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
    }
  }
 ]