原文：Ultimate ChatGPT Handbook for Enterprises
译者：飞龙
第九章：predictive-powers: Java 的 GPT 实现框架
介绍
在上一章中，我们探讨了 Python 的 GPT 实现框架LangChain。在本章中，我们将探讨predictive-powers，这是一个允许 Java 开发人员快速构建生成式人工智能¹解决方案的软件库。出于几个原因，理解这个库应该被视为至关重要。
首先，由于 Java 仍然是企业级应用程序开发的基石，通过这个库集成生成式人工智能功能显著扩大了您的 Java 应用程序可以实现的范围。想象一下自动化客户服务查询，生成动态内容，甚至构建智能数据分析工具，所有这些都在 Java 生态系统的舒适和熟悉中实现。
其次，该库提供的实现便利性使得普通用户可以访问先进的人工智能功能，这对经验丰富的 Java 开发人员和新手都非常吸引。如果您有兴趣利用 GPT 模型的强大功能，但发现人工智能领域令人生畏，本章将作为一个导航工具。
在快速比较 Java 和 Python 之后，本章将描述该库及其特性。
第一部分揭示了该库的关键特性。您将了解到诸如 API 客户端、端点和服务等基本概念，并提供示例以增进理解。
然后，我们开始展示通过一个名为‘Essay Writer’的自主代理来展示该库的实际实现。这个用例旨在说明该库的多功能性及其在现实任务中的应用，从而为您提供可应用于各种其他应用程序的可操作见解。
随后，本章深入探讨了实现 Essay Writer 所涉及的架构模式，提供了*第四章*中所呈现的内容的实例。每个部分都探讨了predictive-powers服务如何融入代理的架构，为您提供了构建类似应用程序的路线图。
最后，我们深入了解代码。这一部分将是必要的简洁，并且只会突出一些实现细节。请注意，虽然我们提供了代码片段作为上下文，但如果您有兴趣探索完整的注释代码，我们鼓励您访问predictive-powers GitHub 存储库[10]。虽然对 Java 语言有基本的了解确实可以促进对本章中所呈现的代码示例的更深入理解，但这并不是必需的。对 Java 不熟悉的读者仍然可以理解该库如何轻松应用于前几节讨论的概念。然而，建议读者对软件开发原则有基本了解，因为并非每个技术术语都会被深入定义。
结构
在本章中，我们将讨论以下主题：
- 快速比较 Java 和 Python 编程语言
predictive-powers库概述- 理解基本概念：API 客户端、端点和服务
predictive-powers用例：实现‘Essay Writer’自主代理- ‘Essay Writer’架构
- ‘Essay Writer’代码演示
Java vs. Python
Python 和 Java 在技术领域各自占据重要地位，为不同的专业领域提供了独特的服务，为在各种应用中利用 GPT 打下了丰富的基础。
Python 以其简单性和可读性而闻名，已成为数据科学领域的基本工具。该语言的用户友好性，加上丰富的库存储库，使其成为数据分析和可视化的首选，这一特点与涉足数据科学和人工智能领域的专业人士相契合。
相比之下，Java 仍然是企业应用程序开发领域的支柱，以其稳定性、内置安全功能和显著的可扩展性而享有盛誉，以支持大型基础设施项目。其多功能性进一步延伸；Java 可以在企业服务器、桌面和尤其是 Android 智能手机等各种环境中无缝运行。这种广泛的适用性使其成为开发人员追求适应性和强大性能的首选。
通过展示 Python 和 Java 框架，本书旨在使开发人员从不同领域更加了解可用技术，以便在应用程序中实现 GPT 集成，从而为他们提供更加明智的方法。
predictive-powers库
predictive-powers库旨在简化 Java 开发人员集成生成 AI 能力。作为 Apache-2.0 许可的资源，它在 GitHub 上免费提供。虽然本节提供了示例代码片段，但为了真正深入了解其广泛功能，我们鼓励访问predictive-powersGitHub 存储库以获取全面的代码和工作示例。
这些是predictive-powers库的关键特性：
- 它提供对 OpenAI 和 Hugging Face 托管推理 API 的低级访问。此功能使开发人员可以直接与这些 API 交互，如果他们选择的话。
- 该库为生成 AI 能力添加了一个抽象层，将它们与*第二章*中公开的 CapabilityGPT 框架对齐。这种设计决策确保与各种能力提供商的兼容性，减轻了供应商锁定的风险。正如我们将要说明的，该库使得在不同提供商之间切换变得微不足道，允许开发人员测试不同的提供商，并在新的语言模型可用时升级。
- 它托管了一个关键的内存向量数据库，对语义搜索²、信息提取和问题回答等能力至关重要。即将推出的版本将允许开发人员利用任何现有的向量数据库³。
- 该库包括方便地从各种来源（包括网页和各种格式的文件，如 MS Office、PDF、HTML 等）读取文本内容的方法。
基本组件
以下是您需要熟悉的主要组件的解释，以便使用predictive-powers库。这些也在图 9.1中描述，显示它们的相互关系：
图 9.1：predictive-powers库的基本组件及其关系
API 客户端
API 客户端是predictive-powers库的最底层组件，可直接调用服务提供商的 API。例如，开发人员可以选择通过OpenAiClient实例化直接访问 OpenAI API，并随后调用其方法。
API 客户端还提供对 API 密钥（用于服务访问）的安全访问以及临时服务器不可用情况的自动管理，例如请求洪水。
实质上，API 客户端为开发人员提供了直接 API 调用的自由，同时通过提供样板代码实现了强大而高效的开发。
考虑以下 API 客户端使用示例；该代码实例化了一个OpenAiClient，然后使用它执行一个非常简单的提示：
import io.github.mzattera.predictivepowers.openai.client.OpenAiClient;
import io.github.mzattera.predictivepowers.openai.client.completions.CompletionsRequest;
import io.github.mzattera.predictivepowers.openai.client.completions.CompletionsResponse;
public class OpenAiClientExample {
public static void main(String[] args) {
// 从操作系统中检索 API 密钥
// 环境变量 OpenAiClient.OS_ENV_VAR_NAME
try (OpenAiClient client = new OpenAiClient()) {
``// 完成一个句子；参考`
// https://platform.openai.com/docs/api-reference/completions
// 详情
CompletionsRequest req = CompletionsRequest.builder()
.model(“text-davinci-003”)
.maxTokens(50)
.prompt(“Alan Turing was”)
.build();
CompletionsResponse resp = client.createCompletion(req);
// 输出结果
System.out.println(resp.getChoices().get(0).getText());
``} // 关闭客户端`
}
}
这将生成以下输出：
一位英国数学家、计算机科学家、逻辑学家、密码分析家、哲学家和理论生物学家，对理论计算机科学和人工智能的发展产生了深远的影响。
端点和服务
端点是一个能力提供者，意味着它使用 API 客户端以服务的形式呈现不同的能力。
以下代码说明了创建AiEndpoint的过程，该端点提供对生成 AI 功能的访问，包括 OpenAI 和 Hugging Face 提供商⁴：
// 构建 Hugging Face 端点。
// API 密钥从操作系统环境中检索。
AiEndpoint endpoint = new HuggingFaceEndpoint();
// 从现有 API 客户端构建 OpenAI 端点
OpenAiClient cli = new OpenAiClient();
AiEndpoint endpoint = new OpenAiEndpoint(cli);
一旦创建了端点，它就可以访问服务。这些是高级生成 AI 功能，类似于 CapabilityGPT 框架中描述的那些。当前的服务包括：
**ModelService**：提供对模型元数据的访问，例如模型列表、模型上下文大小等。**CompletionService**：通过执行提供的文本提示来执行文本完成。这是最灵活的服务，因为我们可以通过提供正确的提示来指示它执行不同的任务，如*第五章*中所讨论的那样。通过适当的指示，该服务可以提供评估、分类、创作、信息提取、撮合、摘要、转换等功能。**ChatService**：处理用户和代理之间的对话，管理代理的个性和对话历史。这将对应于通信功能。还要注意，ChatService可以提供CompletionService公开的所有功能，因为提示执行可以被视为与用户进行单次交换的对话，用户通过提供提示开始对话，代理对其做出响应，从而执行它。**EmbeddingService**：提供文本嵌入和相似性计算功能，这对于 CapabilityGPT 框架中的语义搜索功能至关重要。**QuestionAnsweringService**：通过使用用户提供的上下文来直接映射到 CapabilityGPT 框架中的问答功能来回答问题。**QuestionExtractionService**：从文本中提取不同类型的问题（例如，判断题、多项选择测验等）。这是信息提取功能的一个例子。**ImageGenerationService**：使用 OpenAI（DALL-E 3⁵）或 Hugging Face（Openjourney⁶）生成图像。这是创作功能的另一个例子。**SearchService**：在互联网上搜索数据。这是一个可以作为代理的构建块使用的外部工具的例子⁷。
以下示例展示了使用CompletionService完成句子的用法。创建端点后，代码从中获取了一个CompletionService的实例，用于完成一个简单的提示。请注意，服务抽象允许使用一行代码修改来更改服务提供者（OpenAI 或 Hugging Face）：
import io.github.mzattera.predictivepowers.AiEndpoint;
import io.github.mzattera.predictivepowers.huggingface.endpoint.HuggingFaceEndpoint;
import io.github.mzattera.predictivepowers.openai.endpoint.OpenAiEndpoint;
import io.github.mzattera.predictivepowers.services.CompletionService;
public class CompletionExample {
public static void main(String[] args) throws Exception {
// Uncomment the below to use OpenAI
AiEndpoint endpoint = new OpenAiEndpoint();
// Uncomment the below to use Hugging Face
// AiEndpoint endpoint = new HuggingFaceEndpoint();
try (endpoint) {
CompletionService cs = endpoint.getCompletionService();
System.out.println(cs.complete(“Alan Turing was”).getText());
}
}
}
Knowledge Base
在predictive-powers库的上下文中，知识库是一个内存中的向量数据库，其中包含文本嵌入⁸。每个嵌入可以具有作为Map封装的属性数组。知识库提供了基于嵌入相似性和其他过滤条件的语义搜索方法。它可以分区为域，以允许单独搜索并优化性能。
predictive-powers Use Case
在本节中，我们将指导您实现一个名为“Essay Writer”（简称“Writer”）的自主代理，其目标是撰写关于不同主题的文章。Writer 旨在接收文章内容的简短文本描述，搜索互联网上的相关信息，下载和整理它，生成完整的文章。
我们将提供代码片段来演示如何利用 CapabilityGPT 框架的功能来构建代理。有关代理的完整代码，您可以参考predictive-powers GitHub 存储库。
Architecture
本节详细解释了实现 Writer 所采用的架构，使用了应该在Chapter 4](c04.xhtml)[⁹中熟悉的三层方法。该架构旨在具有可扩展性，使其能够处理更复杂的情况。但是，基本的分层方法将保持一致，利用predictive-powers服务来为应用程序和 AI 层创建模块化架构。
