作者：京东零售牛晓光

根据现有调研和实践，由 OpenAI 提供的 ChatGPT/GPT-4 模型和 CodeX 模型能够很好的理解和生成业界大多数编程语言的逻辑和代码，其中尤其擅长 Python、JavaScript、TypeScript、Ruby、Go、C# 和 C++ 等语言。

然而在实际应用中，我们经常会在编码时使用到一些私有框架、包、协议和 DSL 等。由于相关模型没有学习最新网络数据，且这些私有数据通常也没有发布在公开网络上，OpenAI 无法根据这些私有信息生成对应代码。

一、OpenAI 知识学习方式

OpenAI 提供了几种方式，让 OpenAI 模型学习私有知识：

1. 微调模型

OpenAI 支持基于现有的基础模型，通过提供 “prompt - completion” 训练数据生成私有的自定义模型。

使用方法

在执行微调工作时，需要执行下列步骤：

1. 准备训练数据：数据需包含 prompt/completion，格式支持 CSV, TSV, XLSX, JSON 等。

格式化训练集：openai tools fine_tunes.prepare_data -f <LOCAL_FILE>
LOCAL_FILE：上一步中准备好的训练数据。

2. 训练模型微调：openai api fine_tunes.create -t <LOCAL_FILE> -m <BASE_MODULE> --suffix "<MODEL_SUFFIX>"

LOCAL_FILE：上一步中准备好的训练集。
BASE_MODULE：基础模型的名称，可选的模型包括ada、babbage、curie、davinci等。
MODEL_SUFFIX：模型名称后缀。

3. 使用自定义模型

使用成本

在微调模型方式中，除了使用自定义模型进行推理时所需支付的费用外，训练模型时所消耗的 Tokens 也会对应收取费用。根据不同的基础模型，费用如下：

结论

使用微调模型进行私有知识学习，依赖于大量的训练数据，训练数据越多，微调效果越好。

此方法适用于拥有大量数据积累的场景。

2. 聊天补全

GPT 模型接收对话形式的输入，而对话按照角色进行整理。对话数据的开始包含系统角色，该消息提供模型的初始说明。可以在系统角色中提供各种信息，如：

助手的简要说明
助手的个性特征
助手需要遵循的指令或规则
模型所需的数据或信息

我们可以在聊天中，通过自定义系统角色为模型提供执行用户指令所必要的私有信息。

使用方法

可以在用户提交的数据前，追加对私有知识的说明内容。

openai.createChatCompletion({
  model: "gpt-3.5-turbo",
  messages: [
    { role: "system", content: "你是一款智能聊天机器人，帮助用户回答有关内容管理系统低代码引擎CCMS的技术问题。智能根据下面的上下文回答问题，如果不确定答案，可以说“我不知道”。\n\n" +
      "上下文：\n" + 
      "- CCMS通过可视化配置方式生成中后台管理系统页面，其通过JSON数据格式描述页面信息，并在运行时渲染页面。\n" + 
      "- CCMS支持普通列表、筛选列表、新增表单、编辑表单、详情展示等多种页面类型。\n" + 
      "- CCMS可以配置页面信息、接口定义、逻辑判断、数据绑定和页面跳转等交互逻辑。"
    },
    { role: "user", content: "CCMS是什么？" }
  ]
}).then((response) => response.data.choices[0].message.content);

使用成本

除了用户所提交的内容外，系统角色所提交的关于私有知识的说明内容，也会按照 Tokens 消耗量进行计费。

结论

使用聊天补全进行私有知识学习，依赖于系统角色的信息输入，且此部分数据的 Tokens 消耗会随每次用户请求而重复计算。

此方法适用于私有知识清晰准确，且内容量较少的场景。

二、私有知识学习实践

对于私有框架、包、协议、DSL 等，通常具备比较完善的使用文档，而较少拥有海量的用户使用数据，所以在当前场景下，倾向于使用聊天补全的方式让 GPT 学习私有知识。

