2023年ChatGPT应用专题研究 ChatGPT应用初探

2023-04-25 14:55:25

来源:方正证券,

1、ChatGPT:人工智能浪潮,应用场景丰富

OpenAI 开发的人工智能聊天机器人程序 ChatGPT,是目前最先进的 自然语言处理技术之一,它可以模拟人类的语言和思维方式,根据 用户提供的问题和输入,给出较为准确的回复。ChatGPT在许多领域 中都有广泛的应用,例如在线客服、智能助手、语言教育、机器翻 译等。 ChatGPT 于 2022 年 12 月正式推出,推出时是基于 GPT-3.5 架构的大 型语言模型并通过强化学习训练,在 2023 年 1 月末的月活用户就突 破了 1 亿,仅耗时 2 个月,超越 tiktok 成为了用户增长速度最快的消 费级应用程序;2023 年 3 月 15 日,OpenAI 再次推出多模态大规模预 训练模型 GPT-4,相较于 GPT-3.5,可接受图片和文本双输入。

在可 预见的未来,随着 ChatGPT 进一步的更新与迭代,ChatGPT 将在各 个行业有着全新的应用场景以及更高的渗透率。 本篇文章主要介绍 ChatGPT 的基本情况以及操作初探,为了更好的 体现 ChatGPT 的实用性,部分文字或图片来源于 ChatGPT-4 的回答 并经验证后所撰写。

1.1、ChatGPT的工作原理


(资料图)

目前推出的 ChatGPT 是基于 OpenAI GPT-4 架构的大型语言模型。其 工作原理可以分为以下几个关键步骤: 预训练:首先,ChatGPT会在大量的文本数据集上进行预训练。这些 数据来自于互联网,包括各种书籍、文章和网页等。预训练的目的 是使模型能够学习语言结构、文本模式和基本知识。在这个阶段, 模型主要学习预测下一个词的能力。 微调:经过预训练后,模型会在特定的任务上进行微调。这一步骤 包括使用带有人工标注的数据集来优化模型表现。微调的过程可以 根据不同的应用场景定制,以使模型更好地满足特定任务的需求。 生成文本:ChatGPT 通过生成文本来回答用户的问题或执行特定任 务。

生成文本的过程称为“解码”。在解码阶段,模型根据已有的输 入(如用户问题)生成一个词序列,以形成一个连贯的回答。 Transformer 结构:GPT-4 采用了 Transformer 结构,这是一种先进的 深度学习架构,用于处理自然语言处理任务。Transformer 结构利用 自注意力(self-attention)机制来捕捉输入序列中的长距离依赖关系。 这使得模型能够更好地理解文本语境并生成相关的回答。 总的来说,ChatGPT通过预训练和微调两个阶段学习语言知识和任务 特定技能,然后,它利用 Transformer 结构生成连贯、有意义的回答。

1.2、ChatGPT的应用场景

ChatGPT 作为一种高级的自然语言处理(NLP)技术,具有广泛的应 用场景。以下是一些常见的应用示例: 1.客户服务:ChatGPT 可以作为智能客服助手,回答用户的问题、解 决问题或提供产品和服务信息。2.虚拟助手:在智能手机、智能家居或其他设备上,ChatGPT 可以用 作个人助手,帮助用户执行任务、设置提醒或提供实时信息。 3.内容生成:ChatGPT 可用于撰写文章、博客、邮件或社交媒体内容 等,帮助用户更高效地进行内容创作。 4.问答系统:ChatGPT 可以为各种在线问答平台、知识库或论坛提供 自动回答功能。 5.语言翻译:ChatGPT 可以用于实时翻译不同语言之间的对话,帮助 跨语言沟通。

6.情感分析:通过对文本进行情感分析,ChatGPT 可以帮助企业了解 客户对产品或服务的情感态度。 7.代码生成:ChatGPT 可以辅助程序员编写代码,通过自然语言输入 生成相应的代码片段。 8.在线教育:在教育领域,ChatGPT 可以作为虚拟导师,解答学生的 问题、提供学习资源或评估学习进度。 9.创意写作:ChatGPT 可用于协助创意写作,如编写故事、剧本、诗 歌等。 10.游戏开发:在游戏领域,ChatGPT 可以用于生成对话和剧情,提 供更丰富的游戏体验。 这些只是 ChatGPT 潜在应用的一部分,随着技术的不断发展,未来 可能还会出现更多新的应用场景。

