GPT-4终于可以联网、用插件了,我用完的评价是:拉了

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

在被各种号称“ 炸裂 ”、“ 颠覆 ”的 ai 新闻的轰炸下,说实话,差评君已经有点麻了。。。

但这次,差评君打起来十二分的精神,因为真正有料的的终于来了。

就在这两天,随着 OpenAI 向 Plus 用户全面开放自己的第三方插件,差评君也有了使用插件的资格。

只要大家是 ChatGPT 的付费用户,在设置里打开 “Beta features” 里的 “Web browsing” 和 “Plugins” 。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

接下来,只要在聊天页面选择需要启用的功能,就能在对话中使用了。

不过要注意的是,这个“ Web browsing ”和“ Plugins ”只能二选一,并不能同时使用。

而且 GPT-4 这次的图标也改成了紫色

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

不过这两个功能都只能单独使用,所以,我们先尝试了一下 ChatGPT 自带的网页搜索功能。

我们都知道, GPT-4 的模型数据集只收集到 21 年 9 月份,所以我问了它一个最近很火的游戏,王国之泪。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

这次它终于摆脱了单机模式,直接上网搜索了 “ 王国之泪 ” 的关键词,然后找到了 “ 王国之泪 ” 的维基百科。

在阅读相关内容后,输出了回答,而且还顺便给咱做了一个翻译。

这么来看,联网了的 GPT-4 的大脑,又扩容了。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

不过呢,当我想要些更细致的信息时, GPT-4 虽然会尝试去浏览网页,但,都进不去。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

于是我转头去试了试 NewBing ,就没发现有类似的问题。

对此,差评君只能理解为 ChatGPT 在爬取国内内容时,爬取手段太过直白,直接被当成机器人给拒绝访问了。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

不过, ChatGPT 的网络浏览也不是一无是处,相对于现在的 Newbing ,当我需要一个更加详尽的回答时,比如让它对暴雪收购案进行评价, Newbing 可能是由于限制问题,只给出了短短几句的回答,数据还不新。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

反观 GPT-4 不仅获取了正确信息,而且还对新闻的细节进行了总结。

唯一需要吐槽的,就是整个的生成过程速度有点慢。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

而在第三方插件方面,这次刚好也有个名叫 KeyMate.AI Search 的工具能辅助搜索。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

只不过,这插件反而不如上述 ChatGPT 自带的网页浏览功能好用。

虽然它按照要求给出了链接,但是,点进去,是一个无法访问的视频。。。至于知乎,依旧拒绝访问。。。

最后,它出门左转在 IGN 的官网,帮我找了一些资料。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

除了这个实时搜索, ChatGPT 其它插件的能力又如何呢?

首先,就是在学术教育和数学能力上,有了插件的加持, GPT-4 再也不是从前的那个数学小白了。

原因就是这个能做数学题的神器:Wolfram 插件,

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

相对于原始网站,加载了插件的 GPT-4 ,更像是一个老师。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

在答案上, GTP-4 除了能帮你把过程给写出来,在解答过程中,当我要求它去对一些关键步骤进行解释时,这个回答就更详细了。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

不过在一些难度更高的题目面前, Wolfram 就有点应付不来了。

比如这道 2022 年全国卷的数学最后一道大题,不管我尝试几次,它都没办法算出来。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

但,问题也不止这一点,在我测试其它的一些插件时,比如这个 ScholarAI ,它是一个能帮我查找发表在 Springer Nature 上的期刊的插件。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

因为这个插件只能寻找 Springer Nature 上的内容,所以在检索时,经常会搜不到需要的文章,其次,它也无法直接帮我们阅读全文,想要阅读全文,还得点进去下载 PDF 。。。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

这种检索方法基本与常规搜索引擎无异,还不如直接使用搜索引擎搜索,然后自行筛选所需论文。

当然了,决定 ChatGPT 的插件功能好不好,最重要的还是能不能解决问题。

大家还记得,上次 OpenAI 在发布插件预告的时候,最让人惊艳的就是对生活出行的一键解决了。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

正好,公司最近组织大家去日本大阪团建,这时候谁来做这个攻略就是个互相甩锅的大问题了。

于是,不出意料的,这个问题被大家丢给 GPT 的新插件了。

结果,万万没想到翻车竟然来的如此突然。

首先我使用了 Weather Report Data ( 天气报道插件,这里有个伏笔), Expedia ( 旅游插件 )还有 OpenTable ( 订餐插件 )这三个插件去帮忙制定这几天的行程。

