如何构建 Supabase 的 OpenAI 文档搜索（嵌入）
ClippyGPT是Supabase下一代文档搜索工具，你可以向Clippy询问任何有关Supabase的问题，它将使用自然语言进行回答。这一切都得益于OpenAI和提示工程。
视频覆盖以下内容：
- Prompt工程和最佳实践
- 通过上下文注入 + OpenAI嵌入来处理自定义知识库
- 如何使用pgvector在Postgres中存储嵌入
Supabase博客 | YouTube | #工具
ClippyGPT是Supabase下一代文档搜索工具，你可以向Clippy询问任何有关Supabase的问题，它将使用自然语言进行回答。这一切都得益于OpenAI和提示工程。
视频覆盖以下内容：
- Prompt工程和最佳实践
- 通过上下文注入 + OpenAI嵌入来处理自定义知识库
- 如何使用pgvector在Postgres中存储嵌入
Supabase博客 | YouTube | #工具
Bard-API：通过逆向Google Bard封装的非官方API，通过API返回Google Bard的响应
Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》，介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。
大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。
大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。
使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。
此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。
在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。
大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。
大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。
使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。
此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。
在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。
我们会用这些您和陈皓生前的精彩片段记录成精美的手册，转交到陈皓的小孩手中， 我们希望让陈皓的小孩知道他有一个出色的且令人尊敬的父亲， 希望他也能成为一位像他父亲那样的人。
每个PR 中需要包含一个唯一的目录名，目录名建议就以PR提供者的GithubID 命名， 在目录下需要一个名为 Memory.MD 的Markdown文件或一些图片， 如果有图片，请做好相对路径的图片引用链接。
PR一旦被接受，我们会更新ReadME中的Index 以方便快速索引到您和陈皓的故事。”
Remembering-Haoel
