解决一个新问题的过程

记录自己是如何解决一个新问题的，看看这些过程中到底做出了哪些思考与决策，这些决策中哪些是高效的，哪些是低效的，总结可以复用的方法。

问题

建立一个基于人工智能的对话系统，通过将一套产品的操作手册等材料投喂给系统，使它能够解答用户在使用产品时遇到的问题，类似ChatGPT那样可以用自然语言进行问题的描述和答复。

背景

1. 我使用过ChatGPT，对生成式对话的提问访问和回答的格式有基本的了解；
2. 我使用过一个叫 PDF Pals 的软件，它可以扫描一个 PDF 文件，然后根据文件中的内容来回答用户的提问，同时给出他回答的依据是文档中的哪部分；
3. 使用第三方服务需要将资料上传，虽有服务商各种承诺，但是数据在本地是最符合安全要求的；

猜想

1. 是否可以在本地（普通的电脑或服务器，非集群，没有强大的算力和存储空间）部署一套小型的GPT程序，达成基础的问答功能，要满足基本的问答逻辑，但不需要太丰富的知识库，无关领域的知识可以不懂。
2. 是否可以输入自己的知识库对模型进行训练，使其掌握新的知识，并且在解答问题时以此知识库为优先

验证

以前遇到没有遇到过的问题，最好是先问问有经验的人，其次就是上网搜索。现在有了ChatGPT，差不多就综合了上面两个方法的优点。它像搜索引擎一样随时等着你提问，但又不像搜索引擎那么死板，只会根据关键字来查找方案，而是能够理解你的问题，并做出答复，而且思考上有一定的发散性，不容易被提问者的提问方式困住。ChatGPT的缺点是有时候会一本正经的胡说八道，针对技术性问题，网上已经有大量的资料，GPT有丰富的知识库基础，回答质量还是比较好的，但是仍然需要用户自己做出判断，这是不如人类专家的地方。

那么就免去客套，直入主题，把上面两个猜想丢给它，让他给出答案。

看上去是可行的，再问问它该怎么做

回答的太宽泛了，我需要的是对训练模型的“安装向导”

有点接近了，并且给出了一个具体的工具，结合上面的回答，已经两次提到了 Hugging Face 的 Transformers，是个可以入手的点。

用搜索引擎找到 transformers 的官网和 github 页面。

看过官网简介和Github的Readme之后，首先可以确认 ChatGPT 不是胡说八道🤭，huggingface 大致可以理解成这是一个汇聚各类模型的仓库，类似 docker 的 hub 或者 Node.js 的 npm 库，而 transformers 是用户使用的“界面”，其提供的工具可以将各个库串起来，达成用户自己的目的。

下一步

1. 学会 Transformers 的使用方法；
2. 使用 Transformers 实现基本的问答功能；
3. 用自己的材料训练模型。