2、ChatGPT应用初探:日常工作,提升效率

2.1、简单使用技巧:文本交互

ChatGPT 的技术基础为大语言模型(LLM),最擅长的功能就是语言 文本的生成和交互。ChatGPT本质上仍然是和微软小冰一样的聊天机 器人,和文本交互有关的应用既是 ChatGPT 最基本的功能也是 ChatGPT最擅长的功能。与文本交互相关的工作能有效减少金融从业 者的负担。在使用 ChatGPT 之前,需要清楚它的几个问题: 1.知识更新:ChatGPT的知识截至 2021年 9月,因此某些信息可能已 经过时或不准确。

2.误导性答案:ChatGPT 可能会给出错误或误导性的答案。请对其提 供的答案保持审慎,并在必要时进一步验证。 3.输入限制:与ChatGPT的对话(包括问题和 ChatGPT 的回答)需 要在 Token 限制范围内。如果对话中的 Token数量超过限制,需要缩 短或简化文本以确保输入在限制范围内。 4.记忆限制: ChatGPT在长对话中可能遇到记忆问题。当对话内容超 过令牌限制时,ChatGPT可能无法准确回顾和理解之前的对话内容。 在这种情况下,可能需要简化或缩短提问以使其在限制范围内。 因此在进行文本交互时,输入内容和提问方式应注意简洁明了,若 内容较多,可考虑分开输入、逐步提问,并对输出内容进行验证。

我们可以通过以下几个例子来帮助读者更好地理解 ChatGPT 的运用。 精炼文本观点:我们可以通过文本交互,让 ChatGPT 帮助我们将复 杂信息生成精练观点,例如输入一段取自基金招募说明书中的投资 策略,要求它提取优缺点和标签。从回答上来看,ChatGPT能较好理解目标需求和被分析的文本。但从 它生成的答案来看,在深入度和精准性上还不够完善。这也表明 ChatGPT 能较好地完成工作的初期阶段,但仍需要对 ChatGPT 输出 的内容进行改进和完善。 生成相似文本:向 ChatGPT 输入几段基金点评的文本,内容主要是 未来展望方面,要求它输出相似的市场展望点评。

这段回答比起第一段回答显得更加准确和深入,为我们在使用 ChatGPT 时的技巧提供几点启示:1、提供足够的上下文。在提问时,提供足够的上下文信息有助于 ChatGPT 理解问题。 2、提问精确具体。对 ChatGPT 进行提问时,力求做到提问精确,并 且给予一定的约束。比如限定 ChatGPT 输出某一方面的内容,限定 ChatGPT 输出内容的篇幅和字数等等。 2.2 简单使用技巧:表格交互 有时我们希望发挥 ChatGPT 出众的分析能力,运用 ChatGPT 来进行 财务数据和金融数据的分析,简化我们日常的工作量。但 ChatGPT 本身只能通过文字交互的方式进行内容输入,如何直接 要求 ChatGPT 完成指定任务,并将 Excel 中的表格输入和输出就成为了一 个问题。

输出表格:有时我们会希望 ChatGPT 提供的不是文本回答而是表格 回答,因为用表格进行内容表达显得更加的简洁和干练,这时我们 可以这样对 ChatGPT 发问,明确要求 ChatGPT 提供表格,而且 ChatGPT 提供的表格可以从浏览器上直接复制粘贴进 Excel,然后就 可以用在日常工作中了。输入表格:目前没有办法直接向 ChatGPT 输入表格文件,但 ChatGPT 能够理解以 Markdown 格式表现的表格。因此我们可以使用 中介工具 Typora 将 Excel 表格转化为 Markdown 格式,这样 ChatGPT 就能有效读取了。Typora 的下载官网是:https://typora.io/。 接下来我们也用一个例子讲解如何进行 ChatGPT 的表格交互,以下 是以 Excel 表格表示的涪陵榨菜近期的股票数据,我们要求 ChatGPT 对这段表格进行点评和计算每日收益率:

