像高手一样编写 GPT：从基础到实践，学习使用 GPT 的 Action

全文约6000字，阅读此文大约需要⏰ 30分钟，但你将有以下收获：

理清 AI-Agent、GPT 和 Action 之间的联系，打下坚实的认知基础；
亲身实践配置不同的 GPT Actions，直观感受其独特性；
探索 Action 的实现机制，为后续提升指明方向。

本文为直播回放的整理，视频版可以在B站搜索 “LongTalk宇龙” 找到

提到 Action，就必须先了解一下 Agent。在人工智能领域，Agent 一般被翻译为 “代理”，“智能代理”，“智能体”。在计算机领域的构思里：智能体 Agent 是一种特别的计算机程序，他通过感知其环境，自主采取行动（Action）以实现目标，不需要人时刻告诉它该做什么。

智能体通过【传感器】感知环境判断【当前是什么状况】根据预设的【条件/行为规则】，发起行动（Action）调用【执行器】，完成任务，最终影响环境在这个框架下， Action 泛指了所有基于行为规则下的行动，拿扫地机器人举个例子：
扫地机器人通过红外感知器感知环境
它发现了灰尘或者杂物
它根据预设的清理规则，判定需要前往清理（Action）
它驱动轮子和吸尘器以及扫把，前往并吸入灰尘，影响了环境（干净了）
判断环境中是否还有灰尘 / 判断接下来要如何前进……（继续循环）

《钢铁侠》里的人工智能助手 Jarvis 就在 Agent 的构想框架下，在设定里，Jarvis 具有的能力包括：

辅助托尼·斯塔克（钢铁侠）进行日常工作和战斗
管理、控制和运行斯塔克大厦和钢铁侠内部的系统
复杂的数据处理、决策制定和问题解决能力
快速的语音交互反应，高度的交互性

看起来是不是很厉害？我们加粗一些关键词：

1. 辅助托尼·斯塔克（钢铁侠）进行日常工作和战斗

2. 管理、控制和运行斯塔克大厦和钢铁侠内部的系统

复杂的数据处理、决策制定和问题解决能力
快速的语音交互反应，高度的交互性

看看另一个 Agent，Agent Smith，来自《黑客帝国》的史密斯探员，能力大概有：

抓人
打人
Ctrl+C,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V,Ctrl+V……和能发射火箭能战斗的 Jarvis 相比 —— 他只会出拳和开枪，所以我姑且认为他要弱一点。假如 Jarvis 代表了人类对未来 Agent 想象的一个高标准，那么他和 GPT 中间可能大概隔了 n 个 Agent Smith，GPT 和他们相比基本就是 Baby：

当然，这位 Baby Agent 也是有很多能力的。

Lilian Weng() —— OpenAI的应用人工智能研究负责人，也是GPT-4的开发人员。

她在个人博客的博文《大语言模型驱动的自动智能体（Agent）》提到了关于他们（OpenAI）构思中的 Agent 系统：

“ 大型语言模型的潜力不仅仅在于创作出流畅的文本、故事、论文和程序；

它还可以被视为一个强大的通用问题解决工具。”

和开头提到的计算机领域的通用

比，Lilian 进一步具体化了 Agent 的能力模型：

在 Lilian 看来， Agent 的能力被具象为三大类：

规划
记忆
使用工具（工具 + 行为 Action）你可能有印象 —— 在之前的GPT-4，画图工具Dall-E，Bing搜索，插件，和代码解释器，都需要切换不同的会话/窗口实现的。后来GPT-4 成为了 GPT：All-Tools，可以在一个会话里根据用户需求和上下文自行选择工具，并且做出行动 —— 这个行动，就是 OpenAI 定义的“Action”，如下图：

当你在让它搜索，画图的时候，GPT 会先思考决定怎么使用工具，然后会出现一个小图示，告诉你他尝试使用工具来完成你的任务。

现在你应该能够认清 AI-Agent、GPT 和 Action 之间的联系了：GPT（All-Tools，也是现在大家正在开发的“GPTs”），是 OpenAI 之于传统 Agent 定义交上的一份答卷 —— 具体的描绘了在大语言模型（LLM）驱动下 Agent 的系统实现方式。

即：使用 LLM 驱动，通过外部 API 获取信息和执行的行动（Action），也是本文后半部提到的 Action 的定义，如下:

