|
这是一本 Python编程书，让GLM-4-Long总结下核心内容。 
这可是500多页电子书！GLM-4-Long 能够做到全面、准确的总结。 
从上面截图中，可以看到用的是 Python API 调用的智谱长文本大模型，模型名称是 ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);">GLM-4-Long。
GLM-4-Long模型专为处理超长文本和记忆型任务设计，极大提高了模型的上下文理解能力。支持 1M 上下文，约 150-200 万汉字，大约相当于2本《红楼梦》或 125 篇论文的。 支持API调用最大的好处是可以通过编程开发出更强大的AI应用。这里分享两个大家比较感兴趣的——知识库助手和代码阅读助手。用上GLM-4-Long 后都起飞了。 
知识库助手目前的方案大都是用 RAG 来实现，即搜索引擎。但对于大部分人来说，没有能力优化搜索引擎，所以，助手的效果也就会打折扣。 这时候，长文本大模型的优势就来了，不需要再搭建搜索引擎，直接把资料一股脑丢给大模型。 
有了ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.578px;text-wrap: wrap;">GLM-4-Long以后再精读论文或者任何资料可就太方便了。 并且开发这个知识库助手简单到只需要两步。 第一步，读取上传的本地资料 
第二步，本地资料送入GLM-4-Long大模型，进行问答 
基本上跟调用普通大模型差别不大。 另一个项目是代码阅读助手，很多朋友之所以喜欢这个项目，是因为它可以一键阅读整个 project 下的所有源代码，比较快捷。 
开发这个项目的时候，用到的大模型上下文普遍比较小，所以需要一个文件、一个文件地总结，然后再递归汇总。这个过程难免损失一些关键信息。 最糟糕情况的是，单个文件代码量超过模型上下文限制，这时候就要再对单个文件再拆分，工作量+n。 有了长文本大模型，就可以把整个项目代码拼在一起，一次性获取所有结果。 
既节省工作量，还能利用大模型上下文理解能力，保证回答的质量。 
除了总结整个项目，查找具体代码、修改代码，也不在话下。
以后再也不惧阅读别人的“屎山”代码了。
推荐大家都试试智谱AI的这个GLM-4-Long大模型，尤其是经常需要开发智能体和AI应用的朋友。
| 
