AIGC 时代，前端等技术从业者如何晋升本人的不可替代性？欢送在腾讯云开发者公众号评论区探讨。咱们将选取 1 则最有意义的分享，送出腾讯云开发者 - 手段垫 1 个（见下图）。6 月 14 日中午 12 点开奖。