（报告出品方/作者：方正证券，曹春晓，刘洋）
1、ChatGPT：人工智能浪潮，应用场景丰富
OpenAI 开发的人工智能聊天机器人程序 ChatGPT，是目前最先进的 自然语言处理技术之一，它可以模拟人类的语言和思维方式，根据 用户提供的问题和输入，给出较为准确的回复。ChatGPT在许多领域 中都有广泛的应用，例如在线客服、智能助手、语言教育、机器翻 译等。 ChatGPT 于 2022 年 12 月正式推出，推出时是基于 GPT-3.5 架构的大 型语言模型并通过强化学习训练，在 2023 年 1 月末的月活用户就突 破了 1 亿，仅耗时 2 个月，超越 tiktok 成为了用户增长速度最快的消 费级应用程序；2023 年 3 月 15 日，OpenAI 再次推出多模态大规模预 训练模型 GPT-4，相较于 GPT-3.5，可接受图片和文本双输入。
在可 预见的未来，随着 ChatGPT 进一步的更新与迭代，ChatGPT 将在各 个行业有着全新的应用场景以及更高的渗透率。 本篇文章主要介绍 ChatGPT 的基本情况以及操作初探，为了更好的 体现 ChatGPT 的实用性，部分文字或图片来源于 ChatGPT-4 的回答 并经验证后所撰写。
1.1、ChatGPT的工作原理
目前推出的 ChatGPT 是基于 OpenAI GPT-4 架构的大型语言模型。其 工作原理可以分为以下几个关键步骤： 预训练：首先，ChatGPT会在大量的文本数据集上进行预训练。这些 数据来自于互联网，包括各种书籍、文章和网页等。预训练的目的 是使模型能够学习语言结构、文本模式和基本知识。在这个阶段， 模型主要学习预测下一个词的能力。 微调：经过预训练后，模型会在特定的任务上进行微调。这一步骤 包括使用带有人工标注的数据集来优化模型表现。微调的过程可以 根据不同的应用场景定制，以使模型更好地满足特定任务的需求。 生成文本：ChatGPT 通过生成文本来回答用户的问题或执行特定任 务。
生成文本的过程称为“解码”。在解码阶段，模型根据已有的输 入（如用户问题）生成一个词序列，以形成一个连贯的回答。 Transformer 结构：GPT-4 采用了 Transformer 结构，这是一种先进的 深度学习架构，用于处理自然语言处理任务。Transformer 结构利用 自注意力（self-attention）机制来捕捉输入序列中的长距离依赖关系。 这使得模型能够更好地理解文本语境并生成相关的回答。 总的来说，ChatGPT通过预训练和微调两个阶段学习语言知识和任务 特定技能，然后，它利用 Transformer 结构生成连贯、有意义的回答。
1.2、ChatGPT的应用场景
ChatGPT 作为一种高级的自然语言处理（NLP）技术，具有广泛的应 用场景。以下是一些常见的应用示例： 1.客户服务：ChatGPT 可以作为智能客服助手，回答用户的问题、解 决问题或提供产品和服务信息。2.虚拟助手：在智能手机、智能家居或其他设备上，ChatGPT 可以用 作个人助手，帮助用户执行任务、设置提醒或提供实时信息。 3.内容生成：ChatGPT 可用于撰写文章、博客、邮件或社交媒体内容 等，帮助用户更高效地进行内容创作。 4.问答系统：ChatGPT 可以为各种在线问答平台、知识库或论坛提供 自动回答功能。 5.语言翻译：ChatGPT 可以用于实时翻译不同语言之间的对话，帮助 跨语言沟通。
6.情感分析：通过对文本进行情感分析，ChatGPT 可以帮助企业了解 客户对产品或服务的情感态度。 7.代码生成：ChatGPT 可以辅助程序员编写代码，通过自然语言输入 生成相应的代码片段。 8.在线教育：在教育领域，ChatGPT 可以作为虚拟导师，解答学生的 问题、提供学习资源或评估学习进度。 9.创意写作：ChatGPT 可用于协助创意写作，如编写故事、剧本、诗 歌等。 10.游戏开发：在游戏领域，ChatGPT 可以用于生成对话和剧情，提 供更丰富的游戏体验。 这些只是 ChatGPT 潜在应用的一部分，随着技术的不断发展，未来 可能还会出现更多新的应用场景。
2、ChatGPT应用初探：日常工作，提升效率
2.1、简单使用技巧：文本交互