可以看到 ChatGPT 按照我们的要求对以表格输入的数据进行了简略 的点评,并输出了收益率表格。最后还给出了每日收益率的计算公 式便于我们查验。可以看出,在表格分析层面,ChatGPT有着较好的 文本分析和数据分析能力,减少从业人员机械重复工作的工作量。文本、表格交互:以基金点评为例。在进行日常工作的时候,我们 经常需要根据搜集到的财务或金融数据为基础进行文字表达的工作, 此类工作可以说是研究员平日最常完成的工作之一,具有高度的可 重复性。如果能让 ChatGPT 学会工作中所需要的文字表达方式,将 会很大程度上提高工作效率。 以下是一个利用基金数据让 ChatGPT 学会基金点评的实例。首先我 们以表格的方式输入华商新趋势优选的相关数据,基于数据的文字 点评,要求 ChatGPT 参照华商新趋势优选的点评范例,对另一只基 金英大国企改革进行点评:

ChatGPT很好地复现了对之前基金的文字点评风格,生成的文字稍加 修改就可以直接使用。给定其他基金数据,继续利用 ChatGPT 进行 对于其他基金点评,生成点评所用的时间将大大减少。

3、ChatGPT应用:Python代码,自动生成

由于 ChatGPT 在进行文字和表格交互时,会面临输入和记忆限制, 无法处理复杂问题和庞大数据,因此可以考虑利用 ChatGPT 输出代 码的方式,本地运行程序,从而解决复杂问题。 ChatGPT 进行代码生成有一些潜在优势,主要包括:(1)快速生成, ChatGPT能够迅速生成代码片段,节省编写代码的时间,尤其是在处 理常见任务或简单问题时;(2)灵活性,由于 ChatGPT 受过大量编 程示例的训练,它具有很高的灵活性,可以生成多种编程语言(如 Python)的代码。这使得ChatGPT能够适应各种编程需求;(3)提供 启发,ChatGPT可以提供代码解决方案的启示,帮助在面临问题时找 到新的思路和解决方法;(4)学习辅助,对于初学者,ChatGPT 可 以用作学习工具,提供代码示例和解释,帮助更好地理解编程概念 和实践。

要利用 ChatGPT 生成 Python 代码,需要我们提出明确、具体的问题 或需求,并包含有关代码的详细信息。在这当中,我们用户扮演着 产品经理的角色,而 ChatGPT 扮演着程序员的角色。等 ChatGPT 生 成代码后,需要在使用生成的代码之前进行适当的验证和调整。 我们可以通过以下数据获取、数据分析和数据输出等角度的例子来 帮助读者更好地理解 ChatGPT 的在代码生成上的运用。

3.1、数据获取:数据库接口、PDF读取

(1)读取 WindAPI 接口。WindAPI 接口是指 Wind 资讯金融终端提供的一组编程接口,允许开发人员使用多种编程语言(如 C++, Java, Python 等)编写程序来访问 Wind 资讯金融终端的数据和功能。通过 WindAPI 接口,开发人员可 以访问 Wind 资讯金融终端提供的众多数据和功能,包括市场行情数 据、财务数据、新闻资讯、图表分析、交易模拟等。 我们的需求:用 ChatGPT写一段 Python代码,目的是使用 WindPy库 下载 000001.OF 近 1 年的复权单位净值和沪深 300 的收盘价,并计算 两个数据之间的相关性。

(2)连接 Wind 底层数据库。 Wind底层数据库是指 Wind资讯金融终端所使用的数据存储系统,主 要负责存储和管理金融数据。相较于 Wind金融终端,Wind底层数据 库的数据存储能力更强,可以存储海量的金融数据,包括历史和实 时的行情数据、财务数据等。 我们的需求:用ChatGPT写一段Python代码模板,目的是通过Oracle 方式连接 Wind 底层数据库,其中用户名:xxx;密码:xxx;端口号: xxx;主机和服务名:xxx;地址:xxx。在连接底层数据后,我们需 要 从 数 据 库 中 的 表wind.ChinaMutualFundDescription,提取 F_INFO_WINDCODE 为 006228.OF 的所有数据。

(3)读取 PDF 数据。 Python具有丰富的PDF库和工具,例如PyPDF2、pdfminer、pdfquery 等,可以通过简单的语法快速实现读取和处理 PDF 文件,并且支持 PDF 文本、图片、表格等各种元素的提取和处理。 我们的需求:用 ChatGPT写一段 Python代码,目的是在 Python3.7语 言环境中读取 A 基金.pdf 和 B 基金.pdf 文件,并且提取正文中报告期 内基金投资策略和运作分析该节的内容,分别记录基金 A和基金 B, 并将结果输出到 txt 中。