Figure 9.2: Essay Writer – Architecture
User Experience Layer
在我们的示例中，为了保持简单，用户将仅通过计算机控制台与 Writer 进行交互。可以使用各种命令行选项启动 Writer 以执行文章写作任务中的不同步骤（有关详细信息，请参阅完整的应用程序代码）。生成的输出将包括可以使用任何文本文件查看器检查的 JSON¹⁰和纯文本文件。
Application Layer
在应用层，编排代理通过执行相应的应用流程并正确协调不同的predictive-powers服务来响应用户命令。本章后面，我们将深入介绍这些应用流程的详细描述。
此外，还有一个信息检索组件。它负责在互联网上搜索相关内容，这些内容将用于创建文章：
**SearchService**:SearchService根据ChatService生成的查询执行网络搜索。它返回相关网页的链接列表，供编排代理下载和利用。**GoogleEndpoint**：该组件促进了与谷歌自定义搜索 JSON API 的集成，以增强SearchService的功能。它允许用户创建定制搜索引擎，以谷歌强大的搜索能力为基础。然后可以将该端点指向这些引擎。它赋予用户构建强大搜索工具的能力，能够限制搜索到特定网站，过滤成人内容，将搜索限制在特定地区等。
AI 层
AI 层是 CapabilityGPT 功能的实现和公开的predictive-powers服务。在这里，端点连接到相关的服务提供商，执行编排代理所需的任务。
**ChatService**：该服务将提供构建论文结构所需的创建能力。它将从其草稿描述开始，创建搜索查询，从网络中搜索相关材料，并通过总结和重写从互联网收集的知识来撰写论文的每个部分。**EmbeddingService**：该服务用于嵌入从互联网下载的内容，使其能够存储在知识库中以支持语义搜索。**OpenAiEndpoint**：该端点连接到所需的 OpenAI 模型¹¹。**KnowledgeBase**：这提供了一个内存向量数据库，用于存储下载的内容，并在需要时检索它，以撰写论文的不同部分。此外，KnowledgeBase可以作为单个文件持久化在用户的个人电脑上，允许用户重新生成论文，而无需重新下载相关网页。
重要的是要指出，两个层的服务都独立于端点和知识库的使用。这种抽象确保应用层与每个服务提供商提供的具体实现保持解耦。在开发过程中，这意味着软件工程师可以轻松测试不同的服务提供商和语言模型，以决定哪一个更适合正在构建的解决方案。
工作流程
如图 9.3所示的工作流程图，说明了将用户的论文草稿转化为作者生成的最终论文所涉及的步骤：
- 用户提供论文内容的文本描述。
- 作者生成论文结构（章节和部分）作为 JSON 文件。
- 作者生成谷歌查询，以搜索适合填充论文每个部分的信息。
- 作者然后执行每个查询，并编制由谷歌搜索引擎返回的相关网页链接列表。
- 作者下载每个链接的内容并创建相应的嵌入，这些嵌入存储在
KnowledgeBase中。 - 对于论文的每个部分，作者使用语义搜索从知识库中检索相关信息。
- 最后，作者使用这些信息来生成论文的每个部分，从而产生单个文本文件输出。
图 9.3：论文作者-工作流程
让我们详细研究每个步骤，并探索 CapabilityGPT 框架在每个阶段使用的能力。
该过程始于用户提供论文的文本描述，如下所示：
写一篇关于意大利帕多瓦市的论文。
第一章描述了这座城市的地理和人口统计情况，经济状况，以及从原始历史到现代的历史。
此外，还有一个章节介绍了生活在帕多瓦的名人。
第二章侧重于传统和民间传说，包括传统活动和节日，食品和葡萄酒，以及其他相关主题。
最后一章是一个显著景点的集合，每个景点都有单独的部分，描述了有趣的地方和游客的经历。
需要注意的是，作者将论文视为由章节组成的结构。尽管更复杂的结构是可能的，但为简单起见，我们将专注于这种格式。论文结构最初是使用 ChatGPT 生成能力生成的，根据提供的描述创建章节和部分。生成的结构以 JSON 格式保存以供进一步处理。以下是一个示例结构：
{
“title”: “我的论文”,
“description”: “写一篇关于意大利帕多瓦市的论文。\r\n 第一章描述了城市的地理和人口统计信息，其经济状况，以及从原始历史到现代的历史。\r\n 此外，还有一个关于居住在帕多瓦的名人的部分。\r\n 第二章重点介绍传统和民间故事，包括传统活动和节日、食品和葡萄酒等相关主题。\r\n 最后一章是著名景点的集合，每个景点都有单独的部分，描述了有趣的地方和游客的体验。\r\n”,
“chapters”: [
{
“id”: “1”,
“title”: “地理和人口统计”,
“summary”: “本章概述了帕多瓦市的地理和人口统计信息。它探讨了城市的位置、气候和自然特征。此外，它深入研究了人口统计信息，包括种族构成、年龄分布和人口随时间的增长。”,
“sections”: [
{
“id”: “1.1”,
“title”: “经济学”,
“summary”: “本部分探讨了帕多瓦的经济方面，包括其主要产业、贸易和经济发展。它突出了城市作为经济中心的地位，并讨论了推动其经济的关键部门。”
…
},
{
“id”: “1.2”,
“title”: “历史”,
“summary”: “本部分追溯了帕多瓦从原始历史起源到现代的历史。它涵盖了塑造城市身份的重要历史事件、统治者和文化发展。”
…
},
…
]
},
…
]
}
注意 ChatGPT 如何增强了每个部分的描述，提供了更详细的内容摘要。在“著名景点”部分，有趣的地方会自动添加，无需事先列出，这要归功于 ChatGPT 的能力。
“id” : “3”,
“title” : “著名景点”,
“summary” : “本章是帕多瓦著名景点的指南，重点介绍了城市的建筑、历史和文化地标。每个部分都专注于一个特定的景点，提供了详细的描述并捕捉了游客的体验。”,
“sections” : [
“id” : “3.1”,
“title” : “圣安东尼教堂”,
…
}, {
“id” : “3.2”,
“title” : “Prato della Valle”,
…
}, {
“id” : “3.3”,
“title” : “雷焦内宫”,
…
}, {
“id” : “3.4”,
“title” : “斯科罗韦尼小教堂”,
…
} ],
With the essay structure in place, the Writer needs to populate it with relevant information. Instead of relying solely on the model’s implicit knowledge, we want to fetch updated and relevant information from the Internet. To accomplish this, we generate Google searches for each section using ChatGPT text generation capabilities. This generates a short list of Google queries for each section.
The next step involves leveraging a different capability of our framework: Search. The Essay Writer uses these generated Google queries to query the search engine and collect a list of relevant web page links.
一旦我们确定了相关的网页，它们就会被下载并存储在数据库中以进行语义搜索。语义搜索将允许 Writer 在数据库中搜索与给定部分摘要在语义上相似的文本，从而检索与编译该部分文章相关的文档。为了启用语义搜索，下载的页面以一种特殊的方式编码，称为‘嵌入’；这种编码为文本提供了 AI 更容易处理的数值表示。
predictive-powers库提供了高级方法来下载网页内容、执行嵌入并将数据存储在内存数据库（KnowledgeBase）中，该数据库作为库的一部分可用。
在下载、嵌入和存储相关网页之后，Writer 使用语义搜索来获取与文章各部分相关的内容。这些上下文片段，称为每个部分的‘上下文’，作为生成各部分实际内容的基础。ChatGPT 利用其摘要和生成能力根据提供的上下文创建部分内容。
通过遵循这个工作流程，Writer 自主生成了一篇文章，其中包含来自网络的最新信息，产生了全面且经过深入研究的最终输出。
代码演示
在本节中，我们阐明了在前几节中概述的应用程序的工作流程，提供了代码片段来演示如何执行各种任务。如果您希望深入了解 Writer 的完整代码，它始终可以在predictive-powers GitHub 存储库中访问。
在展示应用程序代码的同时，我们有机会列出一些使用的提示。我们鼓励读者尝试根据*第五章*中的指南编写自己的提示，并查看 Writer 的技能是否有所提高。
请注意，为了提高效率，Writer 是一个多线程应用程序。方法parallelExecution()管理多个任务的同时执行，将它们的所有结果编译成一个List。在本章中，我们将展示用于各种任务的代码片段，但不会过多关注多任务处理所需的结构。
Essay类是 Writer 使用的内部类，用于维护文章的结构。它提供了几种方法，以有组织的方式方便地获取其格式良好的内容。Writer 在其essay字段中包含Essay的一个实例；随着程序的执行，该实例逐渐被数据填充。
应用程序工作流程的编排发生在类的main()方法中。在这里，用户输入被处理，并执行所需的任务。简而言之，main()方法实现了我们架构中显示的‘编排代理’组件。
工作流程中的第一个任务是读取用户提供的草稿并建立文章的结构。为了方便处理，结构被保存为 JSON 文件。以下代码片段演示了如何完成此任务。它假设文章草稿已经存储在essay.description中（这在此时main()方法已经执行过了）。请注意代码如何利用 GPT 返回数据的能力以各种格式，本例中是 JSON。专门处理 JSON 序列化的 Java 库使我们能够轻松地将返回的数据转换为一个Essay实例，只需一行代码：
public void createStructure() throws JsonProcessingException {
String description = essay.description;
[…]
// 实例化一个服务来创建文章结构
OpenAiChatService chatSvc = openAi.getChatService();
chatSvc.setModel(COMPLETION_MODEL);
chatSvc.setTemperature(40.0);
// 设置代理人个性，指示它返回 JSON
// and provide one example
chatSvc.setPersonality（
“您是一名助手，正在帮助作家创建文章的结构。文章结构由一系列章节组成，每个章节包含一系列部分。始终使用此 JSON 格式返回结构；以下是格式的示例：
+“\n”
+“{\n”
+“\”章节\”：[{\n”
+“\”title\”：\”第一章的标题\”，\n”
+“\”summary\”：\”第一章的摘要。\”，\n”
+“\”部分\”：[{\n”
+“\”title\”：\”第一章的第一节标题\”，\n”
+“\”summary\”：\”本节摘要\”\n”
+“}，{\n”
+“\”title\”：\”第一章的第二节标题\”，\n”
+“\”summary\”：\”本节摘要\”\n”
+“}]\n”
+“}，{\n”
+“\”title\”：\”第二章的标题\”，\n”
+“\”summary\”：\”第二章的摘要。\”，\n”
+“\”部分\”：[{\n”
+“\”title\”：\”第二章的第一节标题\”，\n”
+“\”summary\”：\”本节摘要\”\n”
+“}，{\n”
+“\”title\”：\”第二章的第二节标题\”，\n”
+“\”summary\”：\”本节摘要\”\n”
+“}]\n”
+“}]\n”
+“}\n”
+“\n”
+“确保各节不嵌套在其他节内。标题不应包括节编号或单词‘章’或‘节’。”
//调用代理创建结构，
//使用描述中的草稿
TextCompletion resp = chatSvc.complete（
“您的任务是根据提供的描述创建一本书的结构。该书应包括几个章节，每个章节包含一个标题，一个摘要和一个部分列表。每个部分应包括一个标题和一个摘要。确保各节不嵌套在彼此内。
+“\n”
+“如果可能，尝试使章节和部分的摘要至少 100 个字长，以提供书纲的实质内容。
+“\n”
+“逐步考虑并列出所有章节及其包含的部分。使用 JSON 格式返回结果。
+“\n”
+“用户描述：”+描述
）;
//将返回的 JSON 转换为文章
//然后将其复制到本地实例中。
Essay created = JSON_MAPPER.readValue（resp.getText（），Essay.class）;
essay.chapters = new ArrayList<>(created.chapters);
[…]
}
