如何系统学习API知识

总结一下：今天我们的讨论起始于人工智能中的“Agent&Action”，然后转向OpenAI对智能体（Agent）能力模型的定义。接着，我们深入探讨了ChatGPT中的Action（搜索、画图、代码解释器），以及GPT系列中的不同Action。使用了一个容易上手的Action Webpilot，用于访问网页获取实时的文本内容。最后，我们初步了解了API的概念，以及GPT如何通过Action与外部数据进行交互和使用。如果对Action很感兴趣，你可以从以下方向开始继续前进：系统的了解和学习API相关的知识去网上寻找可以用的API来练习发掘GPT Action更多的潜力以上是我认为相对容易入门的知识框架，但是我们都知道：你不可能只在一次分享/一篇文章中就获得完整的Action相关知识学习虽然没有终点，但有阶段性目标。大家可以通过后续看到的不同的教程和资料，识别这些知识之间的共性和逻辑关系，然后继续深化对这个主题的理解，构建你自己的知识体系。如果你对GPT开发有兴趣，想要认识更多玩GPT的朋友，欢迎加入GPTGeeker的星球：

在这个例子中，我们将电影的名称转换成表情符号。这展示了API适应捕捉模式和与其他字符一起工作的能力。[heading2]总结[content]该API能够理解文本的上下文并以不同方式重新表述它。在这个例子中，我们从一个更长、更复杂的文本段落中创建一个孩子可以理解的解释。这说明了该API对语言有深刻的理解。[heading2]完成[content]虽然所有提示都会导致完成，但在您希望API接替您工作时，请考虑将文本补全（Text completion）视为其自身任务。例如，如果给定此提示，则API将继续关于垂直农业方面思路训练。您可以降低温度设置以使API更专注于提示意图或增加温度设置以使其偏离主题。以下提示显示如何使用完整性帮助编写React组件。我们向API发送一些代码，并且由于它具有React库的理解而能够继续执行剩余部分。我们建议使用我们Codex模型处理涉及理解或生成代码等任务。欲了解详情，请访问我们的代码指南。事实回答该API具有从数据学习到很多知识点，并提供听起来非常真实但实际上是虚构答案的能力。限制API制造答案可能性有两种方法:1.为API提供基础事实信息,如果你提供给API要回答问题(如Wikipedia条目)的正文内容,它就不那么容易胡说八道.2.使用较低概率并告诉API如何说“我不知道”。如果API理解在某些情况下对响应不确定性较小时说“我不知道”或某种变化合适，则会倾向于少制造答案.在这个例子里面,我们给出了API已经掌握问题和答案样例,并举出无法得知问题样例并添加问号.我们还把概率设定为零,这样只要存在任何疑问,API就更可能用"?"回复。

这是第一个结果的数据，对应了搜索结果页的内容，你会发现展现的内容远比数据维度要少——这是因为有些数据虽然不展现，但为了支持筛选所保留的。注意看，这里出现了‘backdrop_path’，记得原先Prompt是怎么写的吗：取出backdrop_path这个数据作为主视觉图——所以这里是一个图片地址()，但它是不完整的，只有后半部分。就像是一个分成两块的藏宝图，两部分拼起来才是完整的图片地址。TMDb的官方API文档（https://developer.themoviedb.org/docs/image-basics）里就写了如何构造完整的图片URL：但是因为我们的Baby GPT已经是一个成熟的GPT了。实际上，它已经有TMDb的训练数据了（相当于裤兜里已经有半拉地图了）——所以即使你不说，它也会自己完成构建完整的图片地址。对于一些它不熟悉的API，还是需要在Prompt里告诉他要怎样使用。比如剩下的数据也可以用类似的方式让ChatGPT来处理，比如让他列出：上映时间'release_date'、评分'vote_average'、评分人数'vote_count'：它就能很+我们最后提炼一下Action的工作流：首先，想一下你想要做一个什么样的GPT，以及是否需要外部数据——这两个谁先谁后不重要；然后，去你需要的外部数据寻找API文档，或者基于你的需求，自己开发一个API，寻找市面上可以直接用的Action；最后，基于API文档，编写Action里的Schema，和Prompt（如何处理取回来的信息）写在最后