而在此基础上，如何为系统角色提供少量而精确的知识信息，则是在保障用户使用情况下，节省使用成本的重要方式。

3. 检索 - 提问解决方案

我们可以在调用 OpenAI 提供的 Chat 服务前，使用用户所提交的信息对私有知识进行检索，筛选出最相关的信息，再进行 Chat 请求，检索 Tokens 消耗。

而 OpenAI 所提供的嵌入（Embedding）服务则可以解决检索阶段的工作。

使用方法

1. 准备搜索数据（一次性）

收集：准备完善的使用文档。如：https://jd-orion.github.io/docs
分块：将文档拆分为简短的、大部分是独立的部分，这通常是文档中的页面或章节。
嵌入：为每一个分块分别调用 OpenAI API 生成 Embedding。

await openai.createEmbedding({
  model: "text-embedding-ada-002",
  input: fs.readFileSync('./document.md', 'utf-8').toString(),
}).then((response) => response.data.data[0].embedding);

存储：保存 Embedding 数据。（对于大型数据集，可以使用矢量数据库）

2. 检索（每次查询一次）

为用户的提问，调用 OpenAI API 生成 Embedding。（同 1.3 步骤）
使用提问 Embedding，根据与提问的相关性对私有知识的分块 Embedding 进行排名。

const fs = require('fs');
const { parse } = require('csv-parse/sync');
const distance = require( 'compute-cosine-distance' );

function (input: string, topN: number) {
  const knowledge: { text: string, embedding: string, d?: number }[] = parse(fs.readFileSync('./knowledge.csv').toString());

  for (const row of knowledge) {
    row.d = distance(JSON.parse(row.embedding), input)
  }

  knowledge.sort((a, b) => a.d - b.d);

  return knowledge.slice(0, topN).map((row) => row.text));
}

3. 提问（每次查询一次）

给请求的系统角色插入与问题最相关的信息

async function (knowledge: string[], input: string) {
  const response = await openai.createChatCompletion({
    model: "gpt-3.5-turbo",
    messages: [
      {
        role: 'system',
        content: "你是一款智能聊天机器人，帮助用户回答有关内容管理系        统低代码引擎CCMS的技术问题。\n\n" + knowledge.join("\n")
      },
      {
        role: 'user',
        content: input
      }
    ]
  }).then((response) => response.data.choices[0].message.content);
  return response
}

返回 GPT 的答案

使用成本

使用此方法，需要一次性的支付用于执行 Embedding 的费用。

三、低代码自然语言搭建案例

解决了让 GPT 学习私有知识的问题后，就可以开始使用 GPT 进行私有框架、库、协议和 DSL 相关代码的生成了。

本文以低代码自然语言搭建为例，帮助用户使用自然语言对所需搭建或修改的页面进行描述，进而使用 GPT 对描述页面的配置文件进行修改，并根据返回的内容为用户提供实时预览服务。

使用方法

OpenAI 调用组件

const { Configuration, OpenAIApi } = require("openai");
const openai = new OpenAIApi(new Configuration({ /** OpenAI 配置 */ }));
const distance = require('compute-cosine-distance');
const knowledge: { text: string, embedding: string, d?: number }[] = require("./knowledge")

export default function OpenAI (input, schema) {
  return new Promise((resolve, reject) => {
    // 将用户提问信息转换为Embedding
    const embedding = await openai.createEmbedding({
      model: "text-embedding-ada-002",
      input,
    }).then((response) => response.data.data[0].embedding);

    // 获取用户提问与知识的相关性并排序
    for (const row of knowledge) {
      row.d = distance(JSON.parse(row.embedding), input)
    }
    knowledge.sort((a, b) => a.d - b.d);

    // 将相关性知识、原始代码和用户提问发送给GPT-3.5模型
    const message = await openai.createChatCompletion({
      model: "gpt-3.5-turbo",
      messages: [
        {
          role: 'system',
          content: "你是编程助手，需要阅读协议知识，并按照用户的要求修改代码。\n\n" + 
                  "协议知识：\n\n" +
                  knowledge.slice(0, 10).map((row) => row.text).join("\n\n") + "\n\n" + 
                  "原始代码：\n\n" +
                  "```\n" + schema + "\n```"
        },
        {
          role: 'user',
          content: input
        }
      ]
    }).then((response) => response.data.choices[0].message.content);

