AI 每天都在变，
这里一页看完

OpenAI 发布教师课堂使用 ChatGPT 指南

OpenAI 发布面向教师的 ChatGPT 课堂使用指南。内容包含建议提示词、ChatGPT 工作原理及其局限性说明、AI 检测器的有效性，以及偏见问题。

推荐理由：官方指南汇总了课堂提示词、模型局限与 AI 检测器效果等要点，教师可据此了解 ChatGPT 在教学中的实际用法。

OpenAI 发布 ChatGPT Enterprise

OpenAI 发布 ChatGPT Enterprise，提供企业级安全与隐私保障，并称这是迄今最强大的 ChatGPT 版本。

推荐理由：OpenAI 官方宣布面向企业的 ChatGPT 版本，主打企业级安全隐私与更强能力，可帮助读者了解其商业产品线动向。

LlamaIndex 教程：用合成数据微调嵌入模型提升 RAG 检索性能

LlamaIndex 发布端到端指南，教你在无标注的非结构化语料上用 LLM 生成合成问题对来微调开源嵌入模型 BAAI/bge-small-en。

推荐理由：原文提供了完整的无标注数据微调嵌入模型方法和评测结果，读者可以直接复用笔记本改进自己的 RAG 检索。

LangChain 实战教程：用 LangSmith 微调并评测 LLaMA2-7b-chat 与 gpt-3.5-turbo

LangChain 发布微调与评测指南，用 LangSmith 做数据集管理和评测，在 CoLab 上以 qLoRA 微调 LLaMA2-7b-chat，并用 50 条样本微调 OpenAI 的 gpt-3.5-turbo，测试任务是知识图谱三元组抽取。

推荐理由：原文给出了从数据集管理到评测的完整微调流程和实测分数，读者可以据此判断小模型微调与 GPT-4 few-shot 的取舍。

OpenAI 开放 GPT-3.5 Turbo 微调并更新 API

OpenAI 宣布开发者可使用自有数据对 GPT-3.5 Turbo 进行微调，以适配各自的使用场景。此次更新同时包含若干 API 更新。

推荐理由：官方宣布开发者可用自有数据微调 GPT-3.5 Turbo，适合关注模型定制入口变化的读者。

LlamaIndex 教程：如何微调 Llama 2 用于 Text-to-SQL 应用

LlamaIndex 发布教程，展示如何用 text-to-SQL 数据集微调 Llama 2 并接入 LlamaIndex 对任意 SQL 数据库做结构化分析。

推荐理由：原文给出了微调 Llama 2 做 text-to-SQL 的完整技术栈和前后对比示例，可帮助读者评估微调对结构化分析场景的实际收益。

ChatGPT 推出自定义指令功能

OpenAI 推出 ChatGPT 自定义指令功能，让用户对 ChatGPT 的回复方式有更多控制。用户设置偏好后，ChatGPT 会在之后的所有对话中记住并遵循这些偏好。

推荐理由：ChatGPT 新增自定义指令功能，用户可一次设定偏好并作用于后续所有对话，便于按需调整回复方式。

LlamaIndex 工程师分享构建 LLM Agent 工具的实用技巧

LlamaIndex 工程师在发布 LlamaHub Tools（含 Gmail、Google Calendar、Wolfram Alpha 等 15 个工具）后，总结编写 LLM Agent 工具的技巧。

推荐理由：作者结合 LlamaHub Tools 的开发实践，总结出输入容错、错误自恢复、日期函数等可直接套用的 Agent 工具编写方法。

LlamaIndex 发布 Data Agents 与 LlamaHub 工具仓库

LlamaIndex 发布 Data Agents，LLM 驱动的知识工作者可对非结构化、半结构化和结构化数据执行读取与写入任务。

推荐理由：发布方亲自讲解 Data Agents 的推理循环与工具抽象设计，并给出可直接复用的代码示例，适合想在自己的数据上搭建智能体的开发者参考。

OpenAI 更新 API：新增函数调用能力并提升可控性、加长上下文、降低价格

OpenAI 宣布 API 更新，包括可控性更强的模型、函数调用（function calling）能力、更长的上下文以及更低的价格。

推荐理由：原文给出 OpenAI API 的功能调用、上下文与价格等更新方向，读者可据此评估对现有接入成本和控制力的影响。

OpenAI 用过程监督提升数学推理，取得新 SOTA

OpenAI 训练模型在数学问题求解上取得新的 state-of-the-art，方法是对每个正确的推理步骤给予奖励（过程监督），而非只奖励最终正确答案（结果监督）。除提升性能外，过程监督还有对齐收益：它直接训练模型产生人类认可的思维链。