在创建结构之后，从互联网上获取撰写文章所需的相关数据。以下代码片段返回一个 SearchResult 实例（指向网页的链接）列表，这些内容可以用来撰写给定的部分。这些链接以 Pair 结构返回，以及它们在 Google 中确定的相应排名。
这段代码还说明了库的另一个特性：创建提示模板的能力，这些模板是参数化的提示。在模板中，通过双大括号将提示参数括起来。在运行时，这些占位符将被传递给 CompletionService.fillSlots（）方法的 Map 中具有相同键的值替换。例如，在以下代码中，“{{chapter_summary}}”字符串将被 params Map 中“chapter_summary”键关联的值替换：
public List<Pair<SearchResult, Integer>>
谷歌（章节章节，部分部分）
{
//首先创建一个搜索查询列表，
//基于我们想要搜索的内容
//实例化模型以创建谷歌搜索
OpenAiChatService chatSvc = openAi.getChatService（）;
chatSvc.setModel（COMPLETION_MODEL）;
chatSvc.setTemperature（50.0）;
//动态构建提示
最终的提示字符串=
“鉴于下面的章节摘要，部分标题和部分摘要，以 XML 标记提供，生成可用于在互联网上搜索与该部分对应的主题的搜索引擎查询列表。”
+“每个查询都是一个简短的句子或与该部分主题相关的关键词的简短列表。”
+ “ 包括术语，以便为主题提供上下文，如章节摘要所述，以便查询与章节内容明确相关。”
+ “ 创造性地提供确切的 5 个查询。”
+ “ 严格按照 JSON 字符串数组的形式提供结果。\n\n”
+ “<chapter_summary>{{chapter_summary}}</chapter_summary>\n\n”
+ “<section_title>{{section_title}}</section_title>\n\n”
+ “<section_summary>{{section_summary}}</section_summary>”;
// 提供数据以填充提示模板中的插槽
Map<String, String> params = new HashMap<>();
params.put(“chapter_summary”, chapter.summary);
params.put(“section_title”, section.title);
params.put(“section_summary”, section.summary);
// 准备对话；
// 注意在提示模板中填充插槽的调用
List<ChatMessage> msgs = new ArrayList<>();
msgs.add(new ChatMessage(
Role.SYSTEM,
“您是一名助手，帮助研究人员找到与他们正在撰写的文章部分相关的网页。”
));
msgs.add(new ChatMessage(
Role.USER, CompletionService.fillSlots(prompt, params)
));
// 为该部分构建 Google 查询列表。
// 查询作为 JSON 字符串列表返回，进行反序列化。
List<String> queries;
while (true) {
try {
queries = JSON_MAPPER.readValue(chatSvc.complete(msgs).getText(),
new TypeReference<List<String>>() {});
break;
} catch (JsonProcessingException e) {
// 重试以防 GPT 返回格式不正确的 JSON
LOG.warn(“因为 JSON 格式错误而重试，e);
}
}
// 现在提交每个查询并收集返回的链接
List<Pair<SearchResult, Integer>> result = new ArrayList<>();
for (String query : queries) {
List<SearchResult> links;
try {
links = google.getSearchService()
.search(query, LINKS_PER_QUERY);
} catch (Exception e) {
// 跳过失败的单个查询
LOG.warn(“忽略搜索错误: “ + query, e);
continue;
}
[…]`
}
return result;
}
一旦写手有要下载的页面列表，它就会继续并检索它们，提供相应的嵌入。根据页面的大小，这可能会导致多个项目。ExtractionUtil.fromUrl()方法是一个方便的一行代码，用于直接从 URL 获取文本内容。
读者还应该注意我们如何使用ModelService来获取一些模型元数据，比如它接受的最大标记数。
在 Java 中，这个过程看起来像这样：
private List<EmbeddedText> download(SearchResult link) {
// 实例化用于嵌入下载页面的服务
EmbeddingService embSvc = openAi.getEmbeddingService();
// 设置每个嵌入文本块的最大大小；
// 以下计算确保大约有 15 个嵌入
// 将用于组成每个部分。
// 注意 ModelService 是如何从 OpenAIEndpoint（openAI）中获取的
// 用于检索完成模型和
// 嵌入模型。
int writerSize = openAi.getModelService().getContextSize(WRITER_MODEL);
int embSize = openAi.getModelService().getContextSize(embSvc.getModel());
embSvc.setMaxTextTokens(
Math.min(embSize, (writerSize - SECTION_LENGTH_TOKENS) / 15) );
``// 将页面内容作为字符串下载`
String content = null;
try {
content = ExtractionUtil.fromUrl(
link.getLink(), DOWNLOAD_TIMEOUT_MILLIS));
} catch (Exception e) {
// 如果在下载页面过程中发生错误，则跳过该页面
LOG.error(“下载错误 “ + link.getLink(), e);
return new ArrayList<>();
}
// 嵌入下载的内容
List<EmbeddedText> result = embSvc.embed(content);
[…]`
return result;
}
成功完成后，嵌入将存储在知识库中，为写作过程的开始铺平道路。以下代码片段概述了如何编写单个部分。
通过检查代码，读者可以看到KnowledgeBase中的search()方法是如何使用的，通过传递部分摘要的嵌入版本来执行语义搜索：
private List<Section> write(Section section) {
//实例化服务
EmbeddingService embSvc = openAi.getEmbeddingService();
OpenAiChatService chatSvc = openAi.getChatService();
chatSvc.setModel(WRITER_MODEL);
chatSvc.setTemperature(0.0);
String prompt =
“<context>{{context}}</context>\n\n”
+“<summary>{{summary}}</summary>”;
Map<String, String> params = new HashMap<>();
params.put(“summary”, section.summary);
//这是用于创建部分的提示
List<ChatMessage> msgs = new ArrayList<>();
msgs.add(new ChatMessage(Role.SYSTEM,
“您将获得一个上下文和一篇文章部分摘要，两者都由 XML 标记限定。”
+“您的任务是使用上下文的内容来撰写文章的整个部分。”
+“使用专业风格。”+“避免内容重复，但要详细。”
+“仅输出部分内容，而不是标题，不要创建子部分。”
+“不要编造缺失的信息或为没有的数据放置占位符。”
+“只有在内容中有足够的信息时，才产生至少一个文本”
+ SECTION_LENGTH_TOKENS +“令牌长。\n\n”));
[…]
//搜索知识库以获取相关内容//（=构建上下文）
List<Pair<EmbeddedText, Double>> knowledge = kb.search(embSvc.embed(section.summary).get(0), 50, 0);
//这里需要一些代码来仅获取
//适合模型提示大小的上下文。
//出于简单起见，它被省略了。
[…]
// 将生成的内容添加到部分
section.content = chatSvc.complete(msgs).getText();
[…]
return section.sections; //实际上没有使用
}
结论
本章介绍了predictive-powers库及其利用 Java 开发人员的生成 AI 能力的能力。重点是提供一种真实生活的方法来利用生成 AI 能力。
predictive-powers库为 Java 开发人员和 AI 爱好者提供了独特的优势。它不仅简化了生成 AI 能力的集成，还提供了对 OpenAI 和 Hugging Face 等流行 API 的低级访问权限。这种灵活性允许开发人员在需要时直接与这些 API 进行交互。此外，该库的设计与 CapabilityGPT 框架保持一致，确保与不同的能力提供者兼容，降低了供应商锁定的风险。此外，其内存向量数据库支持语义搜索、信息提取和问题回答等重要功能。最后，它便于从各种来源检索文本内容，包括网页和各种文件格式，如 MS Office、PDF 和 HTML。这些功能使predictive-powers库成为在 Java 应用程序中利用生成 AI 能力的有价值工具，同时利用了 Java 应用程序的灵活性、兼容性和易用性。
我们深入研究了该库的技术方面，详细介绍了 API 客户端、端点和服务以及知识库等基本概念。我们了解了它们在更广泛框架内的角色和功能，并深入了解了它们的基本机制。
本章的亮点之一是一个实际的例子：创建了一个名为“Essay Writer”的自主代理。这作为一个具体的例子，展示了如何在一个现实项目中利用predictive-powers库及其不同的特性。
要点
在本章结束时，读者应该熟悉：
- The
**predictive-powers**library: 一个 Apache-2.0 许可的库，为 Java 开发人员提供了一个简化但强大的界面，以利用生成 AI。 - API 客户端：
predictive-powers库的基本单元，用于直接调用 OpenAI 和 Hugging Face 等服务提供商的 API。 - 端点和服务：利用 API 客户端提供服务的高级生成式人工智能组件。读者应该了解提供的服务，比如
ModelService、CompletionService、ChatService、EmbeddingService等。 **知识库**：对于语义搜索、信息提取和问题回答等能力至关重要的内存中向量数据库。- 自主代理的实现：本章指导读者创建一个“论文写作机”，演示所学概念的实际应用。它展示了如何轻松组合库组件，利用 CapabilityGPT 框架、提示工程技术和本书其他部分介绍的架构模式，创建能够执行复杂任务的代理。
- 架构模式：理解架构模式并导航代码是学习过程的关键部分。读者应熟悉三层架构：用户体验层、应用层和人工智能层，并了解如何使用
predictive-powers库中的组件来实现这些层。 - 代码导航：理解代码片段及其工作原理，可以帮助读者将这些概念应用到自己的项目中。
¹ 生成式人工智能 指的是人工智能的一个分支，专门用于生成新内容，可以是文本、图像、音频和视频，利用从现有数据源中获取的模式和信息。OpenAI 的 GPT 系列是这种人工智能的一个显著代表。在本章中，“生成式人工智能”这个术语将比“GPT”更频繁地使用，以保持对更广泛技术类别的关注，强调predictive-powers库的多功能性，该库不仅限于专门使用 GPT。
² 正如在*第八章：LangChain：Python 的 GPT 实现框架中已经提到的，文本嵌入是文本的数值表示，使机器能够理解和处理自然语言。它们将单词或短语转换为一系列数字，具有语义相似性的项目具有相似的值。在语义搜索*中，这使系统能够基于语义相似性而不仅仅是关键词匹配来匹配用户的查询和相关文档。通过使用文本嵌入，系统可以理解微妙的含义，并提高搜索结果的相关性，提供更高效和有效的搜索体验。
³ 内存中向量数据库利用系统内存（RAM）存储数据，这提供了极快的数据检索和处理优势。然而，这也带来了与 RAM 大小相关的限制，使其不太适合处理极大的数据集。
⁴ 正如我们将在后面看到的，还有其他端点，提供不同的功能，比如SearchEndpoint，它公开了访问网络搜索服务的方法。