3.2、数据分析:批量处理、策略分析

(1)批量处理数据 。Python 拥有众多的数据处理库和工具,如 NumPy、Pandas、ScikitLearn 等,可以方便地进行数据的读取、清洗、分析、建模和可视化 等各种操作,且可以编写脚本实现自动化处理,可以实现批量处理 数据,大大提高了处理效率和准确性。 我们的需求:用 ChatGPT 写一段 Python 代码,读取目标文件夹下所 有表格数据,从所有表格中提取代码为 000001.OF的所有指标。表格 名字命名规则为:股票买卖总额年月.xlsx,表格的第二行为列标题。 从所有表格中提取代码为 000001.OF的所有指标,记录相应年月(从 表格的名字中获取),并将数据整理成一个新的表格,存在指定文件 夹中。

(2)基金收益分析。 Python 不仅拥有众多的数据处理库和工具,如 Pandas、NumPy、 Matplotlib、Seaborn 等,方便进行数据的读取、清洗、分析和可视化 等各种操作,支持多种数据格式和数据来源,包括 API、CSV、 Excel 等,而且拥有强大的统计分析和机器学习能力,可以对基金收 益数据进行各种分析和建模,如回归分析、聚类分析、时间序列分 析等,帮助投资者更好地理解和预测基金收益。 我们的需求:用 ChatGPT写一段 Python代码,目的是在读取 nav.xlsx 数据的基础上,第一列为日期,格式是日期格式;第二列为基金的 复权单位净值,基于复权单位净值,计算这只基金在这段时间的年 化收益率、年化波动率、最大回撤、年化夏普指标。

(3)股票策略分析。 Python 不但拥有众多的数据处理库和工具,而且拥有强大的统计分 析和机器学习能力,可以对股票数据进行各种分析和建模,可以帮 助投资者更好地理解股票策略、预测股票走势和价格。 我们的需求:用 ChatGPT 写一段 Python 代码,目的是在读取 A 股日 度行情.feather的基础上,列名 S_INFO_WINDCODE代表股票代码, TRADE_DT 代 表 交 易 日 ,S_DQ_ADJCLOSE 代 表 收 盘 价 , S_DQ_ADJOPEN 代表开盘价,计算每只股票每月月底数据,进而计 算月涨跌幅,月涨跌幅的定义为月末收盘价/上月收盘价-1,根据所 有股票的月涨跌幅从小到大分 10 组,并通过输出下个月这 10 组收益 率的平均值,进而简单分析一下这个动量/反转策略。

(4)股票指标筛选。 Python 不但语法简单易用,使得指标筛选股票的代码编写变得简单 快捷,可以快速地完成数据的处理和分析;而且拥有强大的统计分 析能力可以帮助投资者更好地理解和筛选符合自己投资风格的股票。 我们的需求:用 ChatGPT 写一段 Python 代码,目的是用多个指标综 合筛选股票。在读取电子行业股票指标.xlsx 的基础上,第一列是 WindCodes 代 表 股 票 代 码 , 第 2-5 列 分 别 是 ROE_AVG、 YOYEPS_BASIC、MKT_CAP_ARD、PE_TTM, 分 别 代 表 ROE、 EPS 增速、市值和市盈率。 筛选出 ROE、EPS 增速、市值排名靠前, 但市盈率排名靠后的前十个股票。

3.3、数据输出:可视化图像、标准化文档

(1)高级图像输出:动态条形图。 Python 不仅拥有众多的图像库和工具,如 Matplotlib、Seaborn、 Plotly 等,可以方便地进行各种图像的绘制和定制,支持多种图像类 型,包括静态图像和动态图像,而且其图像库和工具具有很高的可 定制性,可以自定义图像的各种属性和样式,包括颜色、大小、标 签、标题等,满足不同种类的需求。 我们的需求:我们需要 ChatGPT 写一段 Python 代码,目的是利用 bar_chart_race 库,使用 GDP.xlsx 中的数据做一个随时间变化的条形 图的视频(动态图像,mp4格式),并设置字体为SimHei。GDP.xlsx的 第一列为年份,第二到第八列为不同国家,画面右下角显示时间, 时间会由小到大变化,变化条形图发生变化,所有参数默认设定。

