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
接下来我会持续更新更多的tools使用结果