⁷ 参见*第四章：GPT 模型支持的架构模式*，特别是“B 与外部工具集成的对话模式”部分。
⁸ 知识库类似于 LangChain 中的向量存储。参见*第八章：LangChain：Python 的 GPT 实现框架*。
⁹ 请参考*第四章：GPT 模型支持的架构模式*，并将此架构与“D2 Orchestration Agent”架构模式进行比较。
¹⁰ JSON，全称 JavaScript 对象表示法，是一种用于以有组织、易于访问的方式存储信息的方法。简而言之，它为我们提供了一个文本人类可读的数据集合，我们可以以逻辑方式访问。它被广泛应用于许多数字服务和产品中，以帮助系统和服务器高效快速地共享数据。即使它的名称包含“JavaScript”，它也可以在 JavaScript 之外的许多编程环境中使用。
¹¹ platform.openai.com/docs/models（具体来说，用于聊天服务的 gpt-3.5-turbo 和用于嵌入的 text-embedding-ada-002）。
附录 A：进一步探索提示工程应用
介绍
在*第五章，高级 GPT 提示工程技术*的基础上，探索高级提示工程技术，该章节提供了 12 个我们的三种提示模式——指令、查询和多代理——的示例，本附录介绍了 11 个进一步的示例。这些示例旨在加深对 ChatGPT-4 提示模式的理解，并突出了更广泛的实际企业场景。
在单指令示例中，我们深入探讨了“资源管理”、“基于场景的项目模拟”和“商业沟通”等用例，每个用例都提供了对指令提示模式应用的新视角。指令序列示例和伪代码指令示例进一步揭示了通过“保险理赔处理”、“解决方案架构分析”和“房地产列表比较”等实际场景中的顺序和逻辑任务管理的复杂性。
然后我们进行查询示例，ChatGPT-4 在安全法规中导航，深入研究假设的人力资源场景，并利用模糊逻辑评估供应可能性，利用分析和解释能力的混合。
最后，多代理示例部分涵盖了 ChatGPT-4 在多代理设置中运行的实例，处理环保摩托车设计模拟，并对原材料进行详细研究，从而反映了 ChatGPT-4 的协作和探索功能，使用了其中一些插件。
当您遍历这些额外的示例时，目标仍然是加深对提示工程技术的理解，展示 ChatGPT-4 在解决各种实际企业场景中的多样性。通过这些多样的场景，本附录致力于进一步装备您对 ChatGPT-4 的细致知识和技能，以有效地利用 ChatGPT-4 推动创新和企业景观中的运营卓越。
结构
在本章中，将涵盖以下额外的提示案例研究:
- 单指令示例
- 资源管理
- 基于场景的项目模拟
- 商业沟通
- 指令序列示例:
- 保险理赔处理
- 解决方案架构分析
- 伪代码指令示例:
- 房地产列表比较
- 查询示例
- 安全法规查询
- 人力资源管理中的反事实探索
- 供应可能性估计
- 多代理示例
- 环保摩托车设计模拟
- 原材料研究
单指令示例
这些示例涵盖了资源管理模拟，ChatGPT-4 作为资源经理将技能与项目任务对齐；基于场景的项目模拟，在挑战中预测项目阶段；以及碳会计领域的商业沟通示例，总结了关键行业增长和挑战。
资源管理
这是来自项目资源管理领域的一个示例。以下提示基于在*第二章，“CapabilityGPT，ChatGPT 的企业 AI 能力框架”*中介绍的框架的匹配能力：
- 专家角色*: “您是一位擅长为项目分配资源的资源经理”*
- 背景*😗
- 项目:
- 为客户流失开发预测机器学习模型：任务包括数据清洗和预处理，探索性数据分析，特征工程和选择，构建和训练机器学习模型，模型验证和评估，向利益相关者展示模型结果，并与软件工程团队合作进行模型部署。
- 资源:
- Person_1：在数据清洗和预处理方面有 3 年以上的经验，精通 Python、Pandas 和 SQL，具有使用 Matplotlib 和 Seaborn 等工具进行良好的数据可视化技能。
- Person_2：在机器学习方面有 4 年以上的经验，擅长使用 Scikit-learn 或 TensorFlow 构建和训练模型，了解模型评估指标，精通 Python。
- Person_3：在数据分析和展示方面有 2 年以上的经验，精通探索性数据分析和特征工程，具有向利益相关者呈现复杂结果的良好沟通技能，精通 Python 和 Tableau。
- 指示：“根据他们的技能和项目需求为项目分配资源（撮合）”
- 执行规则：“考虑每个资源的技能和每个项目的需求”
- 输出约束：“输出应该是分配资源的项目列表”
ChatGPT-4 对此提示生成的响应如下：
根据项目和资源的详细信息，我们可以将资源分配给项目的不同任务如下：
项目：为客户流失开发预测性机器学习模型
- 数据清洗和预处理：这项任务涉及清理数据，处理缺失值、异常值和数据中的任何不一致性。根据要求，我们指定 Person_1 负责这项任务，因为他们在数据清洗和预处理方面有超过 3 年的经验，并且精通 Python、Pandas 和 SQL，这些是这项任务的理想工具。
- 探索性数据分析：这涉及深入挖掘数据集，找到相关性，并可视化数据以更好地理解。这项任务最适合 Person_3，他在数据分析方面有超过 2 年的经验，精通 Python 和 Tableau，一种数据可视化工具。
- 特征工程和选择：这是从数据集中选择最相关特征的过程，这些特征对预测模型有重大贡献。鉴于 Person_3 在特征工程方面的专业知识，他将是这项任务的最佳选择。
- 构建和训练机器学习模型：这项任务需要对机器学习算法和模型训练有深入的理解。因此，Person_2，他在机器学习方面有 4 年以上的经验，并且擅长使用 Scikit-learn 或 TensorFlow 构建和训练模型，将负责这项任务。
- 模型验证和评估：这需要对各种模型评估指标有扎实的理解。鉴于 Person_2 对这些指标的理解，他也将负责这项任务。
- 向利益相关者展示模型结果：这项任务涉及以清晰简洁的方式向利益相关者传达模型的结果。鉴于 Person_3 的良好沟通技能，他将负责这项任务。
- 与软件工程团队合作进行模型部署：这项任务可以由 Person_1、Person_2 和 Person_3 共同处理，因为它将需要数据处理（Person_1）、模型构建（Person_2）和展示（Person_3）的技能。
在资源管理模拟中，ChatGPT-4 充当资源协调员，根据技能和专业知识将资源分配给任务。遵循指示，它制定了一个分配计划，有效地将资源与适当的任务对齐。然而，通过利用 Person_2 在特征工程方面的机器学习专业知识，项目策略可以进一步优化，增强其成功的可能性。
基于场景的项目模拟
这是项目管理领域的另一个示例。接下来的提示取决于模拟能力：
专家角色：您是一位经验丰富的项目经理。
背景：这是您当前的项目：
项目描述：EduRevolution 项目旨在开发并推出一款创新的移动学习应用程序，旨在颠覆传统的教育体系。该应用程序将允许各个年龄和水平的学习者访问各种教育资源，包括互动课程、多媒体内容、定制学习计划、游戏化测验和协作学习空间。该应用程序旨在促进积极学习，鼓励持续评估，并在学习者之间建立社区感。
已完成的阶段：
第一阶段：概念化和需求收集在这个阶段，我们收集了业务需求，定义了应用程序的概念、其关键特性，并勾画了用户角色。进行了详细的市场分析，以了解市场格局并确定潜在机会。
第二阶段：设计在这个阶段，我们致力于应用程序的用户体验（UX）和用户界面（UI）设计。这个过程涉及创建应用程序的线框图、原型和最终设计，确保应用程序用户友好、视觉吸引力强，易于导航。
第三阶段：开发在这个阶段进行了应用程序的编码和集成。我们采用了敏捷方法，包括冲刺和斯克拉姆，以迭代开发应用程序，根据用户反馈和测试需要进行更改。核心功能已经开发并与现有系统集成。
第四阶段：测试在这里，我们进行了彻底的测试阶段，包括单元测试、系统测试和用户验收测试（UAT）。识别了潜在的错误和性能问题，并根据严重程度进行分类。虽然所有主要错误都已修复，但仍存在一些小型和中型错误，需要各种变通方法才能正确使用应用程序。
指示：根据迄今为止取得的结果，对接下来的两个阶段进行模拟：生产准备和上线与超级关怀。
执行规则：区分三种情况：最佳情况、平均情况和最坏情况。
ChatGPT-4 根据此提示生成以下响应：
第五阶段：生产准备
最佳情况：
在最佳情况下，转移到生产环境顺利进行。剩余的小型和中型错误迅速解决，不会影响发布日期。生产环境中的应用程序性能与测试环境中的性能相匹配，表明已准备好进入上线阶段。团队已经为部署做好了充分的准备，制作了广泛的文档，并培训了所有利益相关者使用应用程序和解决常见问题。
平均情况：
在平均情况下，即使在初始修复后仍有一些小型和中型错误，需要额外的开发时间，稍微推迟发布日期。经过一些小的调整，应用程序在生产环境中表现出令人满意的性能。团队已经完成了大部分所需的文档和培训，但仍在最后阶段进行一些临时添加。
最坏情况：
在最坏的情况下，修复剩余的错误可能比预期更复杂，揭示了代码库中更深层次的问题，并导致了重大的延迟。在生产环境中，应用程序的性能不稳定，需要大量的时间和精力来诊断和解决。尽管尝试加快流程，但文档不完整，利益相关者的培训也不足。
第六阶段：上线和超级关怀。
最佳情况：
在最佳情况下，上线阶段按计划进行，没有重大问题。用户采用率很高，反馈非常积极。超级关怀团队迅速解决了一些小问题，导致干扰最小。超级关怀期比计划的时间短，因为应用的稳定性，最终成功移交给运营支持团队。
平均情况下：
在平均情况下，上线阶段遇到了一些小问题，比如推出速度比预期慢，导致初始用户群略有减少。用户反馈褒贬不一，用户赞扬应用的功能性，但也报告了一些可用性问题。超级关怀团队全力解决这些问题，超级关怀期延长到最大预期长度。
最坏情况下：
在最坏情况下，上线阶段遇到了重大问题。技术问题影响了用户体验，导致负面反馈和减少的用户群。应用的稳定性低于预期，超级关怀团队被问题压倒，需要将期限延长到最初计划的时间之外。高优先级的错误和系统稳定性问题需要紧急处理，可能导致回滚或暂时暂停服务，直到问题解决为止。
在项目管理模拟中，ChatGPT-4 充当经验丰富的经理，根据过去的数据和潜在挑战预测未来项目阶段。在分析最佳、平均和最坏情况后，它提供了一个详细的计划，详细说明每种情况可能的进展方式。这种分析最终形成了一个应急计划，确保为任何结果提供了一个准备充分和强大的方法。
商业沟通
这个最后的单指令示例探讨了碳核算行业内的商业沟通和总结技能。以下是提示：
专家角色：您是一位商业沟通专家。
背景：碳核算行业正在经历一波增长，因为政府机构、投资者和消费者越来越多地寻求详细报告企业温室气体排放情况。尽管对数据准确性存在怀疑，但这种增长仍在持续。根据数据公司 PitchBook 的数据，碳核算公司的风险投资资金从 2020 年的 6000 万美元增加到 2022 年的 7.67 亿美元。这种上升趋势一直延续到 2023 年，风险投资家迄今已向该行业投入了 3.33 亿美元。这种投资热潮是由公司对预计在未来一年内在欧洲和美国实施的复杂披露要求的预期以及投资者和消费者对展现环保形象的压力所刺激的。这与国际可持续性标准委员会在 6 月启动标准的开始有关，该委员会发布了有关计算供应链排放的指南。这些标准在 ISSB 在 12 月宣布公司将被额外授予一年时间来报告其整个价值链排放后被证明比最初预期的更宽松。尽管如此，这一实施正在成为许多企业进行更全面跟踪的催化剂。
指令：总结这段文字
输出约束：摘要不应超过 3 句话。
执行规则：
- 严格遵循“发生了什么以及为什么？”的结构。
- 如果没有提到原因，请使用假设。
参考案例：使用这三个总结示例作为指导。
输入-输出案例 1：会议纪要总结
输入*：“2023 年 4 月 5 日季度会议上，团队讨论了与去年同期第四季度相比第一季度销售额下降了 20％的情况。市场部提出了一项新的全国性广告活动，预算增加了 5 万美元，以提高品牌知名度。产品开发团队报告了新的‘绿色科技’产品线的进展，但指出由于与海外合作伙伴的供应链问题可能会出现长达两个月的延迟。财务部对增加的营销预算和由于产品线延迟可能导致第二季度利润下降表示担忧。”
输出*：“发生了什么以及为什么：2023 年 4 月 5 日季度会议上讨论了第一季度销售额下降了 20％，可能是由于市场竞争加剧。市场部提出了全国性广告活动以提高知名度，而产品开发预测由于供应链问题‘绿色科技’产品将会延迟。由于这些变化，财务部表示预算和利润方面的担忧。”
输入-输出案例 2*：总结季度财务报告
输入*：“2023 年第二季度，XYZ 公司报告总收入为 21 亿美元，较 2022 年第二季度下降了 5％。净利润率也从去年的 9％下降到 6％。收入和利润的双重下降主要归因于供应链中断和由于全球经济状况导致的物流成本增加。”
输出*：“发生了什么以及为什么：2023 年第二季度，XYZ 公司的总收入下降了 5％，净利润率从 2022 年第二季度的 9％下降到 6％。这主要是由于供应链中断和与不利的全球经济状况相关的物流成本增加。”
输入-输出案例 3*：总结新产品发布的新闻稿
输入*：“2023 年 6 月 15 日，ABC Tech 宣布推出其创新产品‘SmartLens’，这是一款由人工智能驱动的隐形眼镜，提供增强现实体验。这一推出是对可穿戴技术需求不断增长的回应。‘SmartLens’预计将于 2023 年秋季上市。”
输出*：“发生了什么以及为什么：ABC Tech 宣布于 2023 年 6 月 15 日推出了‘SmartLens’，这是一款由人工智能驱动的隐形眼镜，提供增强现实体验。这一举措是对消费者对可穿戴技术日益增长的兴趣的回应。”