ChatGPT 的技术基础为大语言模型（LLM），最擅长的功能就是语言 文本的生成和交互。ChatGPT本质上仍然是和微软小冰一样的聊天机 器人，和文本交互有关的应用既是 ChatGPT 最基本的功能也是 ChatGPT最擅长的功能。与文本交互相关的工作能有效减少金融从业 者的负担。在使用 ChatGPT 之前，需要清楚它的几个问题： 1.知识更新：ChatGPT的知识截至 2021年 9月，因此某些信息可能已 经过时或不准确。
2.误导性答案：ChatGPT 可能会给出错误或误导性的答案。请对其提 供的答案保持审慎，并在必要时进一步验证。 3.输入限制：与ChatGPT的对话（包括问题和 ChatGPT 的回答）需 要在 Token 限制范围内。如果对话中的 Token数量超过限制，需要缩 短或简化文本以确保输入在限制范围内。 4.记忆限制： ChatGPT在长对话中可能遇到记忆问题。当对话内容超 过令牌限制时，ChatGPT可能无法准确回顾和理解之前的对话内容。 在这种情况下，可能需要简化或缩短提问以使其在限制范围内。 因此在进行文本交互时，输入内容和提问方式应注意简洁明了，若 内容较多，可考虑分开输入、逐步提问，并对输出内容进行验证。
我们可以通过以下几个例子来帮助读者更好地理解 ChatGPT 的运用。 精炼文本观点：我们可以通过文本交互，让 ChatGPT 帮助我们将复 杂信息生成精练观点，例如输入一段取自基金招募说明书中的投资 策略，要求它提取优缺点和标签。从回答上来看，ChatGPT能较好理解目标需求和被分析的文本。但从 它生成的答案来看，在深入度和精准性上还不够完善。这也表明 ChatGPT 能较好地完成工作的初期阶段，但仍需要对 ChatGPT 输出 的内容进行改进和完善。 生成相似文本：向 ChatGPT 输入几段基金点评的文本，内容主要是 未来展望方面，要求它输出相似的市场展望点评。
这段回答比起第一段回答显得更加准确和深入，为我们在使用 ChatGPT 时的技巧提供几点启示：1、提供足够的上下文。在提问时，提供足够的上下文信息有助于 ChatGPT 理解问题。 2、提问精确具体。对 ChatGPT 进行提问时，力求做到提问精确，并 且给予一定的约束。比如限定 ChatGPT 输出某一方面的内容，限定 ChatGPT 输出内容的篇幅和字数等等。 2.2 简单使用技巧：表格交互 有时我们希望发挥 ChatGPT 出众的分析能力，运用 ChatGPT 来进行 财务数据和金融数据的分析，简化我们日常的工作量。但 ChatGPT 本身只能通过文字交互的方式进行内容输入，如何直接 要求 ChatGPT 完成指定任务，并将 Excel 中的表格输入和输出就成为了一 个问题。
输出表格：有时我们会希望 ChatGPT 提供的不是文本回答而是表格 回答，因为用表格进行内容表达显得更加的简洁和干练，这时我们 可以这样对 ChatGPT 发问，明确要求 ChatGPT 提供表格，而且 ChatGPT 提供的表格可以从浏览器上直接复制粘贴进 Excel，然后就 可以用在日常工作中了。输入表格：目前没有办法直接向 ChatGPT 输入表格文件，但 ChatGPT 能够理解以 Markdown 格式表现的表格。因此我们可以使用 中介工具 Typora 将 Excel 表格转化为 Markdown 格式，这样 ChatGPT 就能有效读取了。Typora 的下载官网是：https://typora.io/。 接下来我们也用一个例子讲解如何进行 ChatGPT 的表格交互，以下 是以 Excel 表格表示的涪陵榨菜近期的股票数据，我们要求 ChatGPT 对这段表格进行点评和计算每日收益率：
可以看到 ChatGPT 按照我们的要求对以表格输入的数据进行了简略 的点评，并输出了收益率表格。最后还给出了每日收益率的计算公 式便于我们查验。可以看出，在表格分析层面，ChatGPT有着较好的 文本分析和数据分析能力，减少从业人员机械重复工作的工作量。文本、表格交互：以基金点评为例。在进行日常工作的时候，我们 经常需要根据搜集到的财务或金融数据为基础进行文字表达的工作， 此类工作可以说是研究员平日最常完成的工作之一，具有高度的可 重复性。如果能让 ChatGPT 学会工作中所需要的文字表达方式，将 会很大程度上提高工作效率。 以下是一个利用基金数据让 ChatGPT 学会基金点评的实例。首先我 们以表格的方式输入华商新趋势优选的相关数据，基于数据的文字 点评，要求 ChatGPT 参照华商新趋势优选的点评范例，对另一只基 金英大国企改革进行点评：