(2)标准化文档:点评、绘图。 首先,Python 拥有众多的数据处理库和工具,如 Pandas、NumPy、 Matplotlib、Seaborn 等,可以方便地进行数据的读取、清洗、分析和 可视化等各种操作进而进行点评;其次,Python 拥有丰富的可视化 库和工具,如 Matplotlib、Seaborn、Plotly 等,可以根据需要绘制各 种图表,包括线图、柱状图、散点图、热力图等,有利于绘图;最 后,Python 支持多种输出格式,包括 HTML、PDF、PNG、JPG 等, 方便用户进行不同场景的输出和共享。 我们的需求:用 ChatGPT写一段 Python代码,目的是在 Python3.7语 言环境中读取 close_date.csv 的数据,第一列为日期,并生成一段对 不同指数的价格的点评、绘制图像,最后把点评和图像输出,插入 Excel 中。

(3)基金收益分析 PPT 输出。 相较于 PowerPoint,一方面 Python 可以通过自定义函数或库来扩展 其功能,满足更多特定需求,使得 PPT 的制作更加灵活和高效;另 一方面,Python 可以通过编写脚本来自动化 PPT 的制作过程,如自 动生成幻灯片、插入图表、插入数据等,提高制作效率。此外,PPT 通常需要多人协作制作,在协作过程中容易出现版本不同步的问题, 而 Python 可以通过代码管理工具来实现更好的版本控制,避免不同 版本的幻灯片被混淆或丢失。

我们的需求:用 ChatGPT写一段 Python代码,目的是利用 WindPy库 提取 000001.OF、000006.OF 和 000015.OF 近一年的复权单位净值, 生成 PPT。PPT 第一页为大标题“基金的收益分析”,第二页到第四页 为这三只基金的收益分析。收益分析包括:章节标题为基金名称; 左边放图:近 1 年各个基金走势图;右边放表:近 1 年各个基金年化 收益、最大回撤、夏普比率的表格。

4、API接口:进阶应用,处理量大数据

4.1、API接口介绍:Python访问ChatGPT

ChatGPT 的 API 接口为用户提供了访问 ChatGPT 的方式,用户可以 通过本地 API 接口向 ChatGPT 发送请求并获取响应,从而更为便捷 地在本地使用 ChatGPT的部分功能。API接口可以支持的功能包括文 本摘要、文本分析、生成文本、问答对话等。 使用 ChatGPT 的 API 接口可以快速地完成自然语言处理任务,大大 提高处理效率,尤其是在需要处理大量文本数据时,可以明显地降 低人工处理时间和成本。同时API接口可以满足不同应用场景的需求, 根据用户的需求来提供定制化设置。

以 python 的 ChatGPT API 接 口 为 例 。 首 先 需 要 在https://openai.com/blog/chatgpt 中 注 册 账 号 , 之 后 在 https://platform.openai.com 网站创建自己的 API keys。获得相应权限 以后,在 python 中安装 openai 插件,即输入 pip install openai,调用 时只需要 import openai 并输入 openai.api_key = "您的 API keys",即 可利用 python 使用 ChatGPT 的部分功能。

4.2、API应用案例分析:摘要、分类和对话

API 接口在 python 中的使用方法主要是通过构建 prompt 来完成的。 prompt 是一个字符串,它描述了用户通过 API 向 ChatGPT 发送的请 求。用户可以在 prompt 中指定要查询的问题、需要 API 返回的信息 类型以及其他的一些参数。具体的 prompt 的构建方法和使用方式取 决于API的具体实现。下面具体研究python的ChatGPT的API接口, 实现文本摘要、文本分类和问答对话功能。

(1)总结内容摘要。 对于无摘要的文章或长篇论文,可利用 ChatGPT 的文章摘要功能进 行内容总结。这里我们选取方正证券研究所于 2023 年 3 月 31 日发布 的报告《智能时代,指向未来 —中证人工智能主题指数投资价值分 析》的内容进行总结,由于 ChatGPT 每次输入有字数限值要求,因 此采用读取每页文章进行文本摘要的方法来提取文章的主要内容。 可以得到如下结果,其中 max_tokens 可以控制输出字符长度。(2)提取关键信息。对于多篇有摘要的文章,可以利用 ChatGPT 的 API 接口对这些摘要 进行汇总,并提取主要信息。例如汇总 3 篇指数投资价值研报摘要, 并对其中的指数部分内容进行总结,可以简洁明了的知道每篇研报 的主要内容。同样,可以利用 max_tokens 控制输出字符数,通过 prompt 构建方法。

