译者 | 李睿
审校 | 重楼
2023年11月6日，OpenAI公司对外发布了ChatGPT。在这个无代码平台上，专业(或业余)开发人员可以使用工具和提示构建定制的GPT或聊天机器人，有效地改变他们与OpenAI GPT的交互。以前的交互（LangChain或LlamaIndex）强制使用动态提示从GPT检索响应。现在，OpenAI GPT通过调用外部API或工具来处理动态提示。
这也改变了开发人员在MyScale构建RAG系统的方式，从构建带有服务器端场景的提示到将这些场景引入GPT模型。
MyScale简化了将场景引入GPT的方式。例如，OpenAI公司的方法是通过Web UI将文件上传到GPT平台。同时，MyScale允许开发使用SQL WHERE子句混合结构化数据过滤和语义搜索，以更低的成本处理和存储更大的知识库，以及在多个GPT之间共享一个知识库。
现在就可以在GPT商店试用MyScaleGPT，或者将MyScale的开放知识库与托管在Hugging Face上的API集成到应用程序中。
BYOK：采用自己的知识
GPT在过去的一年中有了很大的发展，它在共享知识领域获得的知识比最初发布时要多得多。然而，仍然有GPT一无所知或不确定的特定主题，例如特定领域的知识和当前事件。因此，正如在之前的文章所描述的，必须将存储在MyScale中的外部知识库集成到GPT中，以提高其真实性和有用性。
当开发人员使用MyScale构建RAG时，将LLM引入他们的链(或堆栈)。这一次需要将MyScale数据库带到GPT平台。不幸的是，目前还不可能直接在GPT和MyScale之间建立连接。因此，调整了查询接口，将其公开为REST API。
由于之前在OpenAI函数调用方面的成功，现在可以设计一个类似的接口，其中GPT可以使用类似SQL的过滤器字符串编写向量搜索查询。在OpenAPI中的参数如下：
"parameters": [
{
"name": "subject",
"in": "query",
"description": "A sentence or phrase describes the subject you want to query.",
"required": true,
"schema": {
"type": "string"
}
},
{
"name": "where_str",
"in": "query",
"description": "a SQL-like where string to build filter",
"required": true,
"schema": {
"type": "string"
}
},
{
"name": "limit",
"in": "query",
"description": "desired number of retrieved documents",
"schema": {
"type": "integer",
"default": 4
}
}
]有了这样的接口，GPT可以用SQL编写的过滤器提取关键字来描述所需的查询。
向不同的表提供查询条目
有时可能需要查询不同的表。这可以使用单独的API条目来实现。每个API条目在其文档下都有自己的模式和提示。GPT将读取适用的API文档，并将正确的查询写入相应的表。
值得注意的是，之前介绍的方法（例如自查询检索器和向量SQL）都需要动态或半动态提示来描述表结构。与其相反，GPT的功能类似于LangChain中的会话代理，其中代理使用不同的工具来查询表。
例如，API条目可以在OpenAPI 3.0中编写如下：
JSON
"paths": {
// query entry to arxiv table
"/get_related_arxiv": {
"get": {
// descriptions will be injected into the tool prompt
// so that GPT will know how and when to use this query tool
"description": "Get some related papers."
