basic | 如何使用大型语言模型 | how to work with large language models | - |
basic | 文本比较示例 | text comparison examples | - |
basic | 如何撰写优质文档 | what makes documentation good | - |
basic | 网络上的相关资源 | related resources | - |
basic | 内容导航 | index | - |
basic | 内容导航 | test | - |
basic | 提高可靠性的技巧 | techniques to improve reliability | - |
basic | 长文档内容提取 | Entity extraction for long documents | |
basic | 在2D中可视化嵌入向量 | Visualizing embeddings in 2D | |
basic | 如何格式化输入到ChatGPT模型 | How to format inputs to ChatGPT models | |
basic | 用户和产品嵌入 | User and product embeddings | |
basic | 使用客户服务所需的工具 | Using tool required for customer service | |
basic | 使用嵌入 | Using embeddings | |
basic | 使用嵌入进行分类 | Classification using embeddings | |
basic | 从数据集中获取嵌入向量 | Get embeddings from dataset | |
basic | 解析PDF文档用于RAG应用 | Parse PDF docs for RAG | |
basic | 在Python中使用OpenAI进行K-means聚类 | Clustering | |
basic | 在3D中可视化嵌入向量 | Visualizing embeddings in 3D | |
basic | 使用函数调用进行微调 | Fine tuning for function calling | |
basic | 使用多步提示编写单元测试 | Unit test writing using a multi-step prompt | |
basic | 使用嵌入进行回归 | Regression using embeddings | |
basic | 使用图数据库进行检索增强生成 | RAG with graph db | |
basic | 如何在知识库中使用函数 | How to call functions for knowledge retrieval | |
basic | 总结长文档 | Summarizing long documents | |
basic | 自定义嵌入 | Customizing embeddings | |
basic | 交易分类的聚类 | Clustering for transaction classification | |
basic | 使用Batch API进行批处理 | batch processing | |
basic | 如何使用LangChain构建一个使用工具的代理 | How to build a tool-using agent with Langchain | |
basic | 合成数据生成(第一部分) | SDG1 | |
basic | 使用OpenAPI规范调用函数 | Function calling with an OpenAPI spec | |
basic | 使用基于嵌入的搜索进行问答 | Question answering using embeddings | |
basic | 命名实体识别(NER)以丰富文本 | Named Entity Recognition to enrich text | |
basic | 如何通过新的seed参数使您的完成输出具有可重现性 | Reproducible outputs with the seed parameter | |
basic | 如何对聊天模型进行微调 | How to finetune chat models | |
basic | 使用嵌入进行零样本分类 | Zero-shot classification with embeddings | |
basic | 如何流式传输完成内容 | How to stream completions | |
basic | 嵌入的文本超过模型的最大上下文长度 | Embedding long inputs | |
basic | 使用GPT-4o的视觉能力和TTS API处理和叙述视频 | GPT with vision for video understanding | |
basic | 使用助手API(GPT-4)和DALL·E-3创建幻灯片 | Creating slides with Assistants API and DALL-E3 | |
basic | 如何处理速率限制 | How to handle rate limits | |
basic | 使用嵌入和最近邻搜索进行推荐 | Recommendation using embeddings | |
basic | 如何使用防护栏 | How to use guardrails | |
basic | 使用GPT-4V为图像添加标签和标题 | Tag caption images with GPT4V | |
basic | 嵌入维基百科文章以进行搜索 | Embedding Wikipedia articles for search | |
basic | 如何将GPT-4o与RAG结合起来 - 创建一个服装搭配App | How to combine GPT4o with RAG Outfit Assistant | |
basic | 在ELT工作流中使用GPT-4o作为OCR替代方案的数据提取和转换 | Data extraction transformation | |
basic | 提升Whisper转录质量:预处理和后处理技术 | Whisper processing guide | |
basic | 调用附近地点的功能:利用Google Places API和客户个人资料 | Function calling finding nearby places | |
basic | 使用搜索API和重新排名进行问答 | Question answering using a search API | |
basic | 助手 API 概述(Python SDK) | Assistants API overview python | |
basic | 使用CLIP嵌入和GPT-4 Vision的多模态RAG | custom image embedding search | |
basic | 使用logprobs进行分类和问答评估 | Using logprobs | |
basic | 如何使用tiktoken计算标记数 | How to count tokens with tiktoken | |
basic | 使用交叉编码器进行搜索结果重新排序 | Search reranking with cross-encoders | |
basic | 交易的多类别分类 | Multiclass classification for transactions | |
basic | 使用嵌入进行代码搜索 | Code search using embeddings | |