如果要选择一个最容易上手的 Action ，Webpilot() 应当首当其冲：

它能够让你的 GPT 支持比原本的“Web Browsing”更加实时的联网功能，同时还能获取网络上的文本和部分链接，使用方法也很简单，只需要 30 秒：第一步：在新建的GPT里把 Web Browsing 勾掉，因为他们的作用都是让 GPT 可以访问网络上的资源，不勾选可能会有冲突。

第二步，点击添加 Actions（Add actions）：

第三步，点击 import from URL，填入：https://gpts.webpilot.ai/gpts-openapi.yaml

你会发现 Schema()（组织和结构）这里出现了一大堆文字，内容先不用管。继续在最下面的隐私政策（Privacy Policy），填入：https://gpts.webpilot.ai/privacy_policy.html ，如下图：

之后点击左上角的返回保存即可，你甚至都不用写 Prompt，直接保存就可以使用。可以测试一下效果

我们询问同样的问题：“保亭有哪些正在上映的电影”。Webpilot 和 GPT-4 自带的搜索一样，它们会通过先搜索找到豆瓣电影的页面然后把页面内容总结给你，只是 GPT-4 点内容相比之下明显不够完整，而 Webpilot 的版本可以返回15条电影结果。

因此当你在你的 GPT 加入 Webpilot 后，大部分网上的文本你都可以作为原材料而进一步加工了，比如你可以使用以下 Prompt 做一个菜谱助手，让他先搜索，然后处理信息：

但 Webpilot 的缺点也很明显，它只能查看网页的所有纯文本内容。

可如果我们想要更进一步 —— 比如需要更加精确的信息和内容怎么办？这就需要我们自己制作一个 Action 了。

编写 Action

你有没有试过问 GPT 某部电影讲了什么？比如：“奥本海默”这部电影讲了什么？

GPT-4会这样回答：里面有概览、开头、展开、总结，很明显的 GPT 风格回复，你还可以看到链接里有有蓝色的引号，说明这是通过 Bing 搜索后获得的知识。

再看另一个版本：这是我做的一个“找电影”的 GPT Demo：

感觉怎样，是不是看起来丰富多了？除了电影信息，背景知识，还有主视觉图。当然，还有用户评论。

和上一个相同的地方是：顶部也有一个和 GPT 使用搜索和画图一样的小图示，“Talk to”，意为和某人聊天 —— 它在和谁聊天？在回答这个问题之前，我们先看一下 Prompt：

你可能注意到了，这里面有两个英文单词

他们对应了我在这个 GPT 里设置的两个 Action：一个代表 themoviedb 的某条数据，一个代表使用webpilot这个工具。

api.themoviedb.org

看起来是不是像个网址？没错，就是一个网址：

api.themoviedb.org

themoviedb.org 是一个电影数据库，api 是他的二级域名 —— 就像是门牌号一样，让 GPT 可以来这里取数据，也就刚刚 “Talk to” 的对象。接下来，我教大家如何快速上手这个 Action 。

完成“找电影”的 GPT

因为调用 TMDB 是需要 API KEY 的，所以我们需要先前往 themoviedb.org 注册后申请一个 API KEY 。在你注册后，还要点击邮箱验证邮件里的链接后才可以使用，注册流程就不赘述了

注册后，依次点击右上角头像 - 账户设置 - API - 请求 API 密钥 - click here

选择 Developer 开发者，协议拉到最底下然后 Accept 接受。

使用类型：网站。应用名称随便写，URL 填 ChatGPT() 官网就行，简介必须写英文的，下面的除了邮箱外（因为要收验证码），大概填填提交就好，支持中国手机号。

填完了就可以获得 API 密钥和 API 读访问令牌了，找个小本本先记下来下面的 ‘API 读访问令牌’ 备用。

构建 GPT

新创建一个 GPT，名字描述随便写，Instructions 使用以下内容：

使用中文对话，当用户想找电影时，输出以下内容：

详细介绍和主视觉图（取自'backdrop_path'）
主要剧情
观影前需要了解的背景和知识
搜索网上的评论并总结，你可以使用webPilot来寻找

添加一个上一步的 Webpilot Action。

继续添加一个新的 Action，在 Schema 里粘贴以下内容：

openapi: "3.1.0" info: title: "The movie finder" description: "Finding movies in themoviedb" version: "v1.0.0" servers: url: "https://api.themoviedb.org" paths: /3/search/movie: get: description: "Find movie for a query" operationId: "SearchMovie" parameters: - name: "query" in: "query" description: "Keywords for searching movies" required: true schema: type: "string" - name: "language" in: "query" description: "languages (ISO 639-1 tags) , e.g. 中国='zh-CN'" required: true schema: type: "string"