响应给定提示，ChatGPT-4 生成以下输出：
“发生了什么以及为什么：碳会计行业看到了风险投资资金的激增，从 2020 年的 6000 万美元上升到 2022 年的 7.67 亿美元，并在 2023 年继续吸引投资，尽管对数据准确性存在疑虑。这是由于政府、投资者和消费者对详细的企业排放报告的需求不断增加，以及企业对欧洲和美国新排放披露法规的预期。国际可持续发展标准委员会引入了跨供应链计算排放的指南，这促使企业进行全面的排放跟踪。”
在商业沟通示例中，ChatGPT-4 充当专业摘要者，利用参考案例中展示的摘要技术，概括了碳会计行业的增长和挑战的细节。它简洁地指出了风险投资资金的增加，尽管存在准确性问题，将其与利益相关者的需求和预期的排放法规联系起来。国际可持续发展标准委员会的指南也得到了强调，展示了 ChatGPT-4 从复杂背景中提取关键信息的能力。
指令序列示例
深入探讨两种多步处理场景，在这些场景中，ChatGPT-4 扮演理赔代表处理车祸保险索赔，并作为系统架构师解剖和完善给定的架构图。
保险索赔处理
ChatGPT-4 作为索赔代表，展示了处理车祸保险索赔的三步流程，展示了在管理信息收集、数据概括和初步维修成本估算方面的有条不紊的方法。以下是所提供的提示：
专家角色*：您是一家保险公司的索赔代表。
背景：我有关于一起车祸的基本信息：‘我的车现在停在路边’。
指令序列*：执行以下三个步骤：*
- 首先向我询问 10 个关于损坏的问题。一次只问一个问题，在问下一个问题之前等待我的回答。仔细询问信息性问题，以最大化了解损坏的信息，这样当您得到所有答案时，您可以总结我的答案并估算修复损坏的成本。避免问是/否问题（沟通）。
- 然后总结我的答案。在收到所有问题的答案之前，不要开始总结（总结）。
- 最后根据我对所有问题的回答总结的结果来评估损坏的成本（评估）。”
ChatGPT-4 的输出如下，其中包括一段对话，其中分别为 ChatGPT 和用户的话语：
ChatGPT：感谢您与我们联系。我将问您一系列问题，以更好地了解损坏的程度。
- 您能描述事故后您的车的整体状况吗？
用户：严重受损，无法驾驶。
ChatGPT：我明白，很抱歉听到这个消息。
- 您能具体说明哪些区域受到了碰撞的影响吗？
用户：右侧车门、右侧车窗和右侧车翼
ChatGPT：我明白。
- 车轮和悬架是否受到事故的影响？如果是，情况如何？
用户：是的，右前轮也有轻微损坏。悬架没有损坏。
ChatGPT：已记录。
- 您能详细描述车辆外部油漆和车身工作的当前状况，特别是受碰撞直接影响的区域吗？
用户：车门严重变形，车门板也弯曲。车翼只有一个小凹痕和一些划痕。
ChatGPT：明白。
- 车内有没有损坏，比如座椅、仪表板或电子系统？
用户：右侧车座也有轻微凹痕。
ChatGPT：我明白。
- 大灯、尾灯或其他外部灯具在事故中有损坏吗？
用户：不行。
ChatGPT：好的。
- 您能描述一下引擎、变速箱或车辆其他重要机械部件的潜在损坏吗？
用户：据我所知没有。
ChatGPT：已记录。
- 除了您之前提到的右侧车窗外，挡风玻璃或其他玻璃部件有损坏吗？
用户：不行。
ChatGPT：好的。
- 事故后您有没有注意到任何液体泄漏，比如机油或冷却液？
用户：不行。
ChatGPT：好的。
- 最后，您能告诉我车辆的品牌、型号和年份吗？这将帮助我估算维修所需零件的成本。
用户：宝马 230i，2020 年。
ChatGPT：感谢您提供所有必要的信息。让我总结一下损坏情况：
- 由于严重损坏，车辆无法行驶。
- 车辆受损最严重的区域是右侧车门、车窗和车翼。
- 右前轮轻微受损，但悬架未受影响。
- 外部车门板严重变形，右侧车翼有小凹痕和划痕。
- 车内右侧座椅有轻微凹痕。
- 大灯、尾灯和其他外部灯具没有损坏。
- 没有报告引擎和变速箱等重要机械部件的损坏。
- 除了右侧窗户，没有其他玻璃部件如挡风玻璃受损。
- 事故后没有报告的液体泄漏。
- 问题车辆是一辆 2020 年的 BMW 230i。
ChatGPT：基于这些信息，成本可以估算如下：
- 车身工作：根据损坏程度，修复或更换车门板和车翼的成本可能在 500 到 1500 美元之间。
- 右前车轮：BMW 230i 的新轮可能在 100 到 300 美元之间。
- 右侧窗口：更换成本可能在 200 到 400 美元之间。
- 内部损坏（右侧车座）：轻微的凹痕修复可能花费约 100 到 200 美元。
请注意，这些是粗略估计，实际成本可能会更高或更低，取决于人工成本、零件的可用性以及从我们的对话中无法明显看出的任何隐藏损坏。建议由专业技师彻底检查车辆，以获得更精确的估算。
在这种情况下，ChatGPT-4 充当理赔代表，进行三步流程来处理车辆事故保险索赔。最初，它通过开放式问题认真收集详细信息，涵盖事故影响的车辆所有区域。随后，它压缩收集到的信息，突出显示所造成的损害的重要细节。最后，基于整合的信息，它给出了修复成本的初步估计，强调需要专业评估以进行准确的成本评估。这个案例说明了 ChatGPT-4 在管理对话时的系统方法，后续问题取决于先前的答案，并根据所有回答做出结论。
解决方案架构分析
ChatGPT-4 在这里充当系统架构师，剖析和优化所呈现的架构图。通过遵循结构化的三步方法，分析揭示了关键组件，确定潜在瓶颈，并提供可操作的建议。以下是指令序列提示：
专家角色*：您是专家，擅长分析和优化架构图，特别是在软件或系统架构领域。*
背景*：附有架构图：*
**图 A.1：*Azure OpenAI 使用企业数据源的架构图[14]
指令序列*：在这三个步骤中分析和优化所提供的架构。*
- 首先，从架构图中提取关键组件、连接、模式和可能的瓶颈。列出在图表中表示的工具、服务和流程。（信息提取）。
- 其次，根据您的专业知识和从第一步提取的信息，确定潜在改进或优化的领域。考虑效率、可扩展性、冗余和安全等因素。建议改变或添加可以增强架构效果和韧性的内容。（建议）。
- 第三，起草初步的项目计划，详细说明实施建议改进所需的步骤、时间表和资源。这应包括优先考虑改进、确定依赖关系、估算工作量，并建议成功实施的里程碑。（规划）。
以下是 ChatGPT-4 对此提示的回应：
第 1 步：信息提取
- 关键组件：
- 您的应用程序：代表用户与之交互的应用程序界面。
- Azure OpenAI 扩展聊天完成 API：是应用程序和 OpenAI 模型之间的中介，处理用户输入并提供响应。
- Azure OpenAI 基础模型：处理输入并生成响应的核心模型。
- Azure 认知搜索：为客户的索引数据提供搜索功能。
- 您的数据源：应用程序的数据存储和索引以供搜索。
- 客户的认知搜索索引：表示可以高效搜索的索引数据。
- 异步滥用监控：监控提示和滥用回应。
- 同步内容过滤：作为用户交互的实时内容过滤器。
- 连接和流程：
- 用户与“您的应用程序”进行交互，该应用程序将输入发送到“Azure OpenAI 扩展聊天完成 API”。
- “Azure OpenAI 扩展聊天完成 API”增强提示并将其发送到“Azure OpenAI 基础模型”。
- 基础模型生成响应，然后发送回“您的应用程序”。
- 如果需要，基础模型可以从“客户的认知搜索索引”中检索相关数据。
- “您的数据源”发送要被摄取和索引的数据，然后由“Azure 认知搜索”存储在“客户的认知搜索索引”中。
- 可能的瓶颈：
- “同步内容过滤”的同步性质可能会引入延迟。
- 依赖于“客户的认知搜索索引”进行数据检索，如果索引未经优化，可能会导致延迟。
- 架构依赖于“Azure OpenAI 基础模型”的性能和可用性。
第 2 步：推荐
- 潜在改进领域：
- 降低延迟：在“Azure OpenAI 扩展聊天完成 API”级别引入缓存机制，以存储频繁查询及其响应。这可以减少基础模型的负载并加快响应时间。
- 冗余：为“Azure OpenAI 基础模型”等关键组件实施冗余，以确保高可用性。
- 增强安全性：为传输中的数据引入端到端加密，特别是在“您的应用程序”和“Azure OpenAI 扩展聊天完成 API”之间。
- 优化搜索索引：定期更新和优化“客户的认知搜索索引”，以确保高效的数据检索。
- 监控和警报：实施强大的监控和警报机制，以快速检测和纠正任何系统异常。
第 3 步：规划
- 项目计划：
- 缓存实施（2 周）：
- 评估合适的缓存解决方案。
- 将缓存机制与“Azure OpenAI 扩展聊天完成 API”集成。
- 测试性能改进。
- 基础模型的冗余（4 周）：
- 评估潜在的故障转移策略。
- 设置“Azure OpenAI 基础模型”的辅助实例。
- 实施并测试故障转移机制。
- 增强安全性（3 周）：
- 评估与 Azure 兼容的加密解决方案。
- 为数据传输实施端到端加密。
- 进行安全审计以验证加密。
- 优化搜索索引（2 周）：
- 监控索引性能并识别低效。
- 如果需要，重新索引数据。
- 实施定期优化。
- 监控和警报（3 周）：
- 评估与 Azure 兼容的监控解决方案。
- 实施系统范围的监控。
- 设置系统异常的警报。
- 里程碑：
- 第 2 周：成功的缓存实施和可观的性能改进。
- 第 6 周：已经实施并测试了基础模型的冗余。
- 第 9 周：已建立并验证了端到端加密。
- 第 11 周：优化搜索索引并注意到性能增益。
- 第 14 周：监控和警报机制运作。
- 所需资源：
- 系统架构师（1）
- 后端开发人员（2）
- 安全专家（1）
- 数据库管理员（1）
注意：时间表是初步的，可能会根据具体要求和意外挑战而改变。应定期进行审查以评估进展并进行必要的调整。
在这次深入分析中，ChatGPT-4 扮演了经验丰富的解决方案架构师的角色，仔细分析了一个以 Azure OpenAI 的数据流为中心的架构图。初始阶段涉及对关键组件的仔细提取，并利用最近发布的视觉语言模型 GPT-4V(ision)作为工具来理解它们之间的相互关系。然后，利用其专业知识，ChatGPT-4 找出了从减少延迟到增强安全性的改进领域。最后一步是制定一个结构化的项目计划，详细说明实现建议优化的步骤、资源和时间表。
然而，值得注意的是，GPT-4V 仍然难以准确从复杂的图表中提取信息，比如重叠连接、垂直书写的文本，或者图形元素的水平或垂直对齐。
伪代码指令示例
在唯一的伪代码指令示例中，ChatGPT-4 根据评估标准对办公空间清单进行排名。
房地产清单比较
这个例子使用伪代码指令来建立房地产清单的排名系统。以下提示指导 ChatGPT-4 应用排名功能生成排好序的顶级选项：
专家角色*：您是一家精品软件公司的 CEO，需要为整个高管团队找到新的办公空间。*
背景*：这些是预先选择的房源，可以满足您的需求：清单 1：市中心办公空间 位于市中心的 4,000 平方英尺办公空间，靠近公共交通和当地餐馆。租金包括水电和清洁服务。包括私人办公室、会议室和厨房区。月租金为 8,000 美元。还包括停车位。*
清单 2：中央办公空间 位于中心位置的 2,500 平方英尺办公室，布局开放，有大窗户。包括小厨房、洗手间和 2 个会议室。靠近公共交通。全方位服务租金每月为 5,000 美元。
清单 3：大型市中心办公室 位于市中心的 10,000 平方英尺办公室，配有充足的停车位、私人办公室、会议室、厨房区和便捷的主干公路。月租金为 18,000 美元。
清单 4：市中心联合办公空间 位于市中心的联合办公空间，提供每月 500 美元的专用办公桌或私人办公室。包括全天候访问、高速互联网、共享会议室和厨房。该空间可容纳多达 50 人的团队。
清单 5：A 级办公空间 位于 A 级写字楼的 5,000 平方英尺空间。设施包括健身中心、现场咖啡厅、24/7 安保和便捷的公共交通。月租金为 10,000 美元。
清单 6：市中心商业空间 位于市中心核心地带的 3,000 平方英尺商业空间。包括私人办公室、洗手间和小厨房。高可见度和人流量。月租金为 6,000 美元。
清单 7：市中心医疗办公室 1,500 平方英尺的市中心医疗综合体内的医疗办公室。配有检查室、接待区、私人办公室和充足的停车位。不适合非医疗使用。月租金为 4,500 美元。
清单 8：市中心店面 1,200 平方英尺的市中心物业可供租赁。包括大型展示窗户、私人停车场、洗手间和一个小办公室。不适合非零售使用。月租金为 2,400 美元。
清单 9：仓库/办公空间 位于市中心的 5,000 平方英尺混合工业/办公空间。一楼作为仓库，二楼设有现代办公室、洗手间和小厨房。月租金为 9,000 美元。
清单 10：市中心豪华零售空间 2,000 平方英尺的市中心零售空间，内部设计精美，有大型店面展示窗户、洗手间和一个小办公室。不适合非零售使用。月租金为 5,000 美元。
清单 11：河畔办公空间 3,500 平方英尺的办公空间位于河边，景色优美。包括私人办公室、会议室、厨房区和充足的停车位。月租金为$7,500。
清单 12：郊区办公空间 5,000 平方英尺的办公空间位于安静的郊区社区。配有私人办公室、会议室、大型厨房区、充足的停车位和花园。月租金为$6,500。
伪代码说明*：
对于每个清单，应用以下评分系统并根据得分对清单进行排名*：*
- 大小：3,000-5,000 平方英尺之间得到 10 分，少于 3,000 平方英尺得到 5 分，超过 5,000 平方英尺得到 7 分。
- 价格：创建一个从$2,000 到$20,000 的线性评分标尺，其中$2,000 得到 10 分，$20,000 得到 1 分。
