? ? ? ? 大家好，我是带我去滑雪！

? ? ? ? 从2022年年底发布叫ChatGPT的人工智能聊天机器人以来，逐渐强势进入了各行各业，一夜火爆全网，它使用自然语言处理技术来与用户进行交互和沟通，可以回答用户关于知识、娱乐、生活等方面的问题，并提供一些解决问题的建议和信息。 ChatGPT的聊天界面友好，用户可以根据自己的需要进行调整，包括选择不同的语言、设置聊天机器人的性别、颜色、风格等。同时，ChatGPT也可以学习用户的喜好，根据对话记录来提供更加个性化的服务。 ChatGPT基于OpenAI的GPT技术，可以模拟人类语言和思维过程，从而有效地理解和回答用户的问题。由于其高效、准确和灵活性，ChatGPT已经成为许多网站和应用程序的重要组成部分，为用户提供更好的交互和体验。?

? ? ? ? ChatGPT的功能多种多样，不仅可以撰写论文、演讲稿、文案码字、创作诗歌，还可以编写代码、答疑、简历编辑、罗列PPT大纲等等，强大的功能让许许多多的科研工作者们既欣喜万分也忐忑不安。今天，我们聊聊ChatGPT在科研中的一些实际用途，节约宝贵的科研时间，从而使科研工作者能更好更便利地全身心投入到科研创作中。

目录

1、利用ChatGPT快速了解科研问题的研究进展

?2、可以使用ChatGPT了解研究方法和编写代码

?3、可以使用ChatGPT进行研究背景的初步撰写

4、使用ChatGPT给论文起一个漂亮的标题和缩写

?5、使用ChatGPT撰写论文摘要并进行翻译

?6、使用ChatGPT挑选合适的期刊投稿

?7、可以使用ChatGPT写投稿信、催稿信等

8、总结

? ? ?在科研工作初期，我们需要对想要研究的问题进行一个全方面的了解，从而根据已有的研究，确定自己需要做什么。举个例子，比如我们想要了解“列车调度规划”这一主题的有关研究，我们可以在ChatGPT进行如下询问：

? ? ? ? 可以看见，当我们询问关于列车调度规划有哪些重要的研究结论时，ChatGPT给出了多条有关列车调度规划的研究结论。倘若我们需要更加具体的信息，可以这样询问：

? ? ? ? ?同时，我们还可以使用ChatGPT，查找相关文献：

? ? ? ?输出的结果比较多，这里没有截取完。为了验证ChatGPT给出的参考文献的真实性，我查询了“Smooth minimization of non-smooth functions”这篇文章，是真实的，但是“The Train-Postman Problem”就没有查询到。我们在使用ChatGPT查询参考文献时，其真实性需要检验一下，不建议直接使用。

? ? ? ?此外，如果想要获得更加准确的回答，可以使用英文进行提问：

? ? ? ?当我们对研究对象进行了一定的了解后，就需要采用一些研究方法去进行研究，如果我们对某一方法不是不是很了解时，可以求助ChatGPT。比如，我们想要了解“偏最小二乘法”时，我们可以进行如下询问：

? ? ? ?我们继续询问，偏最小二次法的应用点有哪些：

? ? ? ? 我们尝试询问ChatGPT使用哪些软件可以实现偏最小二乘法这一方法：

? ? ? ?使用ChatGPT编写一段在python中实现偏最小二乘法的代码，并举个例子：

? ? ? ?研究背景是一篇科研论文必不可少的部分，但部分理工科的科研工作者每每在撰写科研论文研究背景时，都感到头大，不知道如何对自己研究对象和领域进行很好的总结，那么可以尝试使用ChatGPT完成研究背景的撰写，然后在这个基础上进行修改，从而解决问题。假如，我们需要写一段关于强调研究列车调度优化的重要性的研究背景时，可以这样询问ChatGPT：

? ? ? ?可以看到，ChatGPT给出的研究背景较为丰富，可以作为我们的一个参考。另外，如果需要英文的回答，可以使用英语进行提问：

? ? ? ?在进行英文论文投稿时，不少科研工作者经常会出现论文英文句式、词汇撰写不地道，导致被审稿人拒稿，从而浪费了大量宝贵的科研时间。那么我们在撰写英文论述时，可以借鉴ChatGPT中给出的回答中的专业词汇与句式，提高科研论文的质量。