ChatGPT很好地复现了对之前基金的文字点评风格，生成的文字稍加 修改就可以直接使用。给定其他基金数据，继续利用 ChatGPT 进行 对于其他基金点评，生成点评所用的时间将大大减少。
3、ChatGPT应用：Python代码，自动生成
由于 ChatGPT 在进行文字和表格交互时，会面临输入和记忆限制， 无法处理复杂问题和庞大数据，因此可以考虑利用 ChatGPT 输出代 码的方式，本地运行程序，从而解决复杂问题。 ChatGPT 进行代码生成有一些潜在优势，主要包括：（1）快速生成， ChatGPT能够迅速生成代码片段，节省编写代码的时间，尤其是在处 理常见任务或简单问题时；（2）灵活性，由于 ChatGPT 受过大量编 程示例的训练，它具有很高的灵活性，可以生成多种编程语言（如 Python）的代码。这使得ChatGPT能够适应各种编程需求；（3）提供 启发，ChatGPT可以提供代码解决方案的启示，帮助在面临问题时找 到新的思路和解决方法；（4）学习辅助，对于初学者，ChatGPT 可 以用作学习工具，提供代码示例和解释，帮助更好地理解编程概念 和实践。
要利用 ChatGPT 生成 Python 代码，需要我们提出明确、具体的问题 或需求，并包含有关代码的详细信息。在这当中，我们用户扮演着 产品经理的角色，而 ChatGPT 扮演着程序员的角色。等 ChatGPT 生 成代码后，需要在使用生成的代码之前进行适当的验证和调整。 我们可以通过以下数据获取、数据分析和数据输出等角度的例子来 帮助读者更好地理解 ChatGPT 的在代码生成上的运用。
3.1、数据获取：数据库接口、PDF读取
（1）读取 WindAPI 接口。WindAPI 接口是指 Wind 资讯金融终端提供的一组编程接口，允许开发人员使用多种编程语言（如 C++, Java, Python 等）编写程序来访问 Wind 资讯金融终端的数据和功能。通过 WindAPI 接口，开发人员可 以访问 Wind 资讯金融终端提供的众多数据和功能，包括市场行情数 据、财务数据、新闻资讯、图表分析、交易模拟等。 我们的需求：用 ChatGPT写一段 Python代码，目的是使用 WindPy库 下载 000001.OF 近 1 年的复权单位净值和沪深 300 的收盘价，并计算 两个数据之间的相关性。
（2）连接 Wind 底层数据库。 Wind底层数据库是指 Wind资讯金融终端所使用的数据存储系统，主 要负责存储和管理金融数据。相较于 Wind金融终端，Wind底层数据 库的数据存储能力更强，可以存储海量的金融数据，包括历史和实 时的行情数据、财务数据等。 我们的需求：用ChatGPT写一段Python代码模板，目的是通过Oracle 方式连接 Wind 底层数据库，其中用户名：xxx；密码：xxx；端口号： xxx；主机和服务名：xxx；地址：xxx。在连接底层数据后，我们需 要 从 数 据 库 中 的 表 wind.ChinaMutualFundDescription，提取 F_INFO_WINDCODE 为 006228.OF 的所有数据。
（3）读取 PDF 数据。 Python具有丰富的PDF库和工具，例如PyPDF2、pdfminer、pdfquery 等，可以通过简单的语法快速实现读取和处理 PDF 文件，并且支持 PDF 文本、图片、表格等各种元素的提取和处理。 我们的需求：用 ChatGPT写一段 Python代码，目的是在 Python3.7语 言环境中读取 A 基金.pdf 和 B 基金.pdf 文件，并且提取正文中报告期 内基金投资策略和运作分析该节的内容，分别记录基金 A和基金 B， 并将结果输出到 txt 中。
3.2、数据分析：批量处理、策略分析
