聊天机器人

我们是如何从聊天机器人发展到AI智能体的？

语言模型和生成式AI的出现对聊天机器人生态系统产生了深远的影响。现有的公司不得不思考如何适应并将这些新技术融入其中。

而其他公司则把它看作是进入聊天机器人和对话式AI领域的一个新机会。

颠覆

AI智能体架构的颠覆深刻改变了行业格局，以至于聊天机器人和对话式AI平台提供商必须重新思考并重新设计他们的产品，以提供真正的智能体实现。

许多框架被重新命名为AI智能体，尽管它们可能在表面上缺乏真正的智能体功能。

真正的挑战在于创建一个框架，能够真正支持AI智能体的开发、部署、管理和扩展，并以完全智能体的方式运行。

高德纳（Gartner）

这场颠覆的影响如此深远，以至于高德纳（Gartner）已经停用了或不再更新企业对话AI平台的魔力象限（Magic Quadrant）；其中，Kore.ai 是领导者。

如果我要猜测的话，企业对话AI平台的魔力象限将会被AI智能体的魔力象限所取代。

ChatGPT等人工智能聊天机器人和其他由大型语言模型驱动的应用程序已经得到了广泛的应用，但它们的可靠性却臭名昭著。一个常见的假设是，扩大驱动这些应用程序的模型将提高其可靠性，例如，通过增加它们训练的数据量或用于处理信息的参数数量。然而，根据一项新的研究，这些语言模型的更新和更大版本实际上变得更加不可靠，而不是更少。

大型语言模型（LLM）本质上是智能手机用来预测一个人正在键入的单词其余部分的自动补全功能的超级版本。ChatGPT，也许是最著名的LLM驱动的聊天机器人，已经通过了法学院和商学院的考试，成功回答了软件编码工作的面试问题，撰写了房地产清单，并开发了广告内容。

但法学硕士经常犯错误。例如，6月份的一项研究发现，ChatGPT在生成函数式代码方面取得了极其广泛的成功，成功率从微不足道的0.66%到89%不等，具体取决于任务的难度、编程语言和其他因素。

研究团队已经探索了一系列策略，使LLM更可靠。这些包括增加模型的训练数据量或计算能力，以及使用人类反馈来微调模型并提高其输出。随着时间的推移，LLM的性能总体上有所提高。例如，早期的LLM在简单的加法（如“20+183”）上失败了。现在LLM成功地执行了涉及50位以上数字的加法。

GitHub Copilot

For coding autocomplete

Model: OpenAI Codex

Character.AI

For fun

Model: C1.2

ZenoChat

For content writing

Model: Sophos 2, OpenAI's GPT-4

KoalaChat

For searching the web and generating content

Model: OpenAI GPT-3.5 Turbo

Grok

Tuned for straight answers (safety off)

Model: Grok-1

埃隆·马斯克已经在太空竞赛中了，为什么不加入人工智能竞赛呢？经过四个月闪电般的开发速度，从零到准备就绪，与领先的模型相比，Grok可以带来有希望的结果。但除了技术方面的东西，它真正吸引人的是细节。

让我首先说，我还没能测试它。我不太喜欢推特（或Xer），所以我不能订阅X Premium+计划，因为我已经很长时间没有活动了。你将要阅读的是我在网上消费的新闻和观点文章的综述。我强烈鼓励你也投身其中；非常有趣。

Grok应该尽可能直白地说出真相。撇开哲学问题不谈，这意味着人工智能不会像GPT或Claude那样受到同样的安全措施的阻碍。它不会回避回答你脑海中的任何问题。这是双向的，所以很难在这里做出判断。

Llama 2

Open license AI model

Model: Meta's Llama 2

为您的下一次AI聊天机器人冒险寻找一个ChatGPT替代方案。

ChatGPT是第一个广泛使用的人工智能聊天机器人，但现在竞争越来越激烈。其他模型也加入了这一场景，提供了更长的对话记忆、移情反应和基于自己的数据——以及许多其他可能性。

请允许我为您保存十几次谷歌搜索（或ChatGPT提示）。我花时间与一些最好的人工智能聊天机器人交谈，看看它们的效果如何。你会在这里找到很多东西，包括帮助你创建内容的ChatGPT替代品、可以搜索网络的人工智能聊天机器人，以及一些有趣的选择。如果你在这里找不到你想要的东西，你甚至会看到如何构建自己的人工智能聊天机器人。

从我写这篇文章到你读这篇文章，市场上可能会有更多的人工智能聊天机器人，但就目前而言，这里是最有趣的。

最好的人工智能聊天机器人

• The original: ChatGPT

上下文

LLM操作平台，如LangChain，可以很容易地将LLM组件（例如，模型、文档检索器、数据加载器）组装到链中。问答是这些链中最受欢迎的应用之一。但是，确定哪些参数（例如，块大小）或组件（例如，模型选择、VectorDB）产生最佳QA性能通常并不总是显而易见的。

在这里，我们介绍了一种用于评估QA链的简单工具（请参阅此处的代码），称为自动评估器