      // 检查返回消息中是否包含Markdown语法的代码块标识
    let startIndex = message.indexOf('```');
    if (message.substring(startIndex, startIndex + 4) === 'json') {
      startIndex += 4;
    }

    if (startIndex > -1) {
      // 返回消息为Markdown语法
      let endIndex = message.indexOf('```', startIndex + 3);
      let messageConfig;

      // 需要遍历所有代码块
      while (endIndex > -1) {
        try {
          messageConfig = message.substring(startIndex + 3, endIndex);

          if (
            /** messageConfig正确性校验 */
          ) {
            resolve(messageConfig);
            break;
          }
        } catch (e) {
          /* 本次失败 */
        }

        startIndex = message.indexOf('```', endIndex + 3);

        if (message.substring(startIndex, startIndex + 4) === 'json') {
          startIndex += 4;
        }

        if (startIndex === -1) {
          reject(['OpenAI返回的信息不可识别：', message]);
          break;
        }

        endIndex = message.indexOf('```', startIndex + 3);
      }
    } else {
      // 返回消息可能为代码本身
      try {
        const messageConfig = message;

        if (
          /** messageConfig正确性校验 */
        ) {
          resolve(messageConfig);
        } else {
          reject(['OpenAI返回的信息不可识别：', message]);
        }
      } catch (e) {
        reject(['OpenAI返回的信息不可识别：', message]);
      }
    }
  })
}

低代码渲染

import React, { useState, useEffect } from 'react'
import { CCMS } from 'ccms-antd'
import OpenAI from './OpenAI'

export default function App () {
  const [ ready, setReady ] = useState(true)
  const [ schema, setSchema ] = useState({})

  const handleOpenAI = (input) => {
    OpenAI(input, schema).then((nextSchema) => {
      setReady(false)
      setSchema(nextSchema)
    })
  }

  useEffect(() => {
    setReady(true)
  }, [schema])

  return (
    <div style={{ width: '100vw', height: '100vh' }}>
      {ready && (
        <CCMS
          config={pageSchema}
          /** ... */
        />
      )}
      <div style={{ position: 'fixed', right: 385, bottom: 20, zIndex: 9999 }}>
        <Popover
          placement="topRight"
          trigger="click"
          content={
            <Form.Item label="使用OpenAI助力搭建页面：" labelCol={{ span: 24 }}>
              <Input.TextArea
                placeholder="请在这里输入内容，按下Shift+回车确认。"
                defaultValue={defaultPrompt}
                onPressEnter={(e) => {
                  if (e.shiftKey) {
                    handleOpenAI(e.currentTarget.value)
                  }
                }}
              />
            </Form.Item>
          }
        >
          <Button shape="circle" type="primary" icon={ /** OpenAI icon */ } />
        </Popover>
      </div>
    </div>
  )
}

四、信息安全

根据 OpenAI 隐私政策说明，使用 API 方式进行数据访问时：

除非明确的授权，OpenAI 不会使用用户发送的数据进行学习和改进模型。
用户发送的数据会被 OpenAI 保留 30 天，以用于监管和审查。（有限数量的授权 OpenAI 员工，以及负有保密和安全义务的专业第三方承包商，可以访问这些数据）
用户上传的文件（包括微调模型是提交的训练数据），除非用户删除，否则会一直保留。

另外，OpenAI 不提供模型的私有化部署（包括上述微调模型方式所生成的自定义模型），但可以通过联系销售团队购买私有容器。

文中所使用的训练数据、私有框架知识以及低代码框架均源自本团队开发并已开源的内容。用户使用相关服务时也会进行数据安全提示。

↙↙↙阅读原文可查看相关链接，并与作者交流