(3)文章分类。可以利用 ChatGPT 的 API 接口对输入文本中进行情感分析,得到文 本内容的倾向性来得知它是积极的还是消极的。以新闻为例,可以 读取文件夹中的所有个股新闻文件,利用 ChatGPT 的 API 接口对新 闻进行分类,输出新闻的倾向性。 读取 4.19 中科曙光、4.20 海康威视以及寒武纪的新闻进行文本情感 分析,可以得到以下结果。具体的分类标准可以通过修改 prompt 的 要求来实现。(4)对话问答。可以通过修改 question中的问题,在 Python中利用 API接口中实现与 ChatGPT 的对话。

5、其他应用:Auto-GPT与Python版Copilot

5.1、Auto-GPT:GPT联网、自动思考

5.1.1、Auto-GPT介绍及下载安装

Auto-GPT 是一个近期广为关注的基于 Chat-4 和 Chat-3.5 的 Github 项 目,自项目创立以来,该项目的关注度得到了指数级增长,截止 2023 年 4 月 24 日,Auto-GPT 在 github 上已经得到了惊人的 10.7W 星,在 4 月 17 日,这个数目还是 7.8W 星,可以看出这个项目受到了 全世界关注 AIGC 的用户的关注,并且关注度还在以一个非常惊人的 速度上涨。 为什么 Auto-GPT 能够收获如此广泛的关注?其关键在于项目名称中 的“Auto”部分,Auto-GPT 能自己给自己下达任务,从而达到只需 要做好任务和 AI 角色的初始设定,就能够生成结果的效果。而在此 之前,在我们运用 ChatGPT 的时候,需要不断和 ChatGPT 进行对话, 不断为其设定新目标,不断进行微调,才能达到我们想要的结果。 所以这个项目的前景是非常美好的,甚至有人认为 Auto-GPT 在未来 将取代 Chat-GPT。

为了体验Auto-GPT的实际效果,我们安装并测试了Auto-GPT,下面 介绍 Auto-GPT的安装方法和实测感受:首先要在下载网址https://gitscm.com/download/win 下载 Github 网站的 Git 应用,之后打开下载的 Git,输入 git clone https://github.com/Torantulino/Auto-GPT.git;接下 来打开 cmd,输入 cd Auto-GPT;然后在 cmd 继续输入 pip install -r requirements.txt。这样 Auto-GPT 项目的下载安装就完成了。要使用 Auto-GPT,需要使用 ChatGPT 官网所提供的 Openai key。将 Openai key 输入环境文件.env(需要先把文件.env.template 重命名名为.env) 中,Auto-GPT 就正式配置完成了。

5.1.2、Auto-GPT实际使用感受

Auto-GPT 的工作流程从原理上理解是简单易懂的。首先由人类给 Auto-GPT 取名,然后给 Chat-GPT 设定一个角色,紧接着为 AutoGPT 分配至多五个任务让其执行。Auto-GPT 在执行任务时,会将任 务拆解成若干个小任务,包括但不限于生成 Python 脚本,访问本地 文件,进行 Google 搜索并分析网页,储存生成的文本,执行 Python 文件等等。

Auto-GPT在使用过程中与 Chat-GPT截然不同的地方是,在使用过程 中用户不需要对运作过程进行太多关注,只需要看着 Auto-GPT 自己 给自己设定目标、分配任务,自己生成文件,用户所需要做的绝大 多数操作就是输入 y(表示同意,允许 Auto-GPT 执行下一步)即可。 另外 Chat-GPT 的数据库只更新到 2021 年 9 月份,其信息的时效性比 较差,难以达到金融业所需要的时效性要求,但是 Auto-GPT 被赋予 了联网的功能,在这方面做出了补充。然后 Chat-GPT 无法访问本地 文件,导致很多工作难以完成,但是 Auto-GPT 被赋予了一定的本地 文件访问权限(可开启或关闭),这使得它在处理问题时能起到更加 强大的作用。

