from:https://www.langchain.cn/t/topic/18/1
GPT-base的LLM，相对与前LLM时代，比如bert，RNN时代，最典型的能力是跨领域泛化，在全新的未知领域会收获比后两者更强的能力。但是，回归到算法任务本身，是小样本任务能力的体现。换句话说：虽然LLM已经学到了很多知识，但是我们如果使用足够聪明的shot 作为当前任务的上文，可以极大地发挥LLM的能力。

fine-tune（监督模型微调）输入输出，如果不是同领域的模型，则不存在适应的可能性。
fine-tune（监督模型微调）输入输出，如果不是同领域的模型，则不存在适应的可能性。
情感分类模型：标签空间（积极/消极/中性）

输入：小哥哥，来跟我一起玩呀
输出：积极
有毒评论分类模型：标签空间（有毒/无毒）

输入：小哥哥，来跟我一起玩呀
输出：无毒
而针对小样本的效果，则可以通过增加上文（prompt），在推理阶段自定义跨领域的任务
few-shot 输入（注意观察，只有最后一句是我们要预测的内容，上面的6行都是prompt，其中第一行prompt指定了任务类别）

情绪分类：
小哥哥我今天不开心->消极
小哥哥真好->积极
小哥哥你吃饭了吗？->中性
啊啊啊小哥哥我摔到了->消极
小哥哥，天气不错呢->积极
小哥哥，来跟我一起玩呀->
chatgpt 输出：

积极
one-shot 输入：

情绪分类：
啊啊啊小哥哥我摔到了->消极
小哥哥，来跟我一起玩呀->
chatgpt 输出：

积极
zero-shot 输入：

情绪分类：
小哥哥，来跟我一起玩呀
chatgpt 输出：

情绪分类: 开心/友善
充足的prompt，会让输出限制在我们需要的值域（积极/消极/中性），上面的案例中，哪怕只有一个样例，也会胜于没有，实际使用中，可以通过这种方式构造更多的样例来提升ChatGPT的精度。

同时，如果采用Bloom，LLAMA，ChatGLM之类的模型，可以参考预训练阶段的数据组成结构，四两拨千斤。

如果需要背景知识来打样，可以选择LangChain
我们可以看一下文档中的可以外挂的列表

名称 描述
Apify 一个网络爬虫和自动化工具的平台
Arxiv API arXiv预印本数据库的API
Bash 一种Linux和Unix操作系统的命令行语言
Bing Search 微软的搜索引擎
ChatGPT Plugins ChatGPT模型的插件，提供额外的功能和定制化选项
DuckDuckGo Search 一个隐私保护的搜索引擎
Google Places Google提供的本地商家信息的服务
Google Search Google的搜索引擎
Google Serper API Google搜索结果的API
Gradio Tools 一个用于构建和部署自定义机器学习应用程序的开源工具
Human as a tool 将人的智力作为工具来解决问题
IFTTT WebHooks 一个可以将应用程序和设备连接起来的自动化服务
OpenWeatherMap API 提供全球天气预报和历史数据的API
Python REPL Python的交互式解释器
Requests 一个Python库，用于向Web服务器发出HTTP请求并获取响应
Search Tools 用于在互联网上搜索信息的工具
SearxNG Search API 一个元搜索引擎的API，可以从多个搜索引擎收集结果
SerpAPI 提供各种搜索引擎的搜索结果的API
Wikipedia API 提供维基百科内容的API
Wolfram Alpha 一个基于自然语言理解的计算知识引擎，可回答各种问题和计算结果
Zapier Natural Language Actixin 可以访问Zapier平台上的5,000多个应用程序和20,000多个操作
结合官方案例，简单用Google Serper 做一下演示：
安装

!pip install langchain
!pip install openai
!pip install google-search-results
运行

import os
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI

os.environ["OPENAI_API_KEY"] = "xxxx" # 隐藏
os.environ["SERPAPI_API_KEY"] = "xxx"

First, let's load the language model we're going to use to control the agent.

llm = OpenAI(temperature=0)

Next, let's load some tools to use. Note that the llm-math tool uses an LLM, so we need to pass that in.

tools = load_tools(["serpapi", "llm-math"], llm=llm)

Finally, let's initialize an agent with the tools, the language model, and the type of agent we want to use.

agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

Now let's test it out!

agent.run("现在深圳的气温是多少摄氏度？")
输出：

Entering new AgentExecutor chain...
I need to find out the current temperature in Shenzhen.
Action: Search
Action Input: "Current temperature in Shenzhen"TodayHourly14 DaysPastClimate. Currently: 75 °F. Passing clouds. (Weather station: Shenzhen Airport, China). See more current weather. I now know the final answer
Final Answer: 75 °F

Finished chain.
75 °F
这样就完成了一个实时的天气播报助手，当然，你也可以问比特币的实时价格。

我们分析一下整个流程：

中文输入：现在深圳的气温是多少摄氏度？

英文翻译：I need to find out the current temperature in Shenzhen.

Google Serper API 输入：I need to find out the current temperature in Shenzhen.

搜索结果（Google Serper ，不是google-search）

经过模型的翻译和搜索引擎的补充，生成完整输入（包含prompt）：

I need to find out the current temperature in Shenzhen.
Action: Search
Action Input: "Current temperature in Shenzhen"TodayHourly14 DaysPastClimate. Currently: 75 °F. Passing clouds. (Weather station: Shenzhen Airport, China). See more current weather. I now know the final answer
Final Answer:
LLM输出:

75 °F