推荐理由：原文说明过程监督相对结果监督的性能提升与对齐收益，读者可了解一种训练思路的取舍。

LlamaIndex 推出 SQLAutoVectorQueryEngine，结合 Text-to-SQL 与语义搜索完成 RAG 查询

LlamaIndex 在博客中展示新查询引擎 SQLAutoVectorQueryEngine，可同时利用 SQL 数据库和向量数据库回答同时涉及结构化与非结构化数据的自然语言查询。

推荐理由：原文给出 SQLAutoVectorQueryEngine 的工作流程、示例代码和实验结果，读者可以照着复现结构化与非结构化数据的组合查询。

OpenAI 推出 ChatGPT iOS 应用

OpenAI 推出 ChatGPT iOS 应用。应用支持跨设备同步对话记录和语音输入，并将最新模型改进带给用户。

推荐理由：官方宣布 iOS 应用上线，对话同步和语音输入信息来自当事方，读者可了解 ChatGPT 的移动端入口。

LlamaIndex 实测 Anthropic Claude 100K 上下文窗口处理 SEC 10-K 文件的表现

LlamaIndex 在 UBER 2019-2022 年 SEC 10-K 文件上测试 Anthropic 新推出的 100K token 上下文窗口。由于单份 10-K 约 160k token 仍超出窗口，作者用 list index 切成约 100k token 大块并测试响应合成策略。

推荐理由：作者用 UBER 10-K 实测 Claude 100K 上下文的延迟、成本与回答质量，并给出 tree_summarize 优于 create-and-refine 的可复用结论。

LangChain 推出 Plan-and-Execute 智能体执行器

LangChain 发布名为 Plan-and-Execute 的新型智能体执行器，先由 planner 规划步骤，再由执行器逐步完成，与此前基于 ReAct 的 Action Agent 形成对比。该设计将规划与执行分离以提升可靠性，代价是更多 LLM 调用，灵感来自 BabyAGI 和 Plan-and-Solve 论文，首版放在实验模块，提供 Python 和 JS/TS 文档。

推荐理由：原文解释了 Plan-and-Execute 与传统 Action Agent 的算法差异和代价，读者可以据此判断它适合的复杂任务场景。

LangChain 解析 AutoGPT、BabyAGI、CAMEL、Generative Agents 四个 Agent 项目

LangChain 发布技术博客，对比近两周流行的 AutoGPT、BabyAGI、CAMEL 和 Generative Agents 四个 Agent 项目，将其分为自主智能体与智能体模拟两类。

推荐理由：原文对比 AutoGPT、BabyAGI、CAMEL 等项目的新颖点，并说明 LangChain 已复刻哪些部分，读者可据此了解各框架差异与可复用实现。

LangChain 宣布完成 1000 万美元种子轮融资，Benchmark 领投

LangChain 宣布获得 1000 万美元种子轮融资，由 Benchmark 领投。上线六个月来该项目在 GitHub 获超 20K stars、拥有 350+ 贡献者。

推荐理由：官方宣布融资并给出社区规模、组件数量和后续计划，读者可以据此了解 LangChain 当时的能力边界与发展方向。

OpenAI 说明 3 月 20 日 ChatGPT 故障原因与修复措施

OpenAI 发布 3 月 20 日 ChatGPT 故障的事后说明，介绍了调查发现、已采取的措施以及该 bug 的技术细节。

ChatGPT 推出插件（plugins）初步支持

OpenAI 宣布在 ChatGPT 中实现对 plugins 的初步支持。插件是以安全为核心原则、专为语言模型设计的工具，可帮助 ChatGPT 获取最新信息、运行计算或使用第三方服务。

推荐理由：原文是 OpenAI 官方对 ChatGPT 插件机制的首批说明，读者可以借此了解插件如何让 ChatGPT 获取最新信息和调用第三方服务。

OpenAI 发布 GPTs are GPTs 论文，初步分析大语言模型的劳动力市场影响潜力

OpenAI 发布论文 GPTs are GPTs: An early look at the labor market impact potential of large language models，对大语言模型的劳动力市场影响潜力进行早期分析。材料抓取失败，仅标题可用，论文具体方法与结论暂无法核验。

推荐理由：OpenAI 论文标题直指大语言模型对劳动力市场影响的早期评估，适合关注 AI 就业议题的读者。