知了zKnown 知了zKnown

知了zKnown:致力于信息降噪 / 阅读提效的个人知识助手。

知了zKnown 65 查看详情 知了zKnown

问了问 GPT , 5 月 24 日后 5 天的天气情况,并要求它给我推荐几个好吃的、好玩。

GPT 竟然傲娇起来了, 5 月 24 号,也就是未来的天气竟然不能实时显示。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

直接就让隔壁的好兄弟, New Bing 看了个大笑话。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

甚至连, GPT 家族中的没有联网能力的小弟弟 GPT-3 ,都凭借 21 年的数据猜出来。( 虽然明显是猜的 )

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

多少让我有些哭笑不得了。

不过,后来咱看了看这个 Weather Report Data ,发现它只提供实时的天气信息,也就是没法提供未来的天气预测,而目前还没有其它的天气预报插件。

但这样我就要吐槽了,光看名字,这个叫做 “Weather Report Data” 的插件,怎么看都是一个常用的天气软件吧。

就这取名规则,放在苹果商店里,可是会因为 “ 误导性语言 ” 要被一顿毒打,逐出苹果生态圈的。

所以咱只好再重新切换使用 “Web browsing” 来查询,这才知道未来的天气。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

如果这还算情有可原的话,那后面的内容可就不好洗了。

首先,在我没有明确说明从哪出发的情况下,它直接给我推荐了从北京飞往日本的机票。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

虽然言语间非常诚恳,甚至还表示要给我推荐大坂的租车服务。

但是有一说一,你把我 5 月 24 号的出发时间擅自改成 6 月 15 号,是不是有点不礼貌了。

其次,这次旅行的重点自然是旅游了。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

于是,这个推荐的第二个项目 “ 大阪步行游 ” 成功的引起了我的好奇。

仅仅是步行,却要花费我们50美元,这是我们在大阪的步行游。难道内部有一些项目,只有那些了解的人才明白。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

结果点到链接里一看,原来是悄悄给我安利了旅游跟团业务,这可就有玩 “ 植入广告 ” 的嫌疑了呀。

没想到 GPT 竟然比微软还要早一步引进商业元素,这不纯粹了呀。

当然了,在使用插件处理这种复杂问题的时候, GPT 也不总是出岔子的。

比如,这一回,我要求它根据天气给我推荐一个适合的菜谱。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

虽然问题挺不着调的,但它还是给了我一个希腊沙拉的食谱。

然后在计算价格的过程上,最神奇的事情发生了。我们可以通过点击GPT提供的链接,直接进入名为instacart的购物平台。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

里头关于希腊沙拉的食材全都已经加入购物车了,只要选好数量,就可以直接付款下单。

而且,在这 70 多个插件里我还发现了一个非常牛 X 的应用—— Zapier 。

Zapier是一款基于网络的自动化工具,它可以将各种应用程序连接起来,以便它们相互协作。

而现在有了 ChatGPT 的加持,直接在对话框内就能处理工作,甚至 ChatGPT 还能帮忙打打下手。

比如说有个会议需要通知员工,直接在对话框内输入要求就行。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

ChatGPT 首先会生成一个 Zap 预览,并且会自动拟好邮件的内容给我们过目。

除此之外,这回一起开放的 GPT 插件中,其实还有许多神奇的小功能。

比如高分电影、书籍推荐;

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

你甚至还可以和它玩一款名为 Algorithma 的模拟生活的文字游戏。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

粗看起来,是有点 AI 版 APP Store 的味道了。

不过,整个测试下来,差评君还是略显失望的,整个插件系统对 ChatGPT 带来的提升有,但也没有太大,并没有之前我们预期的那样,对咱们的生活带来非常明显的改变。

说到底,插件功能,其实是让 ChatGPT 对自身的一些薄弱环节进行加强,比如提升数学能力,提升数据检索能力,增加一些基本的网站操作能力等等。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

但是现在测试看来,某些插件开发的不够完善,严重影响了咱们的体验,甚至给大家一种 “ 不如不更新 ” 的错觉。

差评君觉得,主要还是因为,这一回的插件功能其实是由第三方,也就是由一部分获得内测资格的开发者制作的,不免会出现水平参差不齐的问题。

然而话又说回来,在大模型即将成为平台和大基建的未来,应用生态这块儿,绝对是得迈的一道槛。

毕竟,即便强如微软,不也曾吃过生态的亏。

GPT-4终于可以联网、用插件了,我用完的评价是:拉了

所以,未来 ChatGPT 在生态方面要是没有所突破的话,或者说没在应用品质上做出保证的话。

目前的领先地位,也未必不会被后来者给超越。

不过,话虽如此,但是考虑到目前 GPT 的新功能其实刚刚小范围测试,还有充裕的试错空间。

而且程序吗,哪有不出 BUG 的。

咱们不妨耐心一点, ChatGPT 宇宙可能才刚刚开始。

以上就是GPT-4终于可以联网、用插件了,我用完的评价是:拉了的详细内容,更多请关注创想鸟其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。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。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/545887.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2025年11月9日 17:32:32
下一篇 2025年11月9日 17:37:59