? ? ? 简洁有力的标题对于一篇科研论文来说至关重要，一个意义明确的缩写更能锦上添花，对论文发表、基金申请都很有帮助。但是，对于英语不是母语的科研工作者来说，好标题+好缩写并不容易，我们可以用ChatGPT辅助完成，可以这样询问ChatGPT:

? ? ? ? 一份好的论文摘要，可以使人眼前一亮，并吸引读者继续阅读，若你对写摘要没有头绪，可以询问ChatGPT：

? ? ? ?进行英文翻译：

? ? ? ? 对于很多初步踏入科研的工作者，合适期刊的挑选总是让人烦恼的，不知道自己的论文可以投稿哪些期刊时，可以利用ChatGPT帮助你挑选与你论文有关的期刊，你可以尝试这样询问：

? ? ? ?我们在投稿过程中，需要与编辑进行信件上的交流，如投稿信、催稿信、返修回复信等等，但自己写信，可能在表达上不是那么专业，那么我们可以使用ChatGPT来完成：

? ? ? ?虽然不能直接使用，但可以给我们一个非常好的参考。

? ? ? ? ChatGPT是一款极为强大的工具，其在科学研究中的应用已经得到了越来越多研究者的认可和使用。值得一提的是，除了在构思上的启发、方法学的查询、翻译等方面，ChatGPT还能够完成一些其他的工作。例如，它可以用于语音识别、自然语言处理、对话系统等多个领域。这不仅便利了研究者们的工作，而且也能够促进科学研究的发展。 当然，随着这种工具的普及，很多人对于它可能带来的风险感到担忧。但是我们应该看到，这种担忧并不是特别新的，类似的担忧在历史上的一些重大科技革命时期也曾经出现过。正如工业革命中的人们最初可能也感到担忧，但是最终他们相信科学技术的进步将会给人类带来更加美好的未来。 在这个过程中，我们要学会如何正确地使用这个工具。我们需要认识到这个工具能做什么，以及它不能做什么。在使用ChatGPT的过程中，我们应该勇于接受自身的局限性，才能在工作中真正发挥自身的价值。因此，我们不应该害怕这项技术的发展，而应该拥抱这种变化，并在此基础上不断提高自身的创造力，为科学研究的发展做出更大的贡献。

更多优质内容持续发布中，请移步主页查看。

? ?点赞+关注,下次不迷路！

chatgpt 法律问答 开源项目 有哪些接入chat gpt api的工具

相信很多朋友已经体验过ChatGPT的强大了，但是如何结合自己的行业知识做一个问答应用呢?今天就给大家做一个分享。

下面这个图就是结合行业知识做问答应用的一个基本流程。

1.行业知识可能是一个text文档，也可能是一个pdf文档，或者是一个word文档，首先我们需要针对这个文档进行文本分割。

2.分割之后的文本内容会通过向量生成器【【微信】】生成对应的向量，然后将这些向量存储在向量数据库【【微信】】里面。

3.用户输入的问题Query也会通过【【微信】】生成对应的向量X。

4.然后通过【【微信】】进行相似度匹配，取出跟向量X相似度最高的几个向量对应的文本。

5.然后结合用户输入的问题Query和相似度匹配最高的几个文本内容组成一个prompt，向大语言模型提问，获取答案。

下面先给大家看一段示例代码，以下代码均为python代码，使用python3.10版本。

from langchain.text_splitter import RecursiveCharacterTextSplitter  from langchain.document_loaders import Docx2txtLoader  from langchain.embeddings.openai import OpenAIEmbeddings  from langchain.indexes import 【【微信】】tor  from langchain.【【微信】】roma  from langchain.chat_models import 【【微信】】  from doten【【微信】】, 【【微信】】    _=load_dotenv(【【微信】】())    loader_0=Docx2txtLoader("doc/property.docx")    index=【【微信】】tor(  text_splitter=RecursiveCharacterTextSplitter(chunk_size=1000, chunk_o【【微信】】=20),  embedding=OpenAIEmbeddings(),  【【微信】】=Chroma  ).from_loaders([loader_0])    【【微信】】="这个楼盘有什么优势?"  answer_0=index.query(llm=【【微信】】(model_name="gpt-3.5-turbo-16k"), 【【微信】】=【【微信】】, chain_type="stuff")  print(answer_0)