点击 Authentication 的齿轮，勾选 API KEY，Bearer。

在中间的 API KEY 填入你之前记在小本本上的 API 读访问令牌，点击 Save 保存。

最后，在 Privacy policy 里填入：https://www.themoviedb.org/privacy-policy

如果你配置的没错，GPT 的内容应该如下：

完成！保存你的 GPT，输入一个电影试试看，如果有用，可以评论一下。

如何实现的？

大家现在每天使用微信，看视频，新闻获取信息，我们都知道是因为“上网”了，是因为我们接入了“互联网” 获得这些信息。

当你在使用线上 —— 也就是网上的产品时，不同软件和服务之间就通过 API 接口来让不同的应用程序进行主要的数据交换。

API 就像是一个信差，它接受一端的请求，告诉那边的系统你想要做的事情，然后把返回的信息发回给你。

在这个例子里， GPT 就通过预先配置的Action 里的 TMDB API ，获取了电影相关的专有信息。

当我问“奥本海默”这部电影讲了什么之后：GPT 识别到了我的意图，按照 Prompt 进行第一个任务。

使用 Action去 The Movie DB 寻找相关数据，从数据中取出 backdrop_path 这个数据作为主视觉图，然后处理剧情数据、生成背景知识。最后使用 webpilot 搜索评价，返回整理后的数据，也就是最终你看到的结果：

接下来，我们继续深入GPT Action 的配置项：

配置一个 Action ，你需要：

Schema：（下图）通过导入或者直接填写，相当于给 Baby GPT 的一个📓 操作手册，告诉它可以去哪，干什么，需要准备什么。这个示例的版本很简单，真正的会更复杂一些。

Available actions：（上图）可用行动，在你输入 Schema 后会自动生成，展示大纲中可以使用的行动，对应 operationId ，get，path —— 加入操作手册是本魔法书，Available actions 就是可以用的魔法

Authentication：（上图）认证，可以理解成身份证，没带证件不能请求数据

然后来看 Schema 的结构：

是不是有点懵？

懵就对了，这已经是前端工程师相关领域的知识了，我们的知识体系里还没有建立这些信息的映射关系。

这个页面大家应该一眼就能看明白，这是一个搜索结果页，搜索的关键词是“奥本海默”，返回了两个结果，每个结果的信息都有海报、名称、上映时间、描述。

这个页面的网址是这样的：https://www.themoviedb.org/search?query=奥本海默

域名 (www.themoviedb.org)：域名指定了网站的位置，类似地图上的地址。

在这个URL中，www.themoviedb.org 是 themoviedb.org 网站的域名，用于定位和访问网站。为了方便理解，我把 URL 和 Schema 里的红框部分做一个对应关系，你会发现他们不一样，这是因为一个是面向普通用户，一个是面向开发者的。就和 ChatGPT 网页版和 ChatGPT API 的关系差不多。

路径 (/search): 路径指定了在网站上特定页面的位置。在这个例子中，路径是 /search，通常表示网站的搜索页面或功能。

query，就是一个“查询参数”，其中 query 是参数的名称，奥本海默是分配给该参数的值。

这个网址完整的意思是：访问 themoviedb.org 网站上的搜索功能，执行一个搜索 “奥本海默” 关键词的操作 —— 我要找一个名叫“奥本海默”的电影。

有些同学在写提示词的时候会用这种等号或者冒号的方式，其实都是一种变量的形式，请记住这个感觉，后面我们会继续用到这个概念。

也就是说：刚刚 TMDB 的 Action 实际上就是访问了下面的网址，提供了 query 和 language 参数，然后发起了请求，获取数据，如下：

但虽然我们大致理解了GPT发送请求是怎么回事，你可能有个问题一直在想：我要如何才能知道去哪请求，查询参数怎么写呢？寻找 API 文档

很简单，去官网找，API 的规则一般都会写在网站的开发者相关的页面里或者 API 文档里，比如你可以从 TMDB 首页的“更多”进入，其它网站也大同小异。

这个 Action 用到了 TMDB 的搜索电影 API ，文档的网址是：https://developer.themoviedb.org/reference/search-movie ，下面是这个网址的内容：