Auto-GPT 主要依赖 GPT-4 和 GPT-3.5 模型,两种模型的分工不同, 在默认的设置中,GPT-4 用来执行需要缜密思考的步骤,而 GPT-3.5 用来执行需要快速响应的步骤。Auto-GPT 有数据存储功能,它会将 工作记录保存在文件 auto-gpt.json 中以便下一次使用 Auto-GPT 时进 行上次未完成的工作。 虽说 Auto-GPT 的功能看起来很美好,但它毕竟还是一个实验性的项 目,还存在着诸多不足: 1、价格昂贵且成本不好控制,由于 Auto-GPT 使用的是 Openai 的接 口,价格是按照 Openai 的价格来收费,如果以较为乐观的视角看待 的话,Auto-GPT 完成每次任务的开销是 100 人民币左右。

2、Auto-GPT还不能很好理解操作者的意图,而且由于它执行步骤的 时候实际上是处于黑箱状态,所以用户也很难在 Auto-GPT 运行的过 程中对其进行调整。最终的结果可能会出现得到的答案和想要的答 案相差甚远的情况。 3、Auto-GPT可能会出现死循环的情况,它有时不能正确完成任务, 无法保存文件,有时会不断地出现“do_nothing”即没有任务可完成 的情况,这降低了用户的使用体验,延长了任务完成的时间,而且 提高了用户的资金投入。 以上几个问题不解决,Auto-GPT 仍将是一个实验性的项目而难以得 到大范围的推广。

但是从长远来看,Auto-GPT 这种能够自己进行思考的应用是有一定 的使用前景的。它的前景表现在:1、只需要设定角色、安排任务, Auto-GPT 就能自己完成任务,能够在很大程度上减少人类的工作量; 2、Auto-GPT的思考过程是自动进行的,人类的干涉比较少,可能能 得到带来惊喜的开创性结果,或能适用于一些开创性任务,如因子 发掘等。

5.2、GitHub Copilot:编程效率提升

5.2.1、GitHub Copilot的介绍

GitHub Copilot 是 GitHub、OpenAI、微软联合打造了一个全新的代码 生成 AI,通过输入的代码描述,结合上下文自动补全可能出现的代 码,从而加快程序员们编写代码的速度。GitHub Copilot 的工作原理 就是使用人工智能技术对大量的代码不断进行训练和学习,进而可 以结合用户的代码上下文、注释、函数签名等进行代码补全和编写, 从一定程度上使得代码编写更高效和轻松。 GitHub Copilot 是一个基于云的服务,它支持多种集成开发环境,包 括 Visual Studio Code、JetBrains IDE、GitHub Codespaces、GitHub CLI 以及 Sublime Text,可以通过安装 GitHub Copilot 插件在编辑器中 使用。同时它也支持多种编程语言,包括 Python、JavaScript、 TypeScript、Ruby 等。

5.2.2、GitHub Copilot的功能及应用

GitHub Copilot 的功能非常强大。自动代码补全功能,这是指 GitHub Copilot 可以根据用户的代码上下文和语法提示自动补全代码;它还 可以根据用户的注释自动生成代码;GitHub Copilot 的模仿能力也很 强,它可以根据用户写过的代码例子快速生成模板和重复的代码; 同时它也能提供与代码匹配的测试,只要用户导入单元测试包即可 给出与代码匹配的测试;如果用户有需要对现有的代码进行结构调 整或者性能调整,GitHub Copilot 还可以提供准确的重构建议,帮助 用户改进代码质量并减少错误。

5.2.3、GitHub Copilot评价

对于程序员而言,GitHub Copilot 可以非常有效的提高开发效率,减 少编写代码的时间,也可以利用它进行代码检查、重构和测试,提 高代码的可读性和准确度;同时 GitHub Copilot 作为插件在编辑器中 使用,用户可以非常方便地与之交互,通过简单的命令实现多种功 能。 但是 GitHub Copilot 的开发同样也存在一些问题,Copilot 的预测结果 仅仅是基于机器学习模型的猜测,无法保证代码的完全正确,仍然 需要用户的检查和测试;同时,在 GitHub Copilot 训练使用代码时, 不会给出相应代码来源,存在版权问题;以及 GitHub Copilot 是一个 基于云的服务,会导致一定的代码外泄风险。

(本文仅供参考,不代表我们的任何投资建议。如需使用相关信息,请参阅报告原文。)

关键词: