ChatGPT插件使用教程：ChatGPT Tools Plus一键安装与使用

I. ChatGPT插件的介绍
A. ChatGPT Plus的联网和插件功能
ChatGPT Plus是OpenAI推出的一项付费定阅服务，为ChatGPT增加了联网和插件功能。联网功能使ChatGPT能够从网络上实时获得信息，插件功能则允许用户自定义功能插件，提供更多的使用扩大性。

B. 插件的作用和优势
通过插件功能，用户可以根据自己的需求安装各种插件，比如搜索引擎插件、翻译插件等，从而使ChatGPT能够提供更加全面和准确的答案。插件的安装和使用非常简便，为用户提供了更好的使用体验。

II. ChatGPT Plus定阅和设置插件功能
A. 登录ChatGPT Plus账号
用户需要先定阅ChatGPT Plus服务，并使用账号登录ChatGPT官网。定阅ChatGPT Plus后，默许会在一个新的chat页面中进行使用。

B. 切换到GPT⑷模型
打开ChatGPT页面后，默许会选择GPT⑶.5模型进行聊天。插件功能只能在GPT⑷模型上使用，因此用户需要将模型切换到GPT⑷。在ChatGPT页面上，鼠标悬停在GPT⑷按钮上，会弹出一个菜单，选择GPT⑷模型进行切换。

C. 打开插件功能设置
在浮出菜单中使能Plugins，这样就能够打开插件功能设置。用户可以根据自己的需求选择开启或关闭插件功能。

III. 安装ChatGPT插件
A. 打开“Plugins”菜单
登录ChatGPT Plus账号并打开ChatGPT页面后，点击左下角的设置按钮，然后选择“Plugins”菜单。

B. 选择适合的插件进行安装
在“Plugins”菜单中，用户可以浏览并选择合适自己的插件进行安装。根据个人需求和兴趣，选择适合的插件来增强ChatGPT的功能。

IV. 使用ChatGPT插件
A. 在ChatGPT页面发问便可
安装插件后，用户只需在ChatGPT页面上直接发问便可。ChatGPT会根据安装的插件实时从网络中提取信息，然后给出相应的回答。

B. 插件实时从网络中提取信息
通过联网功能，插件可以从网络中获得最新的信息，并提供给ChatGPT进行处理。这样，用户就能够取得更准确、全面和实时的答案。

C. 指定插件名称进行信息提取
在询问ChatGPT问题时，用户还可以指定插件的名称，从中提取特定的信息并履行相应的功能。这样可以进一步定制ChatGPT的回答。

V. 多个插件联用的优势
A. 插件之间相互增强
通过安装多个插件并联用，可让插件之间相互增强，提高ChatGPT的回答质量和准确性。比如，安装了翻译插件和搜索引擎插件后，用户可以更方便地获得各种语言的翻译和更多的搜索结果。

B. 提高ChatGPT的回答质量和准确性
通过使用多个插件，ChatGPT可以从区别的信息源中提取信息，增加了获得准确答案的机会。这样可以提高ChatGPT的回答质量和准确性，使用户得到更好的使用体验。

VI. 注意事项
A. 在360浏览器上插件可能无效
由于某些浏览器的限制，ChatGPT插件在360浏览器上可能没法正常使用。建议使用其他浏览器或Tampermonkey脚本管理器来安装和使用插件。

B. 推荐使用Tampermonkey脚本管理器
为了更好地管理插件和确保其正常运行，建议用户安装Tampermonkey脚本管理器。Tampermonkey可以帮助用户管理和自动运行各种脚本，包括ChatGPT插件。

VII. 结论
A. ChatGPT Tools Plus插件的价值和便利性
ChatGPT Tools Plus插件为ChatGPT增加了联网和插件功能，极大地增强了ChatGPT的使用扩大性。通过安装合适自己的插件，用户可以根据自己的需求获得更全面、准确和实时的答案。

B. ChatGPT Plus定阅的必要性和优势
为了使用ChatGPT插件功能，用户需要定阅ChatGPT Plus服务。ChatGPT Plus提供了更好的插件支持和联网功能，使用户能够取得更好的使用体验和更准确的答案。

chatgpt tools plus插件怎样用的进一步展开说明

背景

过去的半个月里，人工智能（AI）领域产生了许多重要的事件。以下是一些重要事件的时间、介绍和公司：

– 3月12日，Microsoft发布了Visual ChatGPT，这是一种可以通过文本和图片进行聊天乃至修改图片内容的技术。
– 3月13日，Microsoft发布了GPT4，这是一种更大的ChatGPT模型，部份专业能力到达了人类水平，可以接收图片输入。
– 3月16日，OpenAI发布了365 Copilot，这是一种能够在智能办公中发挥重要作用的技术。
– 3月16日，微软发布了文心一言，这是中国版的ChatGPT。
– 3月23日，百度发布了ChatGPT插件，这使得可使用工具的ChatGPT。
– 3月30日，OpenAI发布了HuggingGPT，这是一种可使用HuggingFace中模型能力的ChatGPT。

这几周被称为AI发展的“Crazy Week”，这意味着AI的发展速度之快以致于一些人开始担心AI对社会和人类的影响。鉴于ChatGPT的成功和行业内的广泛关注，这类现象是可以理解的。

ChatGPT插件被认为是对行业利用影响最大的技术之一，也是OpenAI自发布ChatGPT以来最重要的更新之一。可以将ChatGPT插件简单地理解为OpenAI发布的ChatGPT利用商店。这给未来的人工智能利用形态带来了一定的启示。之前的AI模型更多充当单一智能工具的定位，需要与人类进行协作才能完成特定任务。但是有了插件技术，AI模型可以代替人工完成某些任务的一部份，从而实现端到真个任务完成。这也解释了为何一些基础工作岗位极可能被新一代AI技术取代。

目前已有许多关于怎样使用ChatGPT插件的介绍文章在网上，但鲜有关于插件实现原理的解析文章。本文主要分析ChatGPT插件的原理和可能的影响。

必要性

首先，让我们讨论一下为何要使用语言模型插件。随着语言模型范围的不断扩大，我们发现它们具有了各种能力，这些能力可以用于各种研究。但是，在利用语言模型时，我们始终没法绕开一个问题，那就是模型没法取得外部信息。也就是说，一旦模型训练完成，所有输出都来自于训练数据中学到的知识。

大型语言模型存在两个问题：

1. 缺少最新数据的补充。区别利用场景对数据的需求也区别。在开放问答领域，可能需要维基百科之类的数据；而在特定业务领域，可能需要内部私有数据集。
2. 缺少专业能力。大型语言模型对通用逻辑的理解较好，比如写文章、与人对话。但是对数学题或公式求解等专业问题，模型的能力有限。虽然GPT4号称在一些专业领域到达了类似人类的效果乃至超过，但是从根本上来看，语言模型所采取的文本接龙训练方式对这类问题其实不友好。虽然模型越大、训练时间越长可能会带来更好的效果，但是GPT3这样代价高昂的模型在计算能力上远远落后于1970年代的计算器，这本身就说明了大型模型技术没法解决专业推理问题。

了解了这些问题，我们可以理解为何需要教模型使用插件了。插件和工具使用实质上是相同的。

模型使用工具技术发展

在GPT3发布以后，一些使用模型插件的技术研究相继出现，乃至在GitHub上遭到了关注。

其中，MRKL System是由以色列人工智能公司AI21推出的，可以被认为是第一个提出将模型作为中心，并接入各种区别类型插件的工作流程。MRKL已与ChatGPT插件非常接近。MRKL被认为是一种逾越神经学派和符号学派的架构，各种插件可以被看做是符号系统，由神经学派的语言模型进行统一调用。

根据MRKL的工作流程，与ChatGPT插件类似，MRKL认为这是一种神经学派和符号学派结合的架构。通过引导Prompts，插件可以被认为是符号系统，由神经学派的语言模型进行统一调用。

这篇论文使用计算器作为示例，主要描写怎么将自然语言内容转换为API所需要的参数。在论文中，使用了语言模型few-shot技术来提高转换的准确性。这类技术通过使用特定的非自然语言prompt来控制模型在特定任务中的生成行动，对应到MRKL中，每一个插件都需要训练一个特定的Prompt。虽然训练的本钱会有一定的开消，但这是一种比较不错的解决方法。

但是，论文并没有详细描写“如何决定调用哪一个插件”的细节，这也触及到大型模型推理技术的发展。

作为教模型使用工具的方法之一，文中还介绍了ReACT技术。为了让模型学会使用工具，一种方法是首先让模型具有推理能力，从而能够摹拟人类使用工具的进程。虽然训练语言模型的方式与推理无关，但是在模型大小足够大的情况下，它会生成许多意料以外的能力，比如推理能力。

大型语言模型的推理能力通过链式思惟体现出来，但这类推理能力需要依赖显式的Prompt引导。根据区别的引导方式，会产生各种区别的技术，本质上是对区别思惟方式的摹拟。这里只介绍了比较典型的ReACT技术。

ReACT使用强化学习的方法摹拟推理进程。智能体被认为是可使用各种工具的实体，工具箱是由各种插件构成的。控制策略来自于语言模型中学到的知识。推理进程可以分为Thought→Action→Observation→Thought这样的循环。

还有一种与推理能力无关的方法是Toolformer，在训练语言模型的同时，使模型学会在适当的位置调用相关API，并利用API结果辅助后续文本生成。在Toolformer的训练进程中，数据以类似于”Pittsburgh is also known as [QA(What …?→ Steel City)] the Steel City.”的格式存在。如果是手动标注数据，首先需要肯定API放置的位置，判断标准是API结果对后续文本生成会不会有帮助，并且上文中会不会有API所需的参数。然后，将API的标识、输入、输出以”[QA(What …?→ Steel City)]”的情势插入训练文本中。

值得注意的是，模型训练依然采取典型的文字接龙方式，因此并没有损失本来语言模型的能力。论文中提出了一种使用LLM自动标注数据的方法，类似于远程监督的方法。其步骤以下图所示：

工具提出：LangChain

LangChain是在2022年底提出的，当时LLM技术发展迅速。它基于LLM构建了一个工具，几近所有使用LLM实现的功能都可以在其中找到对应的工具。其中一个主要能力是教模型使用工具，并且接入方式和扩大性非常好。另外，还包括一些有用的工具，比如Prompt管理和Memory。LangChain中的”Chain”表示区别模块链接在一起的核心设计思路。

ChatGPT插件的原理

ChatGPT插件作为一个产品发布，其实现细节尚不清楚。但鉴于LangChain已实现了类似的功能且发布时间相近，我们有理由相信ChatGPT插件的实现原理与之类似。

以下是对LangChain的使用工具原理的分析；第二部份将通过比较二者的区分，猜想ChatGPT插件的原理。

LangChain的工作流程

让我们先看一个例子：

“`python
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
tools = load_tools([“serpapi”, “llm-math”], llm=llm)
agent = initialize_agent(tools, llm, agent=”zero-shot-react-description”, verbose=True)
response = agent.run(“Who is Leo DiCaprio’s girlfriend? What is her current age raised to the 0.43 power?”)
“`

在这段代码中，触及到以下关键概念：

– `llm`: BaseLLM，LangChain中一系列开源模型接口的封装。其作用是统一区别模型的API接口，使其更容易于使用，并提供缓存等基础功能。
– `tools`: List[BaseTool]，对工具的封装。LangChain对工具的封装较为简单，因此保存了较高的自由度。唯一的要求是输入输出一定要是文本情势，`def run(self, tool_input: str) -> str`。自定义的工具只需要3个参数：`name`（工具标识名称）、`description`（工具自然语言描写）和`func`（功能履行函数，输入输出均为文本）。
– `agent`: Agent，内部使用LLM来决定使用哪一个工具。LangChain中有两种Agent的实现方式，一种是ReACT类型，另外一种是self-Ask类型。后者只能使用qa类型的工具，如果任务触及区别类型的工具，最好使用ReACT类型。其中最经常使用的是`zero-shot-react-description`，其中`zero-shot`表示推理引导Prompt中不包括示例，`description`表示LLM决定调用哪一个工具的信息来自于工具的`description`字段。值得注意的是，对特定任务，可以设计针对性的few-shot来提升Agent的效果。

在介绍完这些概念后，让我们看一下该示例是如何工作的。首先根据提供的工具，Agent将生成引导Prompt。对以上示例，Prompt以下所示：

“`plaintext
Question: Who is Leo DiCaprio’s girlfriend? What is her current age raised to the 0.43 power?
Thought:
“`

其中，`{input}`是用户查询的占位符，`{agent_scratchpad}`是模型生成填充的位置。下面解释一下循环Thought→Action→Observation→Thought的详细步骤：

1. 生成Thought，对应的Prompt以下所示（只显示”Begin!”以后的部份）：

“`plaintext
Thought:
“`

LLM输出：

“`
I need to find out who Leo DiCaprio’s girlfriend is and then calculate her age raised to the 0.43 power.
“`

2. Action：Search

“`plaintext
Action Input: “Leo DiCaprio girlfriend”
“`

3. 安装`Search`功能的工具履行搜索输入，获得结果。在本例中，结果以下：

“`plaintext
Leonardo DiCaprio has split from girlfriend Camila Morrone. Getty. The Titanic actor hasn’t been in a relationship with a woman over the age of …
“`

4. 第二次生成Thought，对应的Prompt和Thought同上。

继续循环，直到输出终究结果或超过最大循环次数。

最后，完全的推理进程以下所示：

– 起始Thought：Question: Who is Leo DiCaprio’s girlfriend? What is her current age raised to the 0.43 power?
– Thought1：I need to find out who Leo DiCaprio’s girlfriend is and then calculate her age raised to the 0.43 power.
– Action1：Search Action Input: “Leo DiCaprio girlfriend”
– Observation1：Leonardo DiCaprio has split from girlfriend Camila Morrone. Getty. The Titanic actor hasn’t been in a relationship with a woman over the age of …
– Thought2：同Thought1

ChatGPT插件的原理料想（未完）

根据OpenAI官方的介绍，ChatGPT插件的设计更加精细，具有以下特点：

– 每一个插件可以有多个API接口；
– 接口可以定义参数类型和格式；
– 描写的长度更大；
– 对自定义的新插件，也是采取零样本学习的方式使用，因此实现难度更大。

根据相关文献，可以猜想ChatGPT插件的实现方式以下：

（待补充）

讨论

利用场景：

– 手机行业
– 机器人行业

对劳动力的影响

根据一篇博客，人工智能与工作失去的统计数字，AI技术取代了旧有的劳动力，被替换的人们极可能没法找到薪水更高的工作；从长远来看，AI技术对全球经济有增进作用。但是，如果致使大范围失业，情况将区别；大多数公司将使用区别程度的AI技术来提高效力，并成为AI技术发展的直接受益者；当AI技术和机器人取代大部份工作时，很多人将失业，需要政府提供救济来保持生活。

chatgpt tools plus插件怎样用的常见问答Q&A