- 位置：市中心位置得到 10 分，中心和河畔位置得到 8 分，郊区位置得到 6 分。
- 设施：像小厨房/洗手间这样的基本设施得到 2 分。停车得到额外的 2 分。健身中心/现场咖啡厅/安保等额外设施每个得到 1 分。
- 类型：办公空间得到 10 分，混合工业/办公空间得到 8 分，共享办公空间得到 5 分。指定为医疗或零售的空间应得 3 分。
注意：假设清单 4（共享办公空间）的价格为整个团队的$25,000，并假设为了评分而言其面积为 5,000 平方英尺。对于清单 5，假设提到的价格是指 5,000 平方英尺的空间。所有其他未指定的信息应被解释为不适用，并对该类别得 0 分。
以格式“清单 N：描述”显示基于总分的前 5 个清单的表格，包括它们的总分和各自的子分。
作为对给定提示的回应，ChatGPT-4 生成以下输出：
| 排名 | 清单 | 总分 | 大小得分 | 价格得分 | 位置得分 | 设施得分 | 类型得分 |
| 1 | 清单 5：A 级办公空间 | 37 | 10 | 2 | 10 | 5 | 10 |
| 2 | 清单 6：市中心商业空间 | 35.5 | 10 | 3.5 | 10 | 2 | 10 |
| 3 | 清单 11：河畔办公空间 | 35.125 | 10 | 3.125 | 8 | 4 | 10 |
| 4 | 清单 1：市中心办公空间 | 33.4 | 7 | 2.4 | 10 | 4 | 10 |
| 5 | 清单 9：仓库/办公空间 | 32.2 | 10 | 2.2 | 10 | 2 | 8 |
表 A.1
在这种情况下，ChatGPT-4 作为房地产专家，负责根据详细的评估标准对办公空间清单进行排名。根据指示，它对每个清单都进行了仔细的评分，审查了物业的大小、价格、位置、设施和类型等因素。通过准确评估和按照指南对每个因素进行评分，它成功地确定并优先考虑了提供最佳价值的清单。这个过程最终导致 ChatGPT-4 呈现了五个顶级办公空间的精心筛选清单，展示了它在执行详细的房地产评估方面的能力。
查询示例
探索 ChatGPT-4 在安全规定、假设的人力资源场景和使用模糊逻辑评估供应可能性时的三种查询场景。
安全规定查询
让我们看看安全领域的第一个示例。这个示例包括有关个人防护装备（PPE）的具体安全规定的详细证据和三个具体的信息寻求问题：
证据*：考虑这些特定的个人防护装备（PPE）的安全规定：
- 安全头盔：在制造车间内始终佩戴。头盔应在五年内或在重大冲击后立即更换。
- 安全眼镜/护目镜：应始终佩戴安全眼镜或护目镜，以防止飞溅颗粒、化学气体、蒸汽或光辐射。它们应该干净，没有划痕，并且合适地穿戴以提供足够的保护。
- 听力保护：如果工作场所的噪音或声音水平超过了卫生安全法规规定的限制，工人应该使用耳塞或耳罩。
- 呼吸保护：必要时，应使用呼吸器来防止吸入有害的灰尘、蒸气、烟雾或气体。呼吸器必须定期检查、清洁和维护。
- 防护手套：在处理化学品、热物料、锋利物体或其他可能危及手部的情况下，必须戴手套。手套应选择适当的材料，以防止有害物质的穿透，并应定期更换。
- 安全鞋：在工厂车间，必须始终穿戴防砸物品或在地面上防穿刺的钢头靴或其他安全鞋。鞋子应保持清洁，并定期检查是否磨损过度。
- 高能见度服装：在能见度低的区域或有车辆行驶的地方（如叉车），应穿戴高能见度服装，以确保工人能够清晰地被看到。
- 防护服：根据工作性质，可能需要额外的防护服，如耐化学物质的围裙、工作服或全身服。
员工必须接受有关个人防护装备的正确使用、保养和维护的培训。损坏或有缺陷的个人防护装备应报告给主管，并立即更换。所有个人防护装备必须符合职业安全与健康管理局（OSHA）法规的标准。
第 1 个信息查询：如果安全头盔只使用了两年，但刚刚受到重大冲击，应该采取什么措施？
ChatGPT 的回答：根据之前概述的具体安全规定，安全头盔在受到重大冲击后应立即更换。因此，即使头盔只使用了两年（在 5 年更换规则下），也需要立即更换，因为它可能已经受到损坏，影响了其保护能力。
第 2 个信息查询：如果员工的安全眼镜/护目镜被划伤，应采取什么措施？
ChatGPT 的回答：根据提供的具体安全规定，安全眼镜或护目镜应该干净，没有划痕，以确保它们提供足够的保护。如果员工的安全眼镜被划伤，他们应该向主管报告，以便更换眼镜。
第 3 个信息查询：一名员工在处理锋利物体时，其防护手套上出现了一个洞。他们是否可以继续工作直到班次结束？
ChatGPT 的回答：根据提到的个人防护装备安全规定，防护手套应该防止有害物质或物体的穿透。如果手套上出现了洞，它们将不再提供必要的保护。因此，员工应立即停止工作，并通知主管以获取一副替换手套。员工在获得合适的防护手套之前不应继续工作。
在这种情况下，ChatGPT-4 充当了安全规定专家，专注于查询提示中个人防护装备（PPE）的具体内容。任务是解释详细的安全规定，它熟练地浏览各种 PPE 项目的功能和用途。除了认识它们的用途之外，它还进一步深入分析了由于这些防护装备的损坏而产生的后果，强调了立即更换损坏 PPE 以确保工人安全的必要性。
人力资源管理中的反事实探索
在这种情况下，ChatGPT-4 参与了 XYZ 公司人力资源部门的反事实分析，探讨了提前一年实施职业发展计划对员工流失率、成本、员工士气和雇主声誉的假设结果。以下是使用反事实查询类型的提示：
证据：
XYZ 公司，一家专门从事消费电子产品制造的知名制造公司，在上一财年经历了明显的 15%的员工流失率。这导致了总共 100 名员工，主要是熟练劳动力和中层管理人员离开了公司。离职面谈和员工反馈调查突显出主要的不满，即缺乏明确的职业晋升机会和不足的职业发展支持。
为了了解员工流失背后的原因，XYZ 公司进行了详细的内部审查，并发现流失率最高的部门缺乏职业发展和技能提升的明确路径。此外，公司观察到，与组织内其他部门相比，这些部门的员工参与度和工作满意度明显较低。
推理规则：
- 员工保留规则：通过结构化的发展计划提升职业晋升机会可能会潜在降低员工流失。
- 成本效益分析规则：减少流失率的好处，如减少招聘和培训成本以及增加生产力，应该超过实施和维护职业发展计划的成本。
理由要求：
GPT 模型应通过考虑流失率的潜在降低和估计减少招聘和培训成本的储蓄来证明其结论。此外，它还应该评估对员工士气、生产力和公司在职场的声誉的潜在影响。
反事实查询：
“如果 XYZ 公司在去年初实施了一个结构化的职业发展计划，对员工流失率、招聘和培训成本、员工士气以及公司作为雇主的声誉可能会有什么潜在影响呢？”
ChatGPT-4 的回答如下：
如果 XYZ 公司在去年初实施了一个结构化的职业发展计划，可能会在公司的不同领域观察到几个影响。
- 员工流失率：
- “减少：鉴于缺乏职业晋升机会和职业发展支持是离职的主要原因，解决这些问题可能会显著降低 15%的流失率。结构化的职业发展计划将直接解决这些问题，可能导致更高的工作满意度。”
- 估计：虽然准确的减少量很难量化，但一个合理的假设可能是流失率下降大约 5-10%，这取决于该计划的有效性。
- 招聘和培训成本：
- 节省：流失率的降低将导致需要更少的招聘，从而减少招聘和培训成本。替换员工的成本可能从几千美元的低级职位到更高的中层管理人员和熟练劳动力。
- 估计：假设每名员工的平均替换成本为 15,000 美元（考虑到劳动力的技能性质），减少 50 名员工（离职 100 人中 5-10%范围的中点）将导致节约约 750,000 美元。
- 员工士气和生产力：
- 改进：职业发展计划很可能会提高员工士气和工作满意度，特别是在之前水平较低的部门。更快乐、更投入的员工通常更有生产力，这可能有助于提高产出，可能带来更高的收入。
- 估计：量化这种影响更加主观，但即使是生产力的小幅提高，比如 5%，也可能会产生重大影响，这取决于公司的规模。
- 公司作为雇主的声誉：
- 增强：投资于员工发展表明公司重视其劳动力，这可能已经改善了 XYZ 公司的雇主品牌。这可能会更容易吸引高质量的候选人，并可能减少未来的招聘成本。
- 估计：声誉的影响也是主观的，但可以通过雇主在招聘网站上的评级以及求职者的质量和数量等指标来观察。
- 计划成本：
- 费用：实施结构化的职业发展计划涉及诸如培训材料、讲师以及员工参与可能需要的工作时间等成本。然而，这些成本可以被视为对公司人力资本的投资。
- 估计：成本将取决于计划的规模和性质，但可以通过减少流失和提高生产力所获得的节约和好处来抵消。
通过分析这些潜在影响，可以推断出如果 XYZ 公司实施了结构化的职业发展计划，可能会在员工流失、士气、生产力和雇主声誉方面产生实质性的积极影响，同时在减少招聘和培训费用方面实现成本节约。
在这个反事实分析中，ChatGPT-4 分析了 XYZ 公司假设的职业发展计划可能对员工流失、成本、士气和公司声誉产生的潜在影响。分析突出了公司可能实现的实质性利益和节约，以及增强的工作满意度和改善的雇主品牌，展示了 ChatGPT-4 在反事实推理方面的能力。
供应可能性估计
在这个例子中，我们深入探讨了使用模糊逻辑进行供应链预测分析的情景。ChatGPT-4 被用来评估不同供应商根据订单大小和其各自车队的容量来履行交付的可能性。以下是应用模糊逻辑查询类型的设置：
- 证据：ACME 公司向三个不同的供应商下订单：A 供应商、B 供应商和 C 供应商。所有供应商可以在一周内的任何一天交付在本周早些时候下达的订单。A 供应商有几辆大卡车，B 供应商有许多小卡车（每辆卡车的容量是大卡车的一半），C 供应商只有几辆小卡车。一个订单只能由一个供应商交付。
- 模糊逻辑规则：
- 规则 1：如果 ACME 公司下达需要一辆大卡车的订单，那么从拥有大卡车的 A 供应商进行交付的可能性为“非常可能”（0.9）。
- 规则 2：如果 ACME 公司下达了一个可以由小型卡车满足的较小订单，那么从拥有许多小型卡车的 B 供应商（可能性为 0.7）可能会进行交付。
- 规则 3：如果 ACME 公司下达了 A 供应商无法交付的大订单（无论什么原因），那么从使用多辆小卡车的 B 供应商进行交付的可能性为“有些可能”（0.5）。
- 规则 4：如果 ACME 公司下达了可以由小卡车满足的较小订单，那么从也有小卡车的 C 供应商进行交付的可能性为“有些可能”（0.5）。
- 规则 5：如果 ACME 公司下了一个需要多辆小卡车的大宗订单，那么从供应商 C 那里交付的可能性是‘几乎不可能’（0.2），因为他们的小卡车数量有限。
- 模糊逻辑查询*：假设订单无法装入一辆大卡车，但可以分割成多辆小卡车，ACME 公司每天从任何供应商那里收到货物的可能性是多少？使用最大方法聚合模糊值。*
对于给定的提示，ChatGPT-4 生成以下输出：
为了回答你的问题，我们需要确定在指定条件下所有供应商中的最高可能性。由于订单无法装入一辆大卡车，我们需要考虑与该情况相关的规则。
以下是相关规则：
- 规则 3：如果 ACME 公司下了供应商 A 无法交付的大订单，那么从供应商 B（使用多辆小卡车）那里交付的可能性是‘有些可能’（0.5）。
- 规则 5：如果 ACME 公司下了一个需要多辆小卡车的大宗订单，那么从供应商 C 那里交付的可能性是‘几乎不可能’（0.2）。
对于供应商 A 来说，由于订单无法装入他们的一辆大卡车，他们无法完成订单，因此没有可能性。
对于供应商 B，根据规则 3，交付的可能性是 0.5（有些可能）。
根据规则 5，对于供应商 C 来说，交付的可能性是 0.2（几乎不可能）。
因此，如果我们使用最大方法聚合模糊值，ACME 公司从任何供应商那里收到货物的最大可能性是 0.5，对应于从供应商 B 那里收到的可能性。
在这个供应链场景中，ChatGPT-4 被引导得出结论，即 ACME 公司与三个不同的供应商合作，每个供应商都有不同的车队容量。它的任务是根据一组模糊逻辑规则，确定在需要灵活交付机制的特定订单大小下收到货物的可能性。ChatGPT-4 熟练地应用模糊逻辑规则，并根据提供的条件得出结论。它正确地得出结论，即供应商 B 拥有许多小卡车，提供了最高的可能性来满足无法装入一辆大卡车但可以分割成多辆小卡车的大订单。
多代理示例
让我们探讨 ChatGPT-4 在多代理设置中的运作实例，处理一个环保摩托车设计模拟并进行前材料研究。
环保摩托车设计模拟
在这个设计模拟练习中，一个多层代理系统评估了环保摩托车的构想和可行性。通讯、目标分析和专家代理深入设计细节并相应地制定策略。他们通过与用户的互动，制定了详细的指示性蓝图，以确保摩托车的有效设计和市场推介。深入了解提示：
- 代理组织*：你们是一个由通讯代理、目标分析代理和几个专家代理组成的团队。*
- 代理责任：
- 通讯代理：管理用户互动，解释用户的目标，并确定最终摘要是否符合目标标准，或者是否需要进一步迭代。
- 目标分析代理：使用 SMART 标准将用户的目标分解为可行动的项目，并确定每个任务所需的正确专家代理。
- 专家代理：每个代理都专门从事特定领域。他们根据各自的专长定义自己的贡献，执行相关任务，并记录他们的发现。
- 目标规定：实现真实用户定义的目标。
- 参与规则：
- 通讯代理接收用户的目标并将其传递给目标分析代理进行分解。
- 目标分析代理生成一组基于 SMART 的任务，理想情况下是 3-4 个任务，与用户的目标一致。
- 沟通代理审查每个任务，评估其深度和性质，决定是否需要进一步细分或是否已准备好执行。
- 如果任务复杂，目标分析代理会进一步完善它，考虑主要目标和任何中间见解。
- 简化的任务分配给相关的专家代理执行。专家代理必须：
- 首先向真实用户提出 3 个问题。
- 按顺序询问用户，等待一个答案，然后问下一个问题。