（1）批量处理数据 。Python 拥有众多的数据处理库和工具，如 NumPy、Pandas、ScikitLearn 等，可以方便地进行数据的读取、清洗、分析、建模和可视化 等各种操作，且可以编写脚本实现自动化处理，可以实现批量处理 数据，大大提高了处理效率和准确性。 我们的需求：用 ChatGPT 写一段 Python 代码，读取目标文件夹下所 有表格数据，从所有表格中提取代码为 000001.OF的所有指标。表格 名字命名规则为：股票买卖总额年月.xlsx，表格的第二行为列标题。 从所有表格中提取代码为 000001.OF的所有指标，记录相应年月（从 表格的名字中获取），并将数据整理成一个新的表格，存在指定文件 夹中。
（2）基金收益分析。 Python 不仅拥有众多的数据处理库和工具，如 Pandas、NumPy、 Matplotlib、Seaborn 等，方便进行数据的读取、清洗、分析和可视化 等各种操作，支持多种数据格式和数据来源，包括 API、CSV、 Excel 等，而且拥有强大的统计分析和机器学习能力，可以对基金收 益数据进行各种分析和建模，如回归分析、聚类分析、时间序列分 析等，帮助投资者更好地理解和预测基金收益。 我们的需求：用 ChatGPT写一段 Python代码，目的是在读取 nav.xlsx 数据的基础上，第一列为日期，格式是日期格式；第二列为基金的 复权单位净值，基于复权单位净值，计算这只基金在这段时间的年 化收益率、年化波动率、最大回撤、年化夏普指标。
（3）股票策略分析。 Python 不但拥有众多的数据处理库和工具，而且拥有强大的统计分 析和机器学习能力，可以对股票数据进行各种分析和建模，可以帮 助投资者更好地理解股票策略、预测股票走势和价格。 我们的需求：用 ChatGPT 写一段 Python 代码，目的是在读取 A 股日 度行情.feather的基础上，列名 S_INFO_WINDCODE代表股票代码， TRADE_DT 代 表 交 易 日 ，S_DQ_ADJCLOSE 代 表 收 盘 价 ， S_DQ_ADJOPEN 代表开盘价，计算每只股票每月月底数据，进而计 算月涨跌幅，月涨跌幅的定义为月末收盘价/上月收盘价-1，根据所 有股票的月涨跌幅从小到大分 10 组，并通过输出下个月这 10 组收益 率的平均值，进而简单分析一下这个动量/反转策略。
（4）股票指标筛选。 Python 不但语法简单易用，使得指标筛选股票的代码编写变得简单 快捷，可以快速地完成数据的处理和分析；而且拥有强大的统计分 析能力可以帮助投资者更好地理解和筛选符合自己投资风格的股票。 我们的需求：用 ChatGPT 写一段 Python 代码，目的是用多个指标综 合筛选股票。在读取电子行业股票指标.xlsx 的基础上，第一列是 WindCodes 代 表 股 票 代 码 ， 第 2-5 列 分 别 是 ROE_AVG、 YOYEPS_BASIC、MKT_CAP_ARD、PE_TTM， 分 别 代 表 ROE、 EPS 增速、市值和市盈率。 筛选出 ROE、EPS 增速、市值排名靠前， 但市盈率排名靠后的前十个股票。
3.3、数据输出：可视化图像、标准化文档
（1）高级图像输出：动态条形图。 Python 不仅拥有众多的图像库和工具，如 Matplotlib、Seaborn、 Plotly 等，可以方便地进行各种图像的绘制和定制，支持多种图像类 型，包括静态图像和动态图像，而且其图像库和工具具有很高的可 定制性，可以自定义图像的各种属性和样式，包括颜色、大小、标 签、标题等，满足不同种类的需求。 我们的需求：我们需要 ChatGPT 写一段 Python 代码，目的是利用 bar_chart_race 库，使用 GDP.xlsx 中的数据做一个随时间变化的条形 图的视频(动态图像，mp4格式），并设置字体为SimHei。GDP.xlsx的 第一列为年份，第二到第八列为不同国家，画面右下角显示时间， 时间会由小到大变化，变化条形图发生变化，所有参数默认设定。
（2）标准化文档：点评、绘图。 首先，Python 拥有众多的数据处理库和工具，如 Pandas、NumPy、 Matplotlib、Seaborn 等，可以方便地进行数据的读取、清洗、分析和 可视化等各种操作进而进行点评；其次，Python 拥有丰富的可视化 库和工具，如 Matplotlib、Seaborn、Plotly 等，可以根据需要绘制各 种图表，包括线图、柱状图、散点图、热力图等，有利于绘图；最 后，Python 支持多种输出格式，包括 HTML、PDF、PNG、JPG 等， 方便用户进行不同场景的输出和共享。 我们的需求：用 ChatGPT写一段 Python代码，目的是在 Python3.7语 言环境中读取 close_date.csv 的数据，第一列为日期，并生成一段对 不同指数的价格的点评、绘制图像，最后把点评和图像输出，插入 Excel 中。