"You should use schema here:\n"
"CREATE TABLE ArXiv ("
" `id` String,"
" `abstract` String,"
" `pubdate` DateTime,"
" `title` String,"
" `categories` Array(String), -- arxiv category"
" `authors` Array(String),"
" `comment` String,"
"ORDER BY id",
"operationId": "get_related_arxiv",
"parameters": [
// parameters mentioned above
],
}
},
// query entry to wiki table
"/get_related_wiki": {
"get": {
"description": "Get some related wiki pages. "
"You should use schema here:\n\n"
"CREATE TABLE Wikipedia ("
" `id` String,"
" `text` String,"
" `title` String,"
" `view` Float32,"
" `url` String, -- URL to this wiki page"
"ORDER BY id\n"
"You should avoid using LIKE on long text columns.",
"operationId": "get_related_wiki",
"parameters": [
// parameters mentioned above
]
}
}
}根据这个代码片段，GPT知道有两个知识库可以帮助回答用户的问题。
在为知识库检索配置GPT操作后，只需填写指令并告诉GPT如何查询知识库，然后回答用户问题：
注：尽量回答问题。随意使用任何可用的工具来查找相关信息。在调用搜索函数时，保留查询中的所有详细信息。使用MyScale知识库查询字符串数组时，请使用has(column, value)进行匹配。对于发布日期，使用parsedatetime32bestefort()将时间戳值从字符串格式转换为日期时间对象，不使用这个函数转换日期时间类型的列。开发人员应该始终为其使用的文档添加参考链接。
将数据库托管为OpenAPI
GPT采用OpenAI 3.0标准下的API。有些应用程序(例如数据库)没有OpenAPI接口。因此，需要使用中间件将GPT与MyScale集成在一起。
开发人员已经在Hugging Face上托管了与OpenAI兼容的接口的数据库。使用flask-restx app.py, funcs.py来简化和自动化实现，因此代码小、干净、易于阅读。
这样做的好处是提示和函数都绑定在一起了。因此，不需要过多考虑提示、功能和可扩展性的组合；用人类可读的格式来写。GPT将从转储的OpenAI JSON文件中读取这个文档。
注：flask restx只生成Swagger 2.0格式的API。必须首先使用Swagger Editor将它们转换为OpenAPI 3.0格式。你可以在Hugging Face上使用JSON API作为参考。
GPT使用API中的场景运行
在适当的指导下，GPT将使用特殊函数仔细处理不同的数据类型。这些数据类型的示例包括ClickHouse SQL函数，例如用于数组列的has(column, value)和用于时间戳列的parsedatetime32bestefort (value)。
在将正确的查询发送给API之后，它(或API)将使用WHERE子句字符串中的过滤器构造向量搜索查询。返回的值被格式化为字符串，作为从数据库检索到的额外知识。正如以下的代码示例所描述的，这个实现非常简单。
Python
1 class ArXivKnowledgeBase:
2 def __init__(self, embedding: SentenceTransformer) -> None:
3 # This is our open knowledge base that contains default.ChatArXiv and wiki.Wikipedia
4 self.db = clickhouse_connect.get_client(
5 host='msc-4a9e710a.us-east-1.aws.staging.myscale.cloud',
6 port=443,
7 username='chatdata',
8 password='myscale_rocks'
9 )
10 self.embedding: SentenceTransformer = INSTRUCTOR('hkunlp/instructor-xl')
11 self.table: str = 'default.ChatArXiv'
12 self.embedding_col = "vector"
13 self.must_have_cols: List[str] = ['id', 'abstract', 'authors', 'categories', 'comment', 'title', 'pubdate']
14
15
16 def __call__(self, subject: str, where_str: str = None, limit: int = 5) -> Tuple[str, int]:
17 q_emb = self.embedding.encode(subject).tolist()
18 q_emb_str = ",".join(map(str, q_emb))
19 if where_str:
20 where_str = f"WHERE {where_str}"
21 else:
22 where_str = ""
23 # Simply inject the query vector and where_str into the query
24 # And you can check it if you want
25 q_str = f"""
26 SELECT dist, {','.join(self.must_have_cols)}
27 FROM {self.table}
28 {where_str}
29 ORDER BY distance({self.embedding_col}, [{q_emb_str}])
30 AS dist ASC
31 LIMIT {limit}
32 """
33 docs = [r for r in self.db.query(q_str).named_results()]
34 return '\n'.join([str(d) for d in docs]), len(docs)结论
GPT确实是OpenAI开发者界面的重大改进。开发人员不需要编写太多代码来构建他们的聊天机器人，而且工具现在可以自带提示。我们为GPT创造一个生态系统是很美好的。另一方面，鼓励开源社区重新考虑将LLM和工具结合起来的现有方式。
因为相信将外部知识库存储在外部数据库中，将会提高LLM的真实性和有用性。很多人正在寻找新的方法来整合像MyScale这样的矢量数据库和LLM。
原文标题：Bring Your Knowledge Base Into OpenAI’s GPTs With MyScale，作者：Fangrui Liu