- 通过这些问题巧妙地征求细节，以获得最大的见解。在获得所有回答后，他们应该概括这些输入，然后作为他们专门任务的基础。
- 一旦所有任务得到解决，无论是通过规划还是执行，沟通代理都会编制所有结果的摘要。
- 约束：
- 该过程必须始终坚定地致力于用户的目标。
- 每个代理都应坚定地遵守其规定的角色，确保程序不偏离或重叠。
- 任务清单的数量不得超过 10 个。
- 方法：
- 从用户定义的目标开始，制定初步任务清单。
- 逐步解决任务-加强那些被确定为复杂的任务，并实现简单的任务-所有这些都基于用户的反馈。
- 在解决所有任务后，将展示全面的摘要，以描述累积的进展和结果。
ChatGPT-4 的输出如下，其中包括一段对话，其中各自的话语分配给 ChatGPT 和用户：
请提供您想要实现的主要目标或目标。
沟通代理：用户，你能为我们澄清你的主要目标或目标吗？这将指导我们的合作进程。
用户：开发一款新的环保摩托车。
沟通代理：感谢您明确您的目标。我现在将这传递给我们的目标分析代理，以将其分解为可行的任务。
目标分析代理：考虑到开发一款新的环保摩托车的目标，我已经确定了符合 SMART 标准的以下任务：
- 研究与创新：
- 确定当前摩托车的生态挑战。
- 了解环保交通的最新技术进步。
- 设计和材料选择：
- 确定对摩托车结构既可持续又耐用的材料。
- 创建符合人体工程学和环保的设计。
- 发动机和燃料：
- 探索替代的环保燃料或动力来源。
- 设计一个高效的发动机系统，以减少排放。
- 安全与合规：
- 确保新摩托车符合所有安全标准。
- 理解并满足环境法规和认证要求。
沟通代理：审查所提到的任务，它们在某些领域似乎全面但又广泛。让我们从第一个任务“研究与创新”开始。我相信这可能受益于一些专门的查询。我现在将与这项任务的专家代理联系。
研究与创新的专家代理：为了帮助我在这个领域量身定制我们的方法，请回答以下问题：
- 您是否对当前摩托车存在的特定生态挑战或关注点最感兴趣？
- 在考虑环保交通技术的技术进步时，您是否有任何偏好或约束？
- 在我们的研究过程中，是否有针对这款新的环保摩托车的目标市场或人口统计数据？
请按顺序提供您的回答。
用户：1. 燃油消耗，排放，噪音 2. 电力使用，物联网，人工智能 3. 30 多岁高收入无子女或 50 多岁成熟市场的成年人
研究和创新专家代理：感谢您详细的回答。
根据您的输入：
- 我将优先研究创新，解决当前摩托车燃油消耗、排放和噪音污染的挑战。
- 我将专注于集成电力作为动力源的技术，以及物联网和人工智能在增强摩托车的环保性能方面的潜在应用。
- 成年人的目标市场，他们的年龄在 30 多岁，收入高，没有孩子，或者是成熟市场中 50 多岁的人，将指导设计和功能的考虑，以确保我们满足他们的偏好和要求。
有了这些具体的信息，我将按照所述进行“研究和创新”的任务。
沟通代理：谢谢，研究和创新专家代理。现在，对于“设计和材料选择”的任务，我相信这也可以从专门的问题中受益。我现在将与这项任务的专家代理进行接触。
设计和材料选择专家代理：为了在设计和材料领域进行精确的方法，我想得到这些问题的答案：
- 您是否已经考虑了特定的可持续材料，或者您是否愿意接受建议？
- 您更倾向于哪种审美设计？现代、复古、未来主义，还是其他什么？
- 鉴于高收入的目标人口，您是否希望加入任何豪华功能或装饰？
请逐个分享您的答案。
用户：1. 开放 2. 面向 30 多岁一代的未来主义模型，面向 50 多岁一代的复古模型。两种模型应该使用相同的发动机和其他技术部件 3. 是，豪华轮毂、仪表盘和配件的豪华功能
设计和材料选择专家代理：您的见解非常宝贵。根据它们：
- 我将探索一系列可持续材料，用于摩托车的构建，确保耐用性和环保性。
- 我将专注于两条不同的设计路径：
- 一个面向 30 多岁一代的未来主义设计。
- 以 50 年代人口为目标的复古设计。两种设计都将保持发动机和技术部件的一致性，以简化生产和维护。
- 豪华功能将被整合，特别是关注轮毂、仪表盘和各种配件，以满足高收入人群的需求。
这将引导“设计和材料选择”的任务。
沟通代理：谢谢，专家代理设计和材料选择。接下来是“发动机和燃料”，我们目标的一个关键组成部分。我现在将与专门从事这一领域的专家代理进行接触。
发动机和燃料专家代理：为了为摩托车开发最环保的发动机系统，我需要以下问题的答案：
- 鉴于对电力的强调，您是想要一个完全电动的摩托车，还是也考虑混合型号？
- 您希望摩托车在充满电/电池寿命的情况下实现的预期平均行驶里程是多少？
- 对于这个设计来说，有没有特定的性能指标（比如速度、加速度）是至关重要的？
等待您的顺序回答。
用户：1. 混合动力 2. 500 公里 3. 高速（250 公里/小时）和高加速度（从 0 到 100 公里/小时不到 3 秒）
发动机和燃料专家代理：根据您的回答：
- 我将优先开发混合动力发动机系统。这种方法将在燃料选择上提供灵活性，同时促进环保。
- 在充满电或油箱的情况下，目标是实现 500 公里的行驶里程，这将指导我们的电池和燃料储存设计。研究将致力于在平衡重量和空间的同时实现这一目标。
- 高性能至关重要。设计将融入技术解决方案，实现 250 公里/小时的最高时速和从 0 到 100 公里/小时不到 3 秒的加速度，而不会影响环保。
这为“发动机和燃料”任务提供了明确的路径。
沟通代理：很好，发动机与燃料专家代理。最后，针对“安全与合规”，作为车辆开发中至关重要的组成部分，我将与专门从事安全和法规的专家代理进行接触。
安全与合规专家代理：安全和法规遵从至关重要。在深入研究之前，您能否澄清一下：
- 您是否有特定的地区或国家是您针对这款摩托车的推出？
- 除了标准的安全功能外，您是否希望整合其他安全增强或技术？
- 您是否有特定的环保或安全认证是您所针对的，或者您认为对这款摩托车至关重要？
请按顺序回答。
用户：1. 美国、印度、欧洲 2. 强大的制动系统，驾驶员导航的人工智能，特别是图像识别 3. 符合目标市场的所有生态法规
安全与合规专家代理：根据您的意见：
- 我将研究并确保摩托车设计符合美国、印度和欧洲特定的安全和环保标准。这些市场有独特的法规，遵守对于成功推出至关重要。
- 强大的制动系统将是主要关注点。此外，我将探索整合人工智能驱动的驾驶员导航系统，特别强调图像识别以提高安全性。
- 我们的目标是摩托车不仅要符合，而且要超越目标市场的生态法规，确保受到良好的接待，并有可能在这些竞争激烈的市场中获得优势。
这些反馈巩固了我们“安全与合规”任务的方向。
沟通代理：感谢所有专家代理。凭借用户提供的详细见解和随后的任务分解，我们已经做好了开发环保摩托车的准备。我们将继续进行这些任务，一旦完成，我将编写全面的摘要，概述我们的进展和结果。
请让我们知道您是否希望我们开始，或者是否需要任何其他细节或调整。
用户：开始
沟通代理：感谢您的肯定。让我们开始开发环保摩托车吧。
研究与创新专家代理：开始任务：
我将深入研究当前关于燃油消耗、尾气排放和噪音污染的生态挑战。重点将放在将电力、物联网和人工智能整合到摩托车中，考虑到目标人群。
设计与材料选择专家代理：开始任务：
探索可持续材料，打造两种设计风格（未来主义和复古），并在车轮、仪表盘和配件中加入豪华功能。
发动机与燃料专家代理：开始任务：
致力于混合动力发动机系统，重点是实现 500 公里的续航里程、高速和快速加速。挑战在于在实现这些性能指标的同时确保环保。
安全与合规专家代理：开始任务：
确保摩托车设计符合美国、印度和欧洲的安全和环保标准。这包括整合先进的制动系统和人工智能驱动的导航系统，特别是图像识别。
沟通代理：任务现在已经启动。一旦每个任务完成，我将提供一个全面的摘要，概括我们的发现、进展以及与开发环保摩托车相关的任何结果。感谢您委托我们这个项目。我们致力于取得最佳结果。
………………………………………………………………
以下是我们在开发环保摩托车方面的进展摘要：
研究与创新专家代理：
- 研究结果：
- 燃油消耗：大多数现代摩托车已经通过先进的发动机设计开始减少燃油消耗。混合动力方法通过在可能的情况下利用电力进一步优化了这一点。
- 排放：电动驱动部件显著减少了排放。电池技术的进步表明硫酸锂电池是一个潜在选择，提供更高的能量密度。
- 噪音污染：电动推进本身就更安静。主动降噪技术在混合动力运行期间进一步减少噪音。
- 技术进步：
- 物联网：可用于实时反馈摩托车健康状况、维护通知和与智能基础设施的连接。
- 人工智能：利用人工智能的先进驾驶辅助系统（ADAS）可以通过预测分析、障碍物检测和路线优化提供增强的安全性。
设计和材料选择专家代理：
- 材料选择：生物基复合材料、竹子和再生铝因其可持续性和强度而成为强有力的候选者。
- 设计创建：
- 未来模型：时尚流线型设计，LED 轮廓，触摸式控制和透明 OLED 仪表盘。
- 复古模型：经典设计元素搭配现代触感，将镀铬饰面与可持续材料相结合。
- 豪华功能：菱形切割合金轮毂，可定制的 OLED 仪表盘，以及高级皮革或人造皮革配件，具有集成人工智能功能，提供豪华感和功能性。
发动机和燃料专家代理：
- 发动机开发：原型混合动力发动机将紧凑型汽油发动机与电动机结合。初步测试显示了在达到目标里程、速度和加速度方面取得了有希望的结果。
- 燃油和电池：研究超级电容器与电池的结合，为快速加速提供能量。先进的燃油喷射技术进一步优化燃油消耗。
安全和合规专家代理：
- 安全协议：正在集成具有再生能力的先进制动系统。人工智能驱动的引导系统处于测试阶段，展示了在图像识别和实时辅助方面的高准确性。
- 合规检查：初步评估表明符合目标市场上大多数主要安全和环保法规。进一步测试和调整将确保在推出前完全符合。
通讯代理：所有任务都在按照我们的目标进行。我们正处于开发和原型测试的后期阶段。在这一点上，您的反馈和任何进一步的指导将是非常宝贵的，因为我们旨在完善和最终确定面向您目标人群的环保摩托车。
继续
通讯代理：感谢您继续与我们合作。我们将进一步深入项目的细节和执行阶段。让我们深入了解正在进行的发展。
研究和创新专家代理：
- 测试后调整：
- 燃油消耗：我们已经集成了一个直观地在电动和燃油模式之间切换以根据骑行性质优化消耗的系统。
- 噪音污染：在路试后，混合动力运行的噪音水平已经被最小化到符合城市标准的水平。
- 人工智能整合：我们已经与领先的人工智能公司合作开发了专门为摩托车设计的神经网络，帮助实时决策，增强安全性，并优化骑手体验。
设计和材料选择专家代理：
- 最终设计：
- 未来模型：采用摄像头技术和 OLED 显示器的智能后视镜，提供后视画面和重要通知。
- 复古模型：我们成功地将可持续材料与复古设计融合，而不损害经典感。像可伸缩触摸屏仪表盘这样的功能已经被巧妙地整合。
- 材料采购：我们已经与以可持续采购实践而闻名的供应商进行了谈判，以确保道德和环保的生产过程。
发动机和燃料的专家代理：
- 原型性能：经过多次路试，我们实现了略优于预期的加速度（从 0 到 100 公里/小时不到 3 秒）。然而，在真实环境中达到稳定的 250 公里/小时顶速在不同条件下是具有挑战性的。我们正在考虑进行轻微的设计调整以增强空气动力学。
- 电池技术：已开发出模块化电池系统，使骑手可以在不进行重大改动的情况下更换或升级电池。这确保了电池技术的持久性和适应性。
安全和合规的专家代理：
- 增强安全协议：使用人工智能驱动的引导系统整合了车道保持辅助功能。这确保了骑手保持自己的车道，在高速公路上降低风险。
- 合规更新：我们已经在美国、印度和欧洲启动了认证流程。初步反馈是积极的，只需要进行轻微调整以满足特定的区域标准。
沟通代理：随着大部分开发阶段的完成，我们现在进入了测试、认证和生产准备的最后阶段。出现了一些挑战，特别是在实现稳定的期望顶速方面，但正在积极探索解决方案。随着我们更接近实现环保摩托车项目，您的见解、反馈或任何进一步的指导将是至关重要的。
用户：继续
沟通代理：当然。让我们进一步完善我们环保摩托车开发的最后阶段。
研究和创新的专家代理：
- 进一步整合：
- 骑手反馈系统：开发了一个直观的反馈机制，允许骑手实时提供有关摩托车性能和舒适度的输入。这些数据对持续改进至关重要。
- 远程更新：摩托车的人工智能和物联网系统已经配备了远程更新功能，确保摩托车与技术进步保持同步。
设计和材料选择的专家代理：
- 生产准备：
- 原型定稿：未来和复古款式都已定稿，现在已准备好进行大规模生产。根据初步用户测试进行了一些小的调整。
- 材料物流：与可持续供应商签订合同，确保生产中稳定的环保材料供应。
发动机和燃料的专家代理：
- 性能调整：为了解决顶速挑战，我们通过风洞测试反馈增强了摩托车的空气动力学性能。现在我们能够更接近稳定达到 250 公里/小时的速度。
- 环保燃料选择：探索了生物燃料与混合系统的潜在整合，进一步减少了摩托车的碳足迹。
安全和合规的专家代理：
- 先进的安全功能：除了人工智能驱动功能外，我们还整合了紧急制动和自适应巡航控制。后者使用雷达和摄像头来保持与前方车辆的设定距离，增强骑手的安全性。
- 最终合规阶段：所有初步认证已经获得。我们现在正在最后阶段获取在美国、印度和欧洲使摩托车上路所需的所有必要许可。
沟通代理：环保摩托车即将完成。精心设计、研究和整合先进功能已经使它成为一辆技术先进但可持续发展的车辆。我们正在为最终产品发布做准备，调整营销策略，并建立分销渠道。
当我们接近终点时，您的反馈、见解或任何调整都将至关重要。您想要详细概述，还是有特定领域您想进一步关注的吗？
用户：继续
沟通代理：让我们进入预发布和发布准备阶段，确保我们的环保摩托车在目标市场得到良好接受并建立强大的存在。
营销和分销专家代理：
