Programmatically add website content to OpenAI with C#

news2024/11/24 9:40:33

题意:使用 C# 以编程方式将网站内容添加到 OpenAI。

问题背景:

Our goal is to have a ChatGPT answer questions about our website's content.

我们的目标是让 ChatGPT 回答关于我们网站内容的问题。

We are trying to integrate something similar to a tutorial by Open AI: 

我们正在尝试集成类似于 OpenAI 提供的教程的东西

How to build an AI that can answer questions about your website. I've been converting the code from Python to C# and all has been pretty successful so far. In detail we are storing the files in Azure Storage blobs.

如何构建一个可以回答关于你的网站问题的 AI。我已经将代码从 Python 转换为 C#,到目前为止一切都非常成功。详细来说,我们将文件存储在 Azure Storage blobs 中。

As I've gotten to the end of this, I noticed that for every question the embeddings are being sent as the context (pardon if that's not correctly worded). Our website has 5000+ pages with lots of content so I feel like this is not correct to what we want.

在完成这个过程后,我注意到每个问题的上下文都被发送了嵌入(如果表述不准确请见谅)。我们的网站有超过 5000 页的内容,所以我觉得这样做可能不符合我们的需求。

Is there a way in C# to give (or maybe it's called 'train') our model this data once so that questions do not need to continuously provide it for every question? We are using OpenAI and not Azure OpenAI but all the samples I find concerning using my own data are using Azure OpenAI and Azure Cognitive Search, and even then it seems like they are feeding the data for each question.

在 C# 中是否有办法一次性给我们的模型提供这些数据(或许称之为“训练”),这样提问时就不需要每次都提供这些数据?我们使用的是 OpenAI 而不是 Azure OpenAI,但我找到的所有关于使用自己数据的示例都是关于 Azure OpenAI 和 Azure Cognitive Search 的,即便如此,它们似乎还是在每个问题中都提供数据

import Azure.AI.OpenAI

var apiKey = "<my api key>";
var client = new OpenAIClient(apiKey);
var prompt = "<question about website>";

var options = new ChatCompletionOptions {
    Messages = {
        new ChatMessage(ChatRole.User, prompt),
    },
    /*
    Not currently working for some reason, further inspection needed;
    - Is it because we need Azure OpenAI instead?;
    Receiving the following error:
        
        - Azure.RequestFailedException: Invalid URL (POST /v1/extensions/chat/completions)
        - Status: 404 (Not Found)


    AzureExtensionsOptions = new AzureChatExtensionsOptions {
        Extensions = {
            new Azure CognitiveSearchExtensionConfiguration {
                SearchEndpoint = new Uri("<my search url>"),
                IndexName = "<my index name>",
                SearchKey = new AzureKeyCredential("<my search key>"),
            }
        }
    }*/
};

var response = await GetChatCompletionsAsync("gpt-3.5-turbo", options);

foreach (var choice in response.Value.Choices) {
    Console.WriteLine(choice.Message.Content);
}

问题解决:

We finally applied for and started using Azure Open AI and Azure Cognitive Search. The results are huge! Results are now in 2-3 seconds.

我们终于申请并开始使用 Azure OpenAI 和 Azure Cognitive Search。结果非常显著!现在结果只需 2-3 秒

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2061818.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

设计模式笔记01(java版)

文章目录 设计模式概述学习设计模式的必要性设计模式分类创建型模式结构型模式行为型模式 UML类图概述类图的作用类图表示法类的表示方式类与类之间关系的表示方式1&#xff0c;单向关联2&#xff0c;双向关联3&#xff0c;自关联聚合关系组合关系依赖关系继承关系实现关系 软件…

【hot100篇-python刷题记录】【买卖股票的最佳时机】

摆烂几天,又来了。 R5-贪心篇(不像) 贪心的常规思路是找到贪心切入点,例如最经典的算法是安排最多活动问题,需要以结束时间排序,然后遍历不冲突,计算最大数即可(每次都选择最早结束的活动)。 贪心算法的使用需要满足贪心特征。即局部最优解等于全局最优解。 对于本…