（3）基金收益分析 PPT 输出。 相较于 PowerPoint，一方面 Python 可以通过自定义函数或库来扩展 其功能，满足更多特定需求，使得 PPT 的制作更加灵活和高效；另 一方面，Python 可以通过编写脚本来自动化 PPT 的制作过程，如自 动生成幻灯片、插入图表、插入数据等，提高制作效率。此外，PPT 通常需要多人协作制作，在协作过程中容易出现版本不同步的问题， 而 Python 可以通过代码管理工具来实现更好的版本控制，避免不同 版本的幻灯片被混淆或丢失。
我们的需求：用 ChatGPT写一段 Python代码，目的是利用 WindPy库 提取 000001.OF、000006.OF 和 000015.OF 近一年的复权单位净值， 生成 PPT。PPT 第一页为大标题“基金的收益分析”，第二页到第四页 为这三只基金的收益分析。收益分析包括：章节标题为基金名称； 左边放图：近 1 年各个基金走势图；右边放表：近 1 年各个基金年化 收益、最大回撤、夏普比率的表格。
4、API接口：进阶应用，处理量大数据
4.1、API接口介绍：Python访问ChatGPT
ChatGPT 的 API 接口为用户提供了访问 ChatGPT 的方式，用户可以 通过本地 API 接口向 ChatGPT 发送请求并获取响应，从而更为便捷 地在本地使用 ChatGPT的部分功能。API接口可以支持的功能包括文 本摘要、文本分析、生成文本、问答对话等。 使用 ChatGPT 的 API 接口可以快速地完成自然语言处理任务，大大 提高处理效率，尤其是在需要处理大量文本数据时，可以明显地降 低人工处理时间和成本。同时API接口可以满足不同应用场景的需求， 根据用户的需求来提供定制化设置。
以 python 的 ChatGPT API 接 口 为 例 。 首 先 需 要 在 https://openai.com/blog/chatgpt 中 注 册 账 号 ， 之 后 在 https://platform.openai.com 网站创建自己的 API keys。获得相应权限 以后，在 python 中安装 openai 插件，即输入 pip install openai，调用 时只需要 import openai 并输入 openai.api_key = "您的 API keys"，即 可利用 python 使用 ChatGPT 的部分功能。
4.2、API应用案例分析：摘要、分类和对话
API 接口在 python 中的使用方法主要是通过构建 prompt 来完成的。 prompt 是一个字符串，它描述了用户通过 API 向 ChatGPT 发送的请 求。用户可以在 prompt 中指定要查询的问题、需要 API 返回的信息 类型以及其他的一些参数。具体的 prompt 的构建方法和使用方式取 决于API的具体实现。下面具体研究python的ChatGPT的API接口， 实现文本摘要、文本分类和问答对话功能。
（1）总结内容摘要。 对于无摘要的文章或长篇论文，可利用 ChatGPT 的文章摘要功能进 行内容总结。这里我们选取方正证券研究所于 2023 年 3 月 31 日发布 的报告《智能时代，指向未来 —中证人工智能主题指数投资价值分 析》的内容进行总结，由于 ChatGPT 每次输入有字数限值要求，因 此采用读取每页文章进行文本摘要的方法来提取文章的主要内容。 可以得到如下结果，其中 max_tokens 可以控制输出字符长度。（2）提取关键信息。对于多篇有摘要的文章，可以利用 ChatGPT 的 API 接口对这些摘要 进行汇总，并提取主要信息。例如汇总 3 篇指数投资价值研报摘要， 并对其中的指数部分内容进行总结，可以简洁明了的知道每篇研报 的主要内容。同样，可以利用 max_tokens 控制输出字符数，通过 prompt 构建方法。
