Используем базу в Notion как знания для нейро-сотрудника на базе LLM (ChatGPT)
Какую проблему мы будем решать?
⚡ Генерация ответов от LLM по базе знаний неограниченного объема и со 100% точностью ответов.
Почему Notion в качестве базы знаний?
- Notion бесплатен
- Базы данных в Notion не имеют ограничений по количеству записей. Ограничение в бесплатном тарифе только на размер фалов (до 5 Мб) и на максимальное количество символов в текстовом поле (2000 букв).
- Notion предоставляет API для поиска по базе данных
- Работа нескольких менеджеров с одной базой (до 5 в бесплатном тарифе)
- Существует много сервисов по автоматизации процесса обновление и добавление данных в базе Notion (Zapier и другие)
Шаг №1: Создадим тестовую базу в Notion
По этой ссылке вы можете скопировать пример базы данных к себе в аккаунт Notion.
Шаг №2: Открываем доступ по API к базе данных в Notion
Для того чтобы наш нейро-сотрудник мог обращаться к базе в Notion перейдите по этой ссылке. Вы увидите такую страницу:
Нажмите на кнопку New integration и получите API ключ.
И наконец самое важное! Вы должны подключить созданную интеграцию к вашей базе:
Шаг №3: Создаем нейро-сотрудника
Для примера мы используем сервис ProTalk у которого уже есть готовая интеграция с Notion
Пишем коротко роль для генерации нейро-сотрудника и далее кнопку Создать.
Далее настроим по шагам нашего нейро-сотрудника:
В качестве примера выберем модель ChatGPT 4 omni и подключим функцию связи с базой в Notion.
Двигаемся дальше к настройке роли для нейро-сотрудника:
Тут пока ничего можем не менять и подключим сразу Телеграм бота на следующем шаге.
После этого мы видим созданного сотрудника в личном кабинете:
Шаг №4: Инструктируем нейро-сотрудника как работать с базой в Notion
Для того чтобы наш нейро-сотрудник мог ориентироваться самостоятельно по базе данных в Notion нам нужно сказать ему по каким полям базы он может фильтровать и искать автомобили.
Вот так выглядит для примера инструкция по работе с базой автомобилей:
Добавим эти инструкции в поле “Поведение”:
⚡Обратите внимание что мы не указали все варианты значений для полей “Марка машины”, “Класс автомобиля” и “Цвет машины”. Если вы хотите чтобы нейро-сотрудник ориентировался полностью по всем вариантам нужно указать полные списки всех вариантов значений этих полей.
Добавим в “Роль” данные для подключения к нашей базе:
Тестирование нейро-сотрудника
Все правильно, мы не дали в инструкциях боту варианта фильтрации по марке “Toyota”.
По марке “Volkswagen” и в наличии нейро-сотрудник отработал корректно.
По фильтру мощности двигателя так же наш нейро -сотрудник справился с задачей.
И такой запрос бот отработал на отлично.
Вывод
Плюсы использования базы Notion в ботах на базе LLM очевидны:
- Ориентирование в базах неограниченного объема
- 100% достоверность ответов
- Обновление знаний в реальном времени и в рамках текущего диалога с пользователем
- Работа нескольких менеджеров с одной базой (до 5 в бесплатном тарифе)
Но как обычно есть и другая сторона, которая потребует от вас времени на подготовку:
- Необходимо подготовить и занести данные в Notion
- Сделать описание полей для фильтрации и включить это в роль нейро-сотрудника
Итог
Если у вас возникнут вопросы при создании подобной интеграции, то напишите в комментарии или мне в Telegram и я постараюсь ответить на ваши вопросы.
все же пока люди не готовы общаться с машиной, в текстовом формате возможно это и сработает
уже очень скоро очень сложно будет понять говоришь ли ты с человеком или с ИИ )
Строго говоря, на последний вопрос ("мне нужен надежный электромобиль, что у вас есть?" чат-бот ИИ ответил неверно.
GLE в лучшем случае "гибрид" (есть такая категория в БД), а не электромобиль.
Это уже мне кажется зависит от задачи автосалона. Это можно в роли бота прописать: "Считай гибрид более надежным чем электромобиль."