这段示例代码实现了一个简单的行业问答应用。具体的应用场景是，你是一个售楼处的置业顾问，你在线上回答用户的问题。行业知识来自一个property.docx文件，里面是这个楼盘的销讲词信息。

运行结果如下：

上面的示例代码是基于LangChain框架的，框架做了大量的封装工作，所以短短几行代码就实现了我们想要的效果，下面具体拆解一下整个流程。

0.先了解几个基本概念。

LangChain：这是基于大模型的一套应用框架，它封装了大量大语言模型的接口以及一些工具包，能够让你更快的构建基于大语言模型的应用。

API_KEY：我们测试使用的是openAI的大语言模型，需要先有openAI的账号，openAI的接口是付费的，需要提前配置好付款信息才能拿到API_KEY，拿到了API_KEY才能使用openAI的接口。API_KEY会存储在.env文件中，需要通过dotenv库的函数导入到环境变量。不要直接把API_KEY暴露在代码中，这样很容易泄露，业务逻辑和配置要分离。

1.导入文档内容并进行文档分割，我这里资料库的内容是docx格式的，所以用的是Docx2txtLoader，不同格式的文件使用的工具函数会有差异。另外文本分割的函数用的是RecursiveCharacterTextSplitter，这也是默认的文本分割函数，chunk_size为1000，意思是每1000个字符做一次分割，特意查了一下中文就是汉字的个数，英文就是字母的个数。chunk_o【【微信】】表示允许重叠的字符个数。进行分割的核心原因是大语言模型的接口有token上限要求，资料库内容一般都很多，无法一次接口全部丢给大模型处理。另外这样处理费用也很高，大模型是根据token多少进行收费的。

loader_1=Docx2txtLoader("doc/property.docx")  docs_1=loader_1.load()  text_split_1=RecursiveCharacterTextSplitter(chunk_size=1000, chunk_o【【微信】】=20)  texts_1=text_split_1.split_documents(docs_1)

2.针对分割之后的文档内容进行embedding向量化处理，因为是用的OpenAI的大语言模型，所以用OpenAI提供向量化接口进行文本向量化处理，Chroma是用于存储向量的数据库，也可以用其他的向量数据库，比如FAISS，Mulvus或者【【微信】】。

embeddings_2=OpenAIEmbeddings()  db_2=Chroma.from_documents(  texts_1,  embeddings_2  )

3.针对输入内容进行embedding，输入的内容也同样需要调用openAI的接口进行向量化处理。

query_3="这个楼盘有什么优势?"  embed_3=embeddings_2.embed_query(query_3)  print(len(embed_3))  print(embed_3[:5])

4.输入内容和文档内容进行相似度匹配，通过Chroma向量数据库对输入内容进行相似度匹配，获取相似度最高的4段文本，默认是4段，也可以通过参数控制。

docs_4=db_2.similarity_search(query_3)  print(len(docs_4))  print(docs_4[0])

5.抽取相似度最高的内容和问题构建prompt，调用大模型生成结果，这里使用了gpt-3.5-turbo-16k，主要原因是这个模型支持的token上限是16384，这样可以输入更长的prompt。常用的gpt-3.5-turbo的token上限是4096。

llm_5=【【微信】】(temperature=0.0, model_name="gpt-3.5-turbo-16k")  docs_5="".join([docs_4[i].page_content for i in range(len(docs_4))])  response_5=llm_5.call_as_llm(f"{docs_5}【【微信】】:{query_3}")  print(response_5)

以上就是基于大模型和知识库构建行业应用的基本逻辑，当然这只是核心部分，要做成一个完整的应用还需要做很多工作，可以参考我之前写的一篇文章。另外还需要做大量的调优的工作，比如文本分割的大小，相似度匹配取前多少条分割的内容，是否还需要提供更多的信息提升回答的质量(比如一些标准的问答示例)，是否需要平衡答案的质量和api的费用问题，以及最后的模型整体质量评估，今天就写这么多吧。