（3）文章分类。可以利用 ChatGPT 的 API 接口对输入文本中进行情感分析，得到文 本内容的倾向性来得知它是积极的还是消极的。以新闻为例，可以 读取文件夹中的所有个股新闻文件，利用 ChatGPT 的 API 接口对新 闻进行分类，输出新闻的倾向性。 读取 4.19 中科曙光、4.20 海康威视以及寒武纪的新闻进行文本情感 分析，可以得到以下结果。具体的分类标准可以通过修改 prompt 的 要求来实现。（4）对话问答。可以通过修改 question中的问题，在 Python中利用 API接口中实现与 ChatGPT 的对话。
5、其他应用：Auto-GPT与Python版Copilot
5.1、Auto-GPT：GPT联网、自动思考
5.1.1、Auto-GPT介绍及下载安装
Auto-GPT 是一个近期广为关注的基于 Chat-4 和 Chat-3.5 的 Github 项 目，自项目创立以来，该项目的关注度得到了指数级增长，截止 2023 年 4 月 24 日，Auto-GPT 在 github 上已经得到了惊人的 10.7W 星，在 4 月 17 日，这个数目还是 7.8W 星，可以看出这个项目受到了 全世界关注 AIGC 的用户的关注，并且关注度还在以一个非常惊人的 速度上涨。 为什么 Auto-GPT 能够收获如此广泛的关注？其关键在于项目名称中 的“Auto”部分，Auto-GPT 能自己给自己下达任务，从而达到只需 要做好任务和 AI 角色的初始设定，就能够生成结果的效果。而在此 之前，在我们运用 ChatGPT 的时候，需要不断和 ChatGPT 进行对话， 不断为其设定新目标，不断进行微调，才能达到我们想要的结果。 所以这个项目的前景是非常美好的，甚至有人认为 Auto-GPT 在未来 将取代 Chat-GPT。
为了体验Auto-GPT的实际效果，我们安装并测试了Auto-GPT，下面 介绍 Auto-GPT的安装方法和实测感受：首先要在下载网址 https://gitscm.com/download/win 下载 Github 网站的 Git 应用，之后打开下载的 Git，输入 git clone https://github.com/Torantulino/Auto-GPT.git；接下 来打开 cmd，输入 cd Auto-GPT；然后在 cmd 继续输入 pip install -r requirements.txt。这样 Auto-GPT 项目的下载安装就完成了。要使用 Auto-GPT，需要使用 ChatGPT 官网所提供的 Openai key。将 Openai key 输入环境文件.env（需要先把文件.env.template 重命名名为.env） 中，Auto-GPT 就正式配置完成了。
5.1.2、Auto-GPT实际使用感受
Auto-GPT 的工作流程从原理上理解是简单易懂的。首先由人类给 Auto-GPT 取名，然后给 Chat-GPT 设定一个角色，紧接着为 AutoGPT 分配至多五个任务让其执行。Auto-GPT 在执行任务时，会将任 务拆解成若干个小任务，包括但不限于生成 Python 脚本，访问本地 文件，进行 Google 搜索并分析网页，储存生成的文本，执行 Python 文件等等。
Auto-GPT在使用过程中与 Chat-GPT截然不同的地方是，在使用过程 中用户不需要对运作过程进行太多关注，只需要看着 Auto-GPT 自己 给自己设定目标、分配任务，自己生成文件，用户所需要做的绝大 多数操作就是输入 y（表示同意，允许 Auto-GPT 执行下一步）即可。 另外 Chat-GPT 的数据库只更新到 2021 年 9 月份，其信息的时效性比 较差，难以达到金融业所需要的时效性要求，但是 Auto-GPT 被赋予 了联网的功能，在这方面做出了补充。然后 Chat-GPT 无法访问本地 文件，导致很多工作难以完成，但是 Auto-GPT 被赋予了一定的本地 文件访问权限（可开启或关闭），这使得它在处理问题时能起到更加 强大的作用。
