以下是关于如何使用好大模型的一些指导：
加载所需的库和模块。其中，feedparse用于解析RSS订阅源ollama用于在python程序中跑大模型，使用前请确保ollama服务已经开启并下载好模型|从订阅源获取内容下面函数用于从指定的RSS订阅url提取内容，这里只是给了一个url，如果需要接收多个url，只要稍微改动即可。然后，通过一个专门的文本拆分器将长文本拆分成较小的块，并附带相关的元数据如标题、发布日期和链接。最终，这些文档被合并成一个列表并返回，可用于进一步的数据处理或信息提取任务。|为文档内容生成向量这里，我们使用文本向量模型bge-m3。https://huggingface.co/BAAI/bge-m3bge-m3是智源研究院发布的新一代通用向量模型，它具有以下特点：支持超过100种语言的语义表示及检索任务，多语言、跨语言能力全面领先（M ulti-Lingual）最高支持8192长度的输入文本，高效实现句子、段落、篇章、文档等不同粒度的检索任务（M ulti-Granularity）同时集成了稠密检索、稀疏检索、多向量检索三大能力，一站式支撑不同语义检索场景（M ulti-Functionality）从hf下载好模型之后，假设放置在某个路径/path/to/bge-m3，通过下面函数，利用FAISS创建一个高效的向量存储。|实现RAG
1.支持多种大型语言模型：Ollama支持包括通义千问、Llama 2、Mistral和Gemma等在内的多种大型语言模型，这些模型可用于不同的应用场景。2.易于使用：Ollama旨在使用户能够轻松地在本地环境中启动和运行大模型，适用于macOS、Windows和Linux系统，同时支持cpu和gpu。3.模型库：Ollama提供了一个模型库，用户可以从中下载不同的模型。这些模型有不同的参数和大小，以满足不同的需求和硬件条件。Ollama支持的模型库可以通过https://ollama.com/library进行查找。4.自定义模型：用户可以通过简单的步骤自定义模型，例如修改模型的温度参数来调整创造性和连贯性，或者设置特定的系统消息。5.API和集成：Ollama还提供了REST API，用于运行和管理模型，以及与其他应用程序的集成选项。6.社区贡献：Ollama社区贡献丰富，包括多种集成插件和界面，如Web和桌面应用、Telegram机器人、Obsidian插件等。7.总的来说，Ollama是一个为了方便用户在本地运行和管理大型语言模型而设计的框架，具有良好的可扩展性和多样的使用场景。后面在捏Bot的过程中需要使用Ollama，我们需要先安装，访问以下链接进行下载安装。https://ollama.com/download/安装完之后，确保ollama后台服务已启动（在mac上启动ollama应用程序即可，在linux上可以通过ollama serve启动）。我们可以通过ollama list进行确认，当我们还没下载模型的时候，正常会显示空：可以通过ollama命令下载模型，目前，我下载了4个模型：几个模型简介如下:
作者：小七姐可以在以下地址关注她：[小七姐的prompt学习社群](https://t.zsxq.com/15KhQ0RE7)[heading1]01学习地图|编写清晰的说明-多说两句，提供细节[content]在OpenAI官方的说明文档（Documentation-[GPT best practices](https://platform.openai.com/docs/guides/gpt-best-practices/gpt-best-practices)），也就是我们常常提到的“官方最佳实践”中，为用户提供了若干项策略，以帮助用户更好的使用ChatGPT。[heading2]策略一：编写清晰的说明[content]在询问中包含详细信息，以获得更多相关答复。这是因为，大模型不是我们肚子里的蛔虫，它无法在有限的信息中“猜测”我们的意图，所以，在问问题的时候，不要惜字如金，多说一些内容，多提供一些信息，这样可以很有效的提高大模型回复的质量和丰富性。我们来看一个例子：当我们想要大模型为我们提供一些思维模型时，本能的问法可能是：“给我列几个思维模型”。于是很常见下面这样的对话：当我们愿意给出更多信息，比如我们为什么需要这个模型，希望ChatGPT列举三个模型，以及是否有我们已知的模型作为参考时，ChatGPT可以提供更加符合我们预期的回答：我们再来看一个例子，假设我们想请ChatGPT帮助我们记忆一个比较抽象的概念，我们可能会脱口而出这样的问题：但如果我们停下来思考一下，深想一步，提供更多细节，就能得到更符合期望的回答了：最后，我们想通过ChatGPT来了解提示词，这是一个坏例子：让我们给出特定的情景和进一步思考的问题：