Docker 修改容器端口映射(以 Portainer 为例)

文章目录 背景解决第1步:找到容器id第2步:查找docker根目录第3步:停止docker服务第4步:修改容器的hostconfig.json配置文件第5步:启动docker服务第6步:验证参考背景 项目中有个服务也使用了9000端口,而Portainer的默认端口也是9000。结果可想而知,端口冲突,肯定有一个…

stable diffusion inpainting(img2img+inpaint/inpaint-model)

https://zhuanlan.zhihu.com/p/681250295https://zhuanlan.zhihu.com/p/681250295AIGC专栏4——Stable Diffusion原理解析-inpaint修复图片为例_diffusion inpaint-CSDN博客文章浏览阅读1.7w次,点赞42次,收藏79次。Inpaint是Stable Diffusion中的常用方法,一起简单学习一下。…

CAS-ViT实战:使用CAS-ViT实现图像分类任务(二)

文章目录 训练部分导入项目使用的库设置随机因子设置全局参数图像预处理与增强读取数据设置Loss设置模型设置优化器和学习率调整策略设置混合精度&#xff0c;DP多卡&#xff0c;EMA定义训练和验证函数训练函数验证函数调用训练和验证方法 运行以及结果查看测试完整的代码 在上…

springer 投稿系统中返修注意点

初次提交 初次提交时&#xff0c; manuscript 提交的是 pdf 文件 返修后提交 在经过返修之后需要提交的是注意一下几点&#xff1a; 此时提交的Blined manuscript &#xff0c;虽然名字没变&#xff0c;但不能再提交pdf 文件&#xff0c; 而需要提交的是可编辑的源文件 .te…

Sketch-gen模型部署教程

一、介绍 SketchGen: 一种图像转草图工具&#xff0c;主要用于制作合成数据集或生成参考图。它能够帮助研究人员和开发者快速地从真实图像中提取出线稿轮廓&#xff0c;这对于计算机视觉任务如物体识别、场景理解等非常有用。通过使用这种工具&#xff0c;可以更方便地创建训练…

【科技赋能教育】电路仿真软件:解锁电路教学新篇章,让知识触手可及!

教育领域正经历着一场前所未有的变革。电路学&#xff0c;作为理工科学生必修的一门基础课程&#xff0c;其抽象性、复杂性和实验条件的高要求&#xff0c;曾让无数学生望而却步。然而&#xff0c;随着电路仿真软件的出现&#xff0c;这一切正悄然发生着变化&#xff0c;它不仅…

Java面试-基础

1. 面向对象 什么是面向对象 什么是面向对象&#xff1f; 对比面向过程&#xff0c;是两种不同的处理问题的角度 面向过程更注重事情的每一个步骤及顺序&#xff0c;面向对象更注重事情有哪些参与者 &#xff08;对象&#xff09;、及各自需要做什么 封装、继承、多态 2. …

yum 安装 MySQL 8.0【2024最新教程】

文章目录 第 1 步:添加 MySQL Yum Repository第 2 步:【可选】选择 MySQL 版本第 3 步:安装 MySQL Community Server第 4 步:启动 MySQL第 5 步:修改 root 密码第 6 步:【可选】修改配置文件默认配置修改数据目录和日志文件添加更多配置第 7 步:【可选】修改 root 可外部…

【应急响应】-linux日志被删除?

