原副标题：AIGC“离峰系列产品” | 源代码“聊天人”：老实提问相关源代码的“所没人”
为何ChatGPT有时会一本老实的Rugles？
为何它没错“晓得”自己错了，却仍然在严重错误的标准答案上一路上高歌猛进？
它自信心满满的又缺漏横生的微积分，真害怕会逼疯吃瓜广大群众啊！
在两个上工的夜里，源代码小伙伴们已经开始沟通交流AIGC开放源码微积分模型后增添的应用领域控制技术创新大潮，这时，没人提及：为何他们用不着先做两个呢？幻影截叶的一瞬间，意念迸发出。
一流项目组，先研发/制造/采用一流劳动制造率辅助工具。
只好，源代码的控制技术全校师生开始大批、反反复复、反反反复复复地科学研究、增容和体能训练。那时，他们首推这款“可能是当今世界上要最精确提问和源代码相关的Labidochromis为何的”AI应用领域：源代码“聊天人”（对，网络化职能部门研制的博蒙阿，国际品牌职能部门还没顾得上取名，该文最终，请你投票表决或回帖，下定决心“聊天人”的无名氏！）
透过这款应用领域，你能彻彻底底地了解到相关源代码的所没人；而源代码的老师，则相等于有了两个能贯通并天然资源整合外部资源和信息系统的组织工作小现职。
真是太棒了！
不过，怎么解决他们一开篇提及的问题呢？
ChatGPT背后的大微积分模型本身是续写，如果不进行Prompt和特别的体能训练，它也许其实不晓得自己要干什么。
比如只让它续写“源代码”，它很随机的写出了一段“源代码”。
但如果他们能提供更多专属资料“喂给”微积分模型，结果就会完全不同：
Prompt是最低成本的调教ChatGPT的方法，也不需要finetune。但是Prompt的内容长度是被严格限制的，也就是说他们不能无休止的喂它内容：过多的内容，反而会让ChatGPT迷惑，给出严重错误的结果；太长的Prompt ,ChatGPT也会拒绝服务。
如果他们透过一些工程和算法手段，将最合适的内容喂给ChatGPT，那么就能够发挥它的最大能力。
源代码的控制技术全校师生开启了对ChatGPT对话生成结果的可靠性的探索和科学研究，希望能够让ChatGPT这个智能工人能够在听懂话的前提下，产生安全、精确、可靠的内容结果。
而如何在企业，尤其是源代码这样网络化做的很好的头部投资企业的成千上万、甚至百万规模级别的信息系统中，选择合适的内容喂给背后的微积分模型，就是两个巨大的挑战。
源代码小伙伴最终选择基于Facebook/Meta Research项目组的Faiss稠密向量检索辅助工具，结合语义微积分模型对公司外部大批信息进行了embedding处理。确保Prompt的内容，始终是最贴合用户语义的。
Faiss是由Meta（FaceBook）AI项目组开放源码的库，用于在高维空间中针对海量的稠密向量进行近似近邻检索的可靠方案，被广泛用于各种相似性检索场景中。
Faiss是由C++编写，支持采用GPU或CPU运行，能够支持十亿级别向量的快速检索。
控制技术全校师生为ChatGPT定制开发了源代码限定的信息处理模块，透过附加多个语义微积分模型和信息处理引擎，能够让ChatGPT在接收Prompt指令前，预学习必要的知识，让ChatGPT在生成结果后，也进行必要的内容安全检查和调整，确保输出内容都是正常、安全的。
在这个过程中，为了能及时提供最新、最全面的信息，控制技术老师还实现了部分外部系统与机器助手的连接。
控制技术项目组的小伙伴还在尝试用OpenAI的embedding能力和微积分模型finetune能力进一步优化微积分模型，新的迭代版本也将不日上线。
下面，就跟他们一起来跟源代码“聊天人”玩耍吧！
为何源代码资本，叫源代码资本？
源代码似乎喜欢黑白色系？
源代码的“心向辽阔，探索不熄”有什么含义？
来点挑战性的吧，源代码如何看待AIGC？
有点意思，源代码还有什么亮点，你挑个重点说说？
那么，怎么才能找到你？