- 品牌定位：制定了一个强大的品牌叙事，强调环保、奢华和尖端技术，与我们目标人群（30 至 50 岁的人群）的口味相一致。
- 发布策略：在美国、印度和欧洲的关键城市组织独家活动。邀请潜在客户、行业专家和媒体影响者，以产生关注和获得反馈。
- 分销渠道：与我们目标地区的顶级经销商和展厅合作，确保潜在买家能够广泛接触和购买。
用户体验和反馈专家代理：
- 互动演示：在购物中心和热门地区设置展台，让个人可以虚拟测试驾驶摩托车，获取见解并激发兴奋。
- 反馈循环：在摩托车中加入了一个系统，允许用户分享他们的骑行经验、建议和关注，促进持续改进。
售后支持专家代理：
- 服务网络：与知名服务中心建立合作伙伴关系，确保客户获得一流的维护和支持。
- 保修和零部件：为混合系统和关键部件提供延长保修期。同时建立健全的零部件分销系统，以有效解决任何更换需求。
安全合规专家代理：
- 安全培训：为新买家组织培训课程，确保他们熟悉摩托车的先进安全功能和人工智能系统。
- 监管遵从：定期监测和更新任何生态或安全标准的区域变化，确保摩托车在整个生命周期内保持合规。
沟通代理：我们即将向世界推出我们创新的环保摩托车。我们的多管齐下策略不仅确保成功的发布，还确保与客户的可持续和积极关系。在为这次发布做准备时，您有什么建议、反馈或任何特定方向希望我们采取吗？您的意见将对我们的最后步骤至关重要。
用户：继续
沟通代理：当然，让我们继续进行最后步骤，迎接产品发布和即将到来的发布期。
营销和分销专家代理：
- 预订活动：推出了早鸟预订活动，提供限时折扣和独家配件。这不仅引起了兴趣，还让我们了解了最初的需求。
- 合作与伙伴关系：与环保意识的名人和影响者合作进行促销活动和代言。这些合作正在增加与我们目标人群的可见度和共鸣。
用户体验和反馈专家代理：
- 发布日体验：为发布活动的参与者组织沉浸式体验。这包括制造过程的虚拟现实游览、与人工智能功能的实际操作以及试乘体验。
- 用户社区：推出了一个专门的在线平台，供用户分享他们的经验、骑行和技巧，促进围绕我们的品牌和摩托车的社区。
售后支持专家代理：
- 支持应用：推出了一个移动应用，允许用户安排维护、订购零部件并访问数字手册。该应用还具有针对骑手可能遇到的任何问题的人工智能诊断功能。
- 忠诚计划：推出忠诚计划，奖励长期客户未来产品的折扣、免费维护课程和独家活动邀请。
安全合规专家代理：
- 安全宣传活动：推出公共安全宣传活动，强调环保骑行的重要性，并向骑手介绍我们摩托车的安全功能。
- 持续监控：建立了一个专门团队，不断监测和调整我们目标市场的法规或标准的任何变化，确保持续合规。
沟通代理：随着产品的推出和受到欢迎，我们致力于保持势头，确保客户满意，并适应反馈。旅程并不会在推出后结束；这是一个持续改进和增长的循环。在我们导航推出后阶段时，您是否有任何特定的关注或重点想要我们强调？您的指导将继续塑造我们的方法和策略。
用户：使用更多人工智能技术。
沟通代理：明白了。我们将强调先进人工智能技术的整合，以进一步增强骑手体验，提高安全性，并简化售后服务。让我们探讨在摩托车生态系统的不同方面进行战略性人工智能整合。
研究与创新专家代理：
- 预测性维护：通过在摩托车上整合人工智能驱动传感器，我们可以预测零部件何时接近磨损并可能需要更换。这确保骑手可以保持最佳的摩托车性能并预先解决潜在问题。
- 骑手行为分析：借助人工智能，我们可以分析骑手的习惯，并调整摩托车设置（如悬挂刚度或油门响应）以更好地适应个人骑行风格，增强整体体验。
设计与材料选择专家代理：
- 自适应设计特性：基于人工智能驱动的分析，某些设计元素，如可调节的空气动力学，可以根据骑行条件实时变化，确保最佳性能。
引擎和燃料专家代理：
- 效率优化：人工智能可以不断分析发动机性能，实时调整电力和燃料组件之间的平衡，以实现最大燃油效率和最低排放。
安全与合规专家代理：
- 人工智能增强的安全功能：利用图像识别，我们的人工智能可以识别道路上的潜在危险，如行人或障碍物，并提醒骑手甚至采取纠正措施，如减速摩托车。
- 交通模式分析：人工智能还可以分析交通模式并建议最有效的路线，帮助骑手避开拥挤区域或潜在危险。
用户体验与反馈专家代理：
- 可定制的人工智能助手：车载人工智能助手可以从骑手的偏好中学习，如喜欢的路线或骑行模式，并提供建议或自动调整设置，实现个性化体验。
- 反馈解释：使用自然语言处理（NLP），人工智能可以解释社区平台上用户的反馈，找出改进的方面或新功能请求。
售后与支持专家代理：
- 远程诊断：使用人工智能，我们可以为骑手可能遇到的任何问题提供即时远程诊断，大大减少停机时间，确保迅速解决问题。
沟通代理：扩大的人工智能整合将使我们的环保摩托车不仅更智能，而且更能满足个体骑手的需求，确保无与伦比的体验。在我们实施这些人工智能增强功能时，您是否想要指定任何特定方面进行重点关注或提供额外的反馈？
不
沟通代理：好的！我们感谢您在整个过程中的指导和支持。我们相信，由战略性人工智能整合支持的环保摩托车将在市场上脱颖而出。如果您有更多问题或将来需要进一步帮助，请随时联系我们。祝您安全和可持续的骑行！
总结所有结果。
- 通讯代理人：当然。这是我们在开发环保摩托车过程中的简要概述：
- 目标：开发一款为 30 多岁高收入无子女成年人和成熟市场中 50 多岁成年人量身定制的环保摩托车。
- 主要特点：
- 混合引擎：燃油消耗优化，目标里程为 500 公里。可实现高速（250 公里/小时）和快速加速。
- 设计：为 30 多岁人群设计未来感设计，为 50 多岁人群设计复古设计。两种模型共享相同的发动机和技术部件，但在轮毂、仪表盘和配件等豪华功能上有所不同。
- 技术：强调物联网、用于驾驶员引导的 AI，特别是图像识别和空中软件更新。
- 安全：高性能刹车，AI 驱动的安全功能，遵守目标市场的环保和安全法规——美国、印度和欧洲。
- 开发过程：
- 研究与创新：专注于可持续燃料消耗、排放和噪音减少。AI 整合用于预测性维护、骑手行为分析和自适应设计功能。
- 设计与材料选择：环保材料采购。两种不同的模型共享技术部件。强调豪华功能，营造高端感受。
- 发动机与燃料：开发高效的混合系统，平衡电力和燃料部件。整合 AI 以实现效率优化。
- 安全与合规：强调强大的刹车、AI 增强的安全功能如危险检测，严格遵守市场法规。
- 用户体验与反馈：推出反馈循环系统，为用户提供在线社区、互动演示和 AI 驱动的个性化体验。
- 售后与支持：建立服务中心支持网络，发布支持应用程序和忠诚计划。
- AI 技术增强：
- 先进的预测性维护。
- 实时调整摩托车设置以适应个人骑行风格。
- 实时效率优化，以实现最大燃油效率。
- 图像识别，用于识别道路危险。
- 交通模式分析，以实现最佳路由。
- 专用 AI 助手，为用户提供量身定制的体验。
- 由自然语言处理驱动的用户反馈解释。
- 及时远程诊断，以便迅速解决问题。
- 通讯代理：这概括了我们在创建环保、技术先进的摩托车过程中的方法、发展和最终产出。如果您有任何进一步的问题或意见，请告诉我们。
在这个环保摩托车开发努力中，ChatGPT-4 利用多方面的代理系统来模拟设计和推出一款为不同人群量身定制的尖端混合动力摩托车。最初，目标分析代理分解用户的广泛目标，勾勒出设计偏好、目标人群和技术包含等关键领域，以全面了解项目的抱负。
随后，专家代理人深入研究每个领域，通过连续的查询引出详细的用户见解，从而促进功能的构思和整合，例如由 AI 驱动的安全机制、混合引擎优化和独特的设计差异化。
最后，通讯代理整合所有贡献，呈现潜在旅程、策略和最终产品的综合概述，确保深入模拟特定目标群体的最新环保摩托车。
原材料研究
在这个练习中，我们利用多方面的代理系统探索智利的锂行业。研究协调员、数据收集和分析代理共同利用 Statista 和 NS Energy 等来源分析该行业。通过用户指导，他们提供了智利锂储备和行业挑战的概述。深入探讨以下问题：
- 代理组织：你由研究协调员代理、数据收集代理和分析代理组成。
- 代理责任：
- 研究协调员代理：制定研究议程，管理任务顺序，监督数据收集代理和分析代理之间的合作，并整合最终的研究报告。
- 数据收集代理：根据具体的研究任务，利用网络搜索插件收集信息，提取相关数据，并将其组织成简明的形式以供分析。
- 分析代理：处理收集到的数据，识别模式，得出见解，并制定可行的建议。
- 目标规定：对智利的锂勘探机会进行高层次分析。
- 参与规则：
- 研究协调员代理首先根据目标（例如，主要锂储量、领先的勘探公司、关键的政府法规等）确定最关键的研究领域。
- 数据收集代理开始研究，利用网络搜索插件收集相关信息。只能查阅三个来源，Statista、NS Energy 和 LegalPlanet，以确保快速洞察。
- 对于每一部分数据，分析代理将处理并找出最重要的见解。
- 数据收集代理的研究应只考虑以下以可靠性和准确性闻名的来源：Statista、NS Energy 和 LegalPlanet。
- 一旦来自所有来源的研究完成，分析代理将压缩其发现。然后研究协调员代理起草一份报告，呈现最显著的要点。
- 约束：
- 代理必须确保研究始终专注于智利。
- 代理不应超越其定义的角色，并且必须始终相互协调，以确保一致和有影响力的结果。
- *只能查阅三个网络来源：Statista、NS Energy 和 LegalPlanet。
- 最终报告严格限制为 10 个要点，仅捕捉最高层次的见解。
- 方法：
- 定义智利锂勘探的最关键方面。
- 从三个信誉良好的来源 Statista、NS Energy 和 LegalPlanet 进行专注的数据收集，并简化数据提取过程。
- 将发现过程压缩成 10 个要点，强调有关智利锂勘探机会的最有价值的见解。
这个提示引发了 ChatGPT-4 的以下回应：
研究协调员代理（RCA）：好的，团队！我们的目标是对智利的锂勘探机会进行高层次分析。让我们分解一下：
- 智利的主要锂储量：我们需要了解智利的锂储量的规模和重要性。
- 领先的勘探公司：确定锂勘探领域的关键参与者将为我们提供行业动态的见解。
- 关键的政府法规：法规可以显著影响勘探机会，因此我们需要了解任何限制或激励。
数据收集代理（DCA）：明白了！我将开始从我们指定的来源 Statista、NS Energy 和 LegalPlanet 收集智利主要锂储量的数据。
分析代理（AA）：一旦你提供数据，我将加工并突出最重要的见解。让我们保持发现简明而有影响力。
RCA：完美！DCA，请继续进行第一个研究领域。
*DCA：从 Statista 开始搜索智利的主要锂储量。
使用网络请求插件。
DCA：我在 Statista 上找到了一篇名为“2022 年全球锂储量前几位国家”的文章。我将从这个来源提取有关智利锂储量的相关数据。
RCA：太好了！一旦你有了数据，就把它传给分析代理进行分析。
DCA：访问文章，提取有关智利锂储量的相关信息。
2022 年全球锂储量前几位国家| Statista statista.com
使用了 WebPilot 插件
DCA：我已从 Statista 的文章中提取了相关信息：
- 2022 年，智利的锂储量估计达到 930 万公吨，是全球最大的。
- 智利拥有全球最大的锂储量，超过其他国家很多。例如，排名第二的澳大利亚在 2022 年的储量估计为 620 万公吨。
AA：基于这些数据：
- 智利在全球锂储量中占据主导地位，位居榜首。
- 智利与第二大持有国澳大利亚之间的差距很大，表明智利在锂勘探领域具有重要潜力。
RCA：非常有见地！DCA，请继续从 NS Energy 收集智利锂行业领先勘探公司的数据。
…………。 （出于简洁起见而省略）
RCA：谢谢，AA。现在我们从三个来源获得了见解，我将整合研究结果并起草最终报告。
智利锂勘探机会研究报告
介绍：凭借其广阔的锂储量，智利在全球锂市场中占据重要地位。本报告根据来自 Statista、NS Energy 和 LegalPlanet 的信息，呈现了智利锂勘探领域的综合视图。
关键见解：
- 全球最大储量：智利拥有全球最大的锂储量，使其成为锂市场的关键参与者。
- 主要生产者：智利是第二大锂生产国，紧随澳大利亚之后。
- 盐湖作为主要来源：该国的锂生产主要来自阿塔卡马盐湖和马里昆加盐湖。
- 主要参与者：SQM 和 Albemarle 是智利锂行业的主要公司，两者在阿塔卡马盐湖都有重要的业务。
- 特殊法规：智利的锂受到独特的法律框架的约束，与其他矿产不同，使其开发具有挑战性。
- 国家角色：由于其不可授予的地位，锂勘探和开发主要由国家及其公司垄断。
- 历史影响：冷战时代影响了将锂保留给国家的决定，考虑到其潜在的核应用。
- 现代意义：如今，锂的重要性与电动汽车的崛起特别相关。
- 进入壁垒：现有的法律框架对新进入者构成了威慑，限制了该行业的参与者。
- 改革机会：为了利用对锂的全球需求增加，智利需要重新考虑其围绕锂勘探的法律。
结论：智利广阔的锂储量具有巨大潜力。然而，为了充分利用这一潜力并在全球市场上保持地位，智利需要解决现有法律框架带来的挑战，并鼓励更多的参与者投资其锂行业。
RCA：这就结束了我们关于智利锂勘探机会的研究报告。我希望这提供了对当前情况的全面概述，并为未来的努力提供了潜在的关注领域。
在这项锂勘探研究中，ChatGPT-4 作为一个三层代理系统，密切审查智利的锂行业。最初，研究协调员代理确定重要的研究领域，如主要储量和法规框架，以有效引导调查。
然后，数据收集代理从知名来源积累相关信息，包括 Statista 和 LegalPlanet，阐明智利锂行业的行业动态和法规环境中的挑战。
最后，分析代理汇编数据，提供智利锂勘探领域机遇的简明总结。