相关推荐

  • .NET 8有哪些新特性?一份给开发者的全面功能解读

    .NET 8作为最新LTS版本,带来性能、云原生和开发效率全面提升:1. 动态PGO默认启用,性能最高提升20%;2. 原生UTF-8支持减少I/O开销;3. 增强AVX-512硬件加速;4. 推出.NET Aspire简化云原生开发;5. 容器镜像默认非root更安全;6. 原生AOT编译实现快速…

    2025年12月17日
    000
  • RSS如何实现动态内容过滤?

    要实现rss动态内容过滤,核心在于引入“智能代理”对原始feed进行二次处理。具体路径包括:1.使用内置过滤功能的rss阅读器,如feedly、inoreader等,适合简单筛选;2.借助ifttt或zapier等自动化平台作为中间件,支持条件判断和内容分发;3.自建解析器,利用python、nod…

    2025年12月17日
    000
  • 利用LangChain和FAISS构建基于CSV数据的RAG问答机器人教程

    本文详细介绍了如何使用langchain框架,结合faiss向量数据库和huggingface embeddings,构建一个能够基于csv文件内容进行问答的检索增强生成(rag)聊天机器人。教程涵盖了从数据加载、文本分块、创建向量存储到集成检索器并增强大型语言模型(llm)回答的完整流程,旨在帮助…

    2025年12月15日
    000
  • 基于LangChain和FAISS的CSV数据检索增强型问答机器人构建指南

    本教程详细介绍了如何利用langchain框架,结合faiss向量数据库和openai大型语言模型,构建一个能够基于csv文件内容进行智能问答的聊天机器人。文章涵盖了从csv数据向量化、faiss索引创建,到核心的检索增强生成(rag)机制集成,以及如何将检索到的相关信息有效融入语言模型提示词,从而…

    2025年12月14日
    000
  • ChromaDB向量嵌入的有效持久化策略

    本文详细介绍了如何利用langchain中chromadb的`persist_directory`功能,高效地持久化存储向量嵌入。通过将生成的嵌入数据保存到本地磁盘,可以有效避免重复计算,显著提升工作流程效率。教程将涵盖持久化chromadb实例的创建与后续加载的完整过程。 在处理大规模文本数据并生…

    2025年12月14日
    000
  • 基于LangChain的CSV数据检索增强生成(RAG)问答系统构建指南

    本教程详细介绍了如何利用langchain框架构建一个基于csv文件的检索增强生成(rag)问答系统。文章涵盖了从csv数据加载、文本切分、嵌入生成到faiss向量数据库创建的完整流程。核心内容在于如何将faiss检索器集成到聊天机器人中,使语言模型能够根据用户查询从csv数据中检索相关信息,并结合…

    2025年12月14日
    000
  • 基于LangChain和FAISS构建RAG问答机器人:CSV数据集成指南

    本文详细介绍了如何利用langchain、faiss和huggingface embeddings构建一个基于检索增强生成(rag)的问答机器人,使其能够根据csv文件中的特定数据生成答案。教程涵盖了从数据加载、向量数据库创建到检索器集成和llm交互的完整流程,并提供了具体的代码示例和实现细节,帮助…

    2025年12月14日
    000
  • 使用Python和正则表达式从字符串中提取关键词右侧文本

    本文将详细介绍如何使用python,特别是正则表达式,从字符串中截取并保留指定关键词右侧的内容。通过高效的正则表达式模式,我们可以精确地移除关键词及其左侧的所有文本,从而获得所需的目标子串。这对于处理音频转录等需要基于特定标记进行内容筛选的场景尤为实用。 Python字符串:从指定关键词开始截取右侧…

    2025年12月14日
    000
  • 使用Schema文件:无需数据库连接生成SQL的LLM实践

    本文旨在探讨如何在不建立实际数据库连接的情况下,利用大型语言模型(LLM)根据数据库Schema生成SQL语句。我们将重点介绍通过直接向LLM提供Schema描述来绕过传统数据库连接依赖的方法,并提供详细的实现步骤和代码示例,帮助开发者在保障安全性和灵活性的同时,实现高效的SQL生成。 引言:SQL…

    2025年12月14日
    000
  • LangChain模型导入指南:理解与解决ImportError

    本文旨在解决在使用langchain库时,尝试通过`langchain.chat_models.list_available_models`函数列出可用模型时遇到的`importerror`。文章将阐明该函数不存在的原因,并指导用户如何通过检查库的内部结构来识别可用的聊天模型。同时,提供正确的模型导…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化指南:高效管理与重用

