自 ChatGPT 问世以来，OpenAI 一直被认为是全球生成式大模型的领导者。2023年3月，OpenAI 官方宣布，开发者可以通过 API 将 ChatGPT 和 Whisper 模型集成到他们的应用程序和产品中。在 GPT-4发布的同时 OpenAI 也开放了其 API。
一年过去了，OpenAI 的大模型使用体验究竟如何，行业内的开发者怎么评价?
最近，初创公司 Truss 的 CTO Ken Kantzer 发布了一篇题为《Lessons after a half-billion GPT tokens》的博客，阐述了在使用 OpenAI 的模型（85% GPT-4、15% GPT-3.5）处理完5亿个 token 之后，总结出的七条宝贵经验。
机器之心对这篇博客进行了不改变原意的编译、整理，以下是博客原文内容:
经验1:prompt，少即是多
我们发现，如果 prompt 中的信息已经是常识，那么该 prompt 不会帮助模型产生更好的结果。GPT 并不愚蠢，如果您过度指定，它实际上会变得混乱。
这与编码不同，编码中的一切都必须是明确的。
举一个让我们感到困扰的例子:
pipeline 的一部分读取一些文本块，并要求 GPT 将其分类为与美国50个州之一相关。这不是一项艰巨的任务，可以使用字符串 / 正则表达式，但有足够多奇怪的极端情况，因此需要更长的时间。所以我们的第一次尝试大致是这样的:
Here'sablockoftext.Onefieldshouldbe"locality_id"，anditshouldbetheIDofoneofthe50states，orfederal，usingthislist:
这有时会起作用（约超过98% 的情况），但失败的情况足以让我们不得不进行更深入的挖掘。
在调查时，我们注意到字段「名称」始终返回州的全名，尽管我们没有明确要求它这样做。
因此，我们改用对名称进行简单的字符串搜索来查找状态，然后模型就一直运行良好。
总而言之，GPT 显然知道50个州。当 prompt 更加模糊时，GPT 的质量和泛化能力都可以提高，这太疯狂了 —— 这是高阶思维的典型标志。
经验2:不需要 langchain
你只需要 chat API，不需要 langchain，甚至可能不需要 OpenAI 去年在其 API 中发布的任何其他内容。
Langchain 是过早抽象的完美例子。我们开始认为我们必须使用它。但相反，数百万个 token 之后，我们可能在生产中使用了3-4个非常多样化的 LLM 函数，而我们的 openai_service 文件中仍然只有一个40行的函数:
defextract_json（prompt，variable_length_input，number_retries）
我们使用的唯一 API 是 chat API。我们不需要 JSON 模式、函数调用等等（尽管我们做了所有这些），我们甚至不使用系统 prompt。gpt-4-turbo 发布时，我们更新了代码库中的一个字符串。
这就是强大的广义模型的美妙之处 —— 少即是多。
该函数中的40行代码大部分都是围绕 OpenAI API 被关闭的500s/socket 的错误处理。
我们内置了一些自动截断功能，因此不必担心上下文长度限制，我们有自己专有的 token 长度估计器。
ifs.length>model_context_size*3
在存在大量句点或数字的极端情况下（token ratio <3characters /token），这种方法会失败。所以还有另一个专有的 try/catch 重试逻辑:
ifresponse_error_code=="context_length_exceeded"
我们已经依靠上述方法取得了很大进展，并且该方法足够灵活，可以满足我们的需求。
经验3:通过流式 API 改善延迟并向用户显示变速输入的单词是 ChatGPT 一项重大的用户体验创新
我们曾经认为这只是一个噱头，但实际上用户对「变速输入字符」的反应非常积极 —— 这感觉就像是人工智能的鼠标 / 光标用户体验时刻。
经验4:GPT 不擅长产生零假设
「如果找不到任何内容，则返回空输出」—— 这可能是我们遇到的最容易出错的 prompting 语言。在此情况下，GPT 不仅会经常出现幻觉而不返回任何内容，还会导致「缺乏信心」，返回空白的次数比应有的要多。
我们大多数的 prompt 都是以下形式:
有一段时间，我们会遇到 bug，[文本块] 可能为空，幻觉不时出现。顺便说一句，GPT 很喜欢幻想面包店，这里有一些很棒的面包店:
阳光面包店
金粮面包店
极乐面包店
幸运的是，解决方案是修复该 bug，并在没有文本的情况下根本不向其发送 prompt。
经验5:「上下文窗口」命名不当
「上下文窗口」只会因输入而变大，而不会因输出而变大。
一个鲜为人知的事实是，GPT-4的输入窗口可能有128k token，但输出窗口却只有区区4k!
我们经常要求 GPT 返回 JSON 对象的列表 —— 一个 json 任务的数组列表，其中每个任务都有一个名称和一个标签，而 GPT 无法返回超过10项。
我们最初认为这是因为上下文窗口大小是4k，但我们发现10个项目，可能只有700-800个 token，GPT 就会停止。
经验6:向量数据库和 RAG / 嵌入对我们普通人来说几乎毫无用处
我认为矢量数据库 / RAG 确实是用于搜索的，以下是一些原因:
1. 相关性没有界限。有一些解决方案，你可以创建自己的相关性截止启发式，但它们并不可靠。在我看来，这确实「杀死了 RAG」—— 你总是冒着用不相关的结果危害检索的风险;或者过于保守，错过重要的结果。
2. 为什么要将向量放入专门的专有数据库中，远离所有其他数据?除非你处理的是 google/bing 规模的工作，否则上下文的丢失绝对不值得进行权衡。
3. 除非你正在进行非常开放的搜索（例如整个互联网），否则用户通常不喜欢返回他们没有直接输入的内容的语义搜索。
在我看来（未经验证），对于大多数搜索案例，LLM 的更好用法是使用正常的完成 prompt 将用户的搜索转换为分面搜索(faceted-search)，甚至是更复杂的查询。但这根本不是 RAG。
经验7:幻觉基本上不会发生
我们的每个用例本质上都是「这是一段文本，从中提取一些内容」。通常，如果要求 GPT 提供一段文本中提到的公司名称，它不会为你提供「随机公司」（除非文本中没有公司，即零假设问题）。
类似地，GPT 并不会真正产生幻觉代码。如果用例完全、详细，那么 GPT 实际上非常可靠。
原文链接:
https://kenkantzer.com/lessons-after-a-half-billion-gpt-tokens/