basic | 微调分类示例 | Fine-tuned classification | |
basic | 使用多步提示编写单元测试(使用旧API) | Unit test writing using a multi-step prompt with older completions API | |
basic | 如何使用 Node.js SDK 构建一个代理 | How to build an agent with the node sdk | |
basic | 如何使用审查 API | How to use moderation | |
basic | 处理转录拼写错误:提示 vs 后处理 | Whisper correct misspelling | |
basic | 使用嵌入进行语义文本搜索 | Semantic text search using embeddings | |
basic | 开发幻觉防护栏 | Developing hallucination guardrails | |
basic | 如何使用聊天模型调用函数 | How to call functions with chat models | |
basic | Whisper提示指南 | Whisper prompting guide | |
basic | 为聊天模型微调准备和分析数据 | Chat finetuning data prep | |
vector_databases | 向量数据库 | README | - |
vector_databases | Kusto 作为向量数据库 | README | - |
vector_databases | 使用Hologres作为OpenAI嵌入向量数据库 | Getting started with Hologres and OpenAI | |
vector_databases | 使用Chroma和OpenAI进行强大的问答 | hyde-with-chroma-and-openai | |
vector_databases | 使用Chroma进行嵌入搜索 | Using Chroma for embeddings search | |
vector_databases | 使用Redis进行嵌入式搜索 | Using Redis for embeddings search | |
vector_databases | 使用Redis作为OpenAI的向量数据库 | getting-started-with-redis-and-openai | |
vector_databases | Redis | README | - |
vector_databases | 使用Redis和OpenAI运行混合VSS查询 | redis-hybrid-query-examples | |
vector_databases | 使用Redis作为OpenAI Chat的上下文存储 | redisqna | |
vector_databases | 使用OpenAI将Redis向量存储为JSON | redisjson | |
vector_databases | 使用Typesense进行嵌入式搜索 | Using Typesense for embeddings search | |
vector_databases | Typesense | README | - |
vector_databases | 将Azure AI Search用作OpenAI嵌入向量数据库 | Getting started with azure ai search and openai | |
vector_databases | 使用PolarDB-PG作为OpenAI嵌入向量数据库 | Getting started with PolarDB and OpenAI | |
vector_databases | MongoDB Atlas 向量搜索 | README | - |
vector_databases | Supabase 向量数据库 | README | - |
vector_databases | 使用 Supabase Vector 进行语义搜索 | semantic-search | |
vector_databases | Pinecone 向量数据库 | README | - |
vector_databases | 使用Pinecone进行检索增强生成问答 | Gen QA | |
vector_databases | 使用Pinecone进行嵌入式搜索 | Using Pinecone for embeddings search | |
vector_databases | 使用Pinecone对GPT-4进行检索增强 | GPT4 Retrieval Augmentation | |
vector_databases | 使用Pinecone和OpenAI进行语义搜索 | Semantic Search | |
vector_databases | 使用Neon Postgres进行向量相似性搜索 | neon-postgres-vector-search-pgvector | |
vector_databases | 什么是 Neon? | README | - |
vector_databases | 使用Langchain、Qdrant和OpenAI进行问答 | QA with Langchain Qdrant and OpenAI | |
vector_databases | 使用Qdrant作为OpenAI嵌入向量数据库 | Getting started with Qdrant and OpenAI | |
vector_databases | 使用Qdrant进行嵌入式搜索 | Using Qdrant for embeddings search | |
vector_databases | 使用向量嵌入的哲学,通过CQL访问OpenAI和Cassandra / Astra DB | Philosophical Quotes cassIO | |
vector_databases | 使用向量嵌入的哲学,OpenAI 和 Cassandra / Astra DB | Philosophical Quotes CQL | |
vector_databases | 使用 Astra DB 和 Cassandra 的 RAG | README | - |
vector_databases | 使用向量嵌入的哲学,OpenAI 和 Astra DB | Philosophical Quotes AstraPy | |
vector_databases | 使用MyScale作为OpenAI嵌入向量数据库 | Getting started with MyScale and OpenAI | |
vector_databases | 使用MyScale进行嵌入式搜索 | Using MyScale for embeddings search | |
vector_databases | 使用Zilliz和OpenAI入门 | Getting started with Zilliz and OpenAI | |
vector_databases | 使用 Zilliz 和 OpenAI 进行筛选搜索 | Filtered search with Zilliz and OpenAI | |
vector_databases | 使用Weaviate与OpenAI向量化模块进行嵌入搜索 | getting-started-with-weaviate-and-openai | |
vector_databases | 使用Weaviate与生成式OpenAI模块进行生成式搜索 | generative-search-with-weaviate-and-openai | |