    本教程详细介绍了如何在chromadb中持久化存储向量嵌入,以避免重复耗时的计算过程。通过利用`persist_directory`参数,用户可以轻松地将生成的向量数据库保存到本地文件系统,并在后续操作中快速加载,从而显著提高开发效率和资源利用率。文章将通过代码示例演示创建、保存和加载持久化数据库的…

    2025年12月14日
    000
  • 持久化ChromaDB向量嵌入:避免重复计算的教程

    本教程详细介绍了如何使用chromadb的`persist_directory`功能来高效地保存和加载向量嵌入数据库,从而避免重复计算。通过指定一个持久化目录,用户可以轻松地将生成的嵌入结果存储到本地文件系统,并在后续操作中直接加载,极大地节省了时间和计算资源。文章提供了清晰的代码示例和关键注意事项…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化:避免重复计算的实用指南

    本文详细介绍了如何利用langchain与chromadb的`persist_directory`参数来持久化向量嵌入数据库。通过在数据库创建时指定存储路径,可以有效地将向量数据及其索引保存到本地文件系统,从而避免在后续应用中重复进行耗时的嵌入计算。教程涵盖了数据库的创建与持久化,以及如何从已保存的…

    2025年12月14日
    000
  • ChromaDB向量嵌入持久化:高效保存与加载策略

    本教程详细介绍了如何利用chromadb的`persist_directory`功能,有效地保存和加载向量嵌入数据库,从而避免重复计算。通过简单的代码示例,您将学会如何在创建chromadb实例时指定持久化目录,以及如何在后续操作中从该目录加载已保存的数据库,确保数据一致性和计算效率。这种方法是管理…

    2025年12月14日
    000
  • 基于Schema文件实现无数据库连接的SQL语句生成

    本文探讨了在不直接连接数据库的情况下,如何利用数据库schema文件生成sql语句的方法。我们将重点介绍通过提供详细的数据库概览信息给大型语言模型(llm),实现基于schema的sql查询生成,从而避免实际数据库连接,提升安全性和灵活性。内容涵盖了如何准备schema信息以及其在llm驱动的sql…

    2025年12月14日
    000
  • 数据库模式驱动的SQL生成:无需实时连接的LLM实践指南

    本文探讨了如何在不建立实时数据库连接的情况下,利用数据库模式信息驱动大型语言模型(llm)生成sql语句。我们将介绍通过手动提供模式文本、构建自定义工具等方法,绕过传统数据库链的限制,实现高效、安全的sql生成,并提供实践指导与注意事项。 引言:离线SQL模式的必要性 在利用大型语言模型(LLM)进…

    2025年12月14日
    000
  • LLM驱动的无连接SQL生成:基于数据库模式文件的高效策略

    本文探讨如何在不建立实际数据库连接的情况下,利用大型语言模型(LLM)从数据库模式文件生成SQL语句。文章将介绍通过提供详细的数据库概览(如DDL)给LLM进行SQL生成的方法,并讨论相关策略、实现考量及最佳实践,旨在实现安全、高效的SQL语句生成。 引言:无连接SQL生成的需求与挑战 在软件开发、…

    2025年12月14日
    000
  • 无需数据库连接,利用Schema信息生成SQL语句的策略与实践

    本教程探讨了在不建立实际数据库连接的情况下,如何利用数据库Schema信息生成SQL语句。我们将深入研究通过直接向大型语言模型(LLM)提供Schema定义(如DDL语句)来绕过传统的SQLDatabaseChain,实现SQL语句的生成。文章将涵盖提示工程、定制化链的构建以及相关的最佳实践,旨在为…

    2025年12月14日
    100
  • Langserve中实现动态RAG应用:Langchain链式输入处理教程

    本教程详细阐述如何在langserve中构建支持动态输入的rag(检索增强生成)应用。文章通过langchain的runnable接口,展示如何将用户查询和目标语言作为动态参数传递给检索器和llm提示模板,从而实现灵活、可配置的交互式ai服务。内容涵盖链式组件的构建、langserve路由配置及示例…

    2025年12月14日
    000
  • 在Pinecone中实现基于用户ID的向量检索过滤

    本文旨在提供一个在Pinecone向量数据库中,利用元数据高效实现基于用户ID的向量检索过滤的教程。我们将探讨如何将用户ID作为元数据存储,并将其集成到LangChain的`ConversationalRetrievalChain`中,以构建个性化的RAG(检索增强生成)应用,避免为每个用户创建单独…

    2025年12月14日
    000

发表回复

登录后才能评论
关注微信