❤️博客主页&#xff1a; iknow181 &#x1f525;系列专栏&#xff1a; 网络安全、 Python、JavaSE、JavaWeb、CCNP &#x1f389;欢迎大家点赞&#x1f44d;收藏⭐评论✍ 在 Linux 应急响应中&#xff0c;攻击者清理日志的行为给追踪和分析带来了巨大挑战。本文将介绍在日志被…

【STM32项目】在FreeRtos背景下的实战项目的实现过程(三)

个人主页~ 实战项目的实现过程&#xff08;一&#xff09;~ 实战项目的实现过程&#xff08;二&#xff09;~ 实战项目的实现过程 五、读例程1、初始化函数2、while函数3、头文件4、源文件 六、移植程序 五、读例程 将一些特定的模块调试好&#xff0c;就是那些使用别的软件…

在Windows Server上安装typecho博客程序(基于IIS)

Typecho Typecho是由type和echo两个词合成的&#xff0c;来自于开发团队的头脑风暴。Typecho基于PHP5开发&#xff0c;支持多种数据库&#xff0c;是一款内核强健﹑扩展方便﹑体验友好﹑运行流畅的轻量级开源博客程序。 网上大多在Windows下安装Typecho的教程都是基于Apache服…

铁电随机存取存储器(FeRAM):前景黯淡,难以突破

铁电随机存取存储器&#xff08;FeRAM&#xff09;是一种快速、非易失性存储器&#xff0c;但它面临着与Optane相似的困境——目前的发展停滞不前。 ### 快速非易失性存储器技术 存在多种快速、非易失性存储器技术&#xff0c;理论上可以填补NAND和NOR与DRAM之间的存储层级空…

ArgoCD 启用Web终端,实现命令行进容器【详细步骤】

文章目录 Terminal 简介启用 Terminal第 1 步:启用 UI第 2 步:设置 Role 或 ClusterRole第 3 步:授权 API扩展知识 - ArgoCD RBACArgoCD 内置用户内置角色匿名/已认证用户 PolicyRBAC 模型结构应用相关 Policy项目级别配置页面配置ArgoCD CLI 配置扩展argocd-cm 示例argocd-…

Vue循环遍历:v-for 指令

1、v-for 指令 在程序设计中&#xff0c;循环控制是变化最丰富的技术。Vue.js 提供了列表渲染的功能&#xff0c;可将数组或对象中的数据循环渲染到 DOM 中。在 Vue.js 中&#xff0c;列表渲染使用的是 v-for 指令&#xff0c;其效果类似于 JavaScript 中的遍历。语法格式如下…

回归预测|基于Transformer-LSTM组合模型的数据回归预测Matlab程序 多特征输入单输出

**回归预测|基于Transformer-LSTM组合模型的数据回归预测Matlab程序 多特征输入单输出 ** 文章目录 前言回归预测|基于Transformer-LSTM组合模型的数据回归预测Matlab程序 多特征输入单输出 Transformer-LSTM 一、Transformer-LSTM模型Transformer-LSTM模型的原理1. Transforme…

Leetcode每日刷题之1658.将x减到0的最小操作数(C++)

1.题目解析 本题的要求是给出一个正整数数组与一个x&#xff0c;要求只从数组两端取数据后x减去取出的数据&#xff0c;求出将x减为0的最小操作数&#xff0c;即找出数组两端的数字保证其和为x并且要求取出的数字个数最少&#xff0c;如果没有符合要求的数字则返回-1 题目来源&…

C语言 | Leetcode C语言题解之第357题统计各位数字都不同的数字个数

题目&#xff1a; 题解&#xff1a; int countNumbersWithUniqueDigits(int n) {if (n 0) {return 1;}if (n 1) {return 10;}int ans 10, cur 9;for (int i 0; i < n - 1; i) {cur * 9 - i;ans cur;}return ans; }

腾讯无界微前端框架介绍

一、无界微前端框架概述 无界微前端框架是由腾讯团队推出的&#xff0c;旨在解决现有微前端方案中存在的问题&#xff0c;如适配成本高、样式隔离困难、运行性能不佳、页面白屏、子应用通信复杂、子应用保活机制缺乏等。 技术实现 无界微前端的核心技术是基于Web Component…