Auto-GPT 主要依赖 GPT-4 和 GPT-3.5 模型，两种模型的分工不同， 在默认的设置中，GPT-4 用来执行需要缜密思考的步骤，而 GPT-3.5 用来执行需要快速响应的步骤。Auto-GPT 有数据存储功能，它会将 工作记录保存在文件 auto-gpt.json 中以便下一次使用 Auto-GPT 时进 行上次未完成的工作。 虽说 Auto-GPT 的功能看起来很美好，但它毕竟还是一个实验性的项 目，还存在着诸多不足： 1、价格昂贵且成本不好控制，由于 Auto-GPT 使用的是 Openai 的接 口，价格是按照 Openai 的价格来收费，如果以较为乐观的视角看待 的话，Auto-GPT 完成每次任务的开销是 100 人民币左右。
2、Auto-GPT还不能很好理解操作者的意图，而且由于它执行步骤的 时候实际上是处于黑箱状态，所以用户也很难在 Auto-GPT 运行的过 程中对其进行调整。最终的结果可能会出现得到的答案和想要的答 案相差甚远的情况。 3、Auto-GPT可能会出现死循环的情况，它有时不能正确完成任务， 无法保存文件，有时会不断地出现“do_nothing”即没有任务可完成 的情况，这降低了用户的使用体验，延长了任务完成的时间，而且 提高了用户的资金投入。 以上几个问题不解决，Auto-GPT 仍将是一个实验性的项目而难以得 到大范围的推广。
但是从长远来看，Auto-GPT 这种能够自己进行思考的应用是有一定 的使用前景的。它的前景表现在：1、只需要设定角色、安排任务， Auto-GPT 就能自己完成任务，能够在很大程度上减少人类的工作量； 2、Auto-GPT的思考过程是自动进行的，人类的干涉比较少，可能能 得到带来惊喜的开创性结果，或能适用于一些开创性任务，如因子 发掘等。
5.2、GitHub Copilot：编程效率提升
5.2.1、GitHub Copilot的介绍
GitHub Copilot 是 GitHub、OpenAI、微软联合打造了一个全新的代码 生成 AI，通过输入的代码描述，结合上下文自动补全可能出现的代 码，从而加快程序员们编写代码的速度。GitHub Copilot 的工作原理 就是使用人工智能技术对大量的代码不断进行训练和学习，进而可 以结合用户的代码上下文、注释、函数签名等进行代码补全和编写， 从一定程度上使得代码编写更高效和轻松。 GitHub Copilot 是一个基于云的服务，它支持多种集成开发环境，包 括 Visual Studio Code、JetBrains IDE、GitHub Codespaces、GitHub CLI 以及 Sublime Text，可以通过安装 GitHub Copilot 插件在编辑器中 使用。同时它也支持多种编程语言，包括 Python、JavaScript、 TypeScript、Ruby 等。
5.2.2、GitHub Copilot的功能及应用
GitHub Copilot 的功能非常强大。自动代码补全功能，这是指 GitHub Copilot 可以根据用户的代码上下文和语法提示自动补全代码；它还 可以根据用户的注释自动生成代码；GitHub Copilot 的模仿能力也很 强，它可以根据用户写过的代码例子快速生成模板和重复的代码； 同时它也能提供与代码匹配的测试，只要用户导入单元测试包即可 给出与代码匹配的测试；如果用户有需要对现有的代码进行结构调 整或者性能调整，GitHub Copilot 还可以提供准确的重构建议，帮助 用户改进代码质量并减少错误。
5.2.3、GitHub Copilot评价
对于程序员而言，GitHub Copilot 可以非常有效的提高开发效率，减 少编写代码的时间，也可以利用它进行代码检查、重构和测试，提 高代码的可读性和准确度；同时 GitHub Copilot 作为插件在编辑器中 使用，用户可以非常方便地与之交互，通过简单的命令实现多种功 能。 但是 GitHub Copilot 的开发同样也存在一些问题，Copilot 的预测结果 仅仅是基于机器学习模型的猜测，无法保证代码的完全正确，仍然 需要用户的检查和测试；同时，在 GitHub Copilot 训练使用代码时， 不会给出相应代码来源，存在版权问题；以及 GitHub Copilot 是一个 基于云的服务，会导致一定的代码外泄风险。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
精选报告来源：【未来智库】