API 文档都会很详细的告诉你如何使用他们的API，在左侧的导航部分你可以看到还有很多其他的 API 可以使用，我们先忽略，专注到右侧部分，点击图片可以放大。

你可以在右上角的认证里看到你的 API 读访问令牌。也可以看到和我配置文件里相同的部分，包括 url，请求方法 get（红框），对应需要的查询参数 query（蓝框）和 language（黄框）。这个 API 的作用就是：Search for movies by their original, translated and alternative titles. —— 输入 query 关键词，如果成功，就会返回符合关键词的电影列表。

在右侧 RESPONSE（响应）这里也展示了当我们请求后响应的范例。

我们可以在左边 query 输入“奥本海默”，Language填zh-CN，点一下 Try it，就会“啪”的一下出来一大堆数据。

这种数据格式叫做JSON，你只需要知道这种写法可以让程序很方便的读写就好，看起来有点复杂。 —— 不过你仔细看一下，就会发现这个数据其实和脑图没有太大区别。还记得之前提到的键和值么？

可以看到这里面返回了两条结果，是不是有点眼熟？没错，这个API返回的数据，应该和搜索结果页是一样的。只不过网页拿到了这些数据，做了样式的美化展示。

这是第一个结果的数据，对应了搜索结果页的内容，你会发现展现的内容远比数据维度要少 —— 这是因为有些数据虽然不展现，但为了支持筛选所保留的。

注意看，这里出现了‘backdrop_path’，记得原先 Prompt 是怎么写的吗：取出 backdrop_path 这个数据作为主视觉图 —— 所以这里是一个图片地址()，但它是不完整的，只有后半部分。就像是一个分成两块的藏宝图，两部分拼起来才是完整的图片地址。TMDb 的官方 API 文档（https://developer.themoviedb.org/docs/image-basics）里就写了如何构造完整的图片 URL：

但是因为我们的 Baby GPT 已经是一个成熟的 GPT 了。实际上，它已经有 TMDb 的训练数据了（相当于裤兜里已经有半拉地图了） —— 所以即使你不说，它也会自己完成构建完整的图片地址。

对于一些它不熟悉的 API，还是需要在 Prompt 里告诉他要怎样使用。比如剩下的数据也可以用类似的方式让 ChatGPT 来处理，比如让他列出：上映时间 'release_date'、评分 'vote_average'、评分人数 'vote_count'：

它就能很+

我们最后提炼一下 Action 的工作流：

首先，想一下你想要做一个什么样的 GPT，以及是否需要外部数据 —— 这两个谁先谁后不重要；
然后，去你需要的外部数据寻找 API 文档，或者基于你的需求，自己开发一个 API，寻找市面上可以直接用的 Action ；
最后，基于 API 文档，编写 Action 里的 Schema，和 Prompt（如何处理取回来的信息）

写在最后

总结一下：今天我们的讨论起始于人工智能中的“Agent & Action”，然后转向OpenAI 对智能体（Agent）能力模型的定义。接着，我们深入探讨了 ChatGPT 中的 Action（搜索、画图、代码解释器），以及GPT系列中的不同 Action。使用了一个容易上手的 Action Webpilot，用于访问网页获取实时的文本内容。

最后，我们初步了解了 API 的概念，以及 GPT 如何通过 Action 与外部数据进行交互和使用。

如果对 Action 很感兴趣，你可以从以下方向开始继续前进：

系统的了解和学习 API 相关的知识
去网上寻找可以用的 API 来练习
发掘 GPT Action 更多的潜力

以上是我认为相对容易入门的知识框架，但是我们都知道：

你不可能只在一次分享 / 一篇文章中就获得完整的 Action 相关知识

学习虽然没有终点，但有阶段性目标。

大家可以通过后续看到的不同的教程和资料，识别这些知识之间的共性和逻辑关系，然后继续深化对这个主题的理解，构建你自己的知识体系。

如果你对 GPT 开发有兴趣，想要认识更多玩 GPT 的朋友，欢迎加入 GPTGeeker 的星球：