vector_databases | 使用Weaviate与OpenAI向量化模块进行混合搜索 | hybrid-search-with-weaviate-and-openai | |
vector_databases | 使用Weaviate进行嵌入搜索 | Using Weaviate for embeddings search | |
vector_databases | 在Weaviate中使用OpenAI Q&A模块进行问答 | question-answering-with-weaviate-and-openai | |
vector_databases | Weaviate OpenAI | README | - |
vector_databases | 使用LangChain、Deep Lake和OpenAI进行问答 | deeplake langchain qa | |
vector_databases | 使用Langchain、Tair和OpenAI进行问答 | QA with Langchain Tair and OpenAI | |
vector_databases | 使用Tair作为OpenAI嵌入向量数据库 | Getting started with Tair and OpenAI | |
vector_databases | 使用Elasticsearch和OpenAI进行检索增强生成 | elasticsearch-retrieval-augmented-generation | |
vector_databases | 使用Elasticsearch和OpenAI进行语义搜索 | elasticsearch-semantic-search | |
vector_databases | Elasticsearch | README | - |
vector_databases | 使用Milvus和OpenAI入门 | Getting started with Milvus and OpenAI | |
vector_databases | 使用Milvus和OpenAI进行过滤搜索 | Filtered search with Milvus and OpenAI | |
vector_databases | 使用Langchain、AnalyticDB和OpenAI进行问答 | QA with Langchain AnalyticDB and OpenAI | |
vector_databases | 将AnalyticDB用作OpenAI嵌入向量数据库 | Getting started with AnalyticDB and OpenAI | |
vector_databases | 简介 | OpenAI wikipedia semantic search | |
azure | Azure嵌入示例 | embeddings | |
azure | Azure函数示例 | functions | |
azure | Azure聊天完成示例 | chat | |
azure | Azure音频低语(预览)示例 | whisper | |
azure | Azure聊天完成模型与您自己的数据(预览) | chat with your own data | |
azure | Azure DALL·E 图像生成示例 | DALL-E | |
azure | Azure嵌入示例 | embeddings | |
azure | Azure函数示例 | functions | |
azure | Azure完成示例 | completions | |
azure | Azure聊天完成示例(预览) | chat | |
azure | Azure音频耳语(预览)示例 | whisper | |
azure | 使用自己的数据在Azure聊天完成模型中(预览版) | chat with your own data | |
book_translation | 将用LaTeX编写的斯洛文尼亚语书籍翻译成英语 | translate latex book | |
fine-tuned_qa | 使用Qdrant和Few-Shot Learning对OpenAI模型进行检索增强生成(RAG)的微调 | ft retrieval augmented generation qdrant | |
fine-tuned_qa | 收集关于2020年奥运会的维基百科数据 | olympics-1-collect-data | |
fine-tuned_qa | 创建一个合成的问答数据集 | olympics-2-create-qa | |
fine-tuned_qa | 训练一个专门用于问答的微调模型 | olympics-3-train-qa | |
gpt4o | GPT-4o简介 | introduction to gpt4o | |
multimodal | 如何使用带有函数调用的GPT-4 Vision | Using GPT4 Vision With Function Calling | |
third_party | 在W&B中可视化嵌入 | Visualizing embeddings in wandb | |
third_party | 使用Weights & Biases对ChatGPT-3.5和GPT-4进行微调 | GPT finetuning with wandb | |
third_party | 使用W&B Weave监控OpenAI API | Openai monitoring with wandb weave | |
third_party | 在Atlas中可视化Open AI嵌入 | Visualizing embeddings with Atlas | |
third_party | 如何使用函数自动化任务(S3 存储桶示例) | How to automate S3 storage with functions | |
third_party | 在Kangas中可视化嵌入 | Visualizing embeddings in Kangas | |
third_party | 使用LlamaIndex进行财务文档分析 | financial document analysis with llamaindex | |
dalle | 如何使用DALL·E API | Image generations edits and variations with DALL-E | |
dalle | 如何使用DALL·E和Segment Anything创建动态遮罩 | How to create dynamic masks with DALL-E and Segment Anything | |
evaluation | 使用LlamaIndex评估RAG | Evaluate RAG with LlamaIndex | |
evaluation | 如何评估摘要任务 | How to eval abstractive summarization | |
evaluation | 开始使用OpenAI Evals | Getting Started with OpenAI Evals | |
chatgpt | 使用 Azure Functions 结合 OAuth 和 Microsoft Graph API 从 ChatGPT 搜索 O365 / SharePoint | Using Azure Functions and Microsoft Graph to Query SharePoint | - |
chatgpt | GPT 动作库:BigQuery | gpt action bigquery | |