如果我们对ChatGLM进一步提出涉及专业领域的问题，而此方面知识是ChatGLM未经数据训练的，那么ChatGLM的回答效果如何呢？本节将考察ChatGLM在专业领域的问答水平，并尝试解决此方面的问题。

在使用ChatGLM制作专业领域问答机器人之前，我们需要了解ChatGLM能否完整地回答使用者所提出的问题。下面提出一个专业医学问题交于ChatGLM回答，代码如下：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()

prompt_text = "小孩牙龈肿痛服用什么药"
"-------------------------------------------------------------------------------------------------------------------------------------------------------"
print("普通ChatGLM询问结果：")
response, _ = model.chat(tokenizer, prompt_text, history=[])
print(response)

这是一份最常见的生活类医学问答，问题是“小孩牙龈肿痛服用什么药”，在这里我们使用已有的ChatGLM完成此问题的回答，结果如图17-2所示（注意，在使用ChatGLM回答问题时，结果会略有不同）。

图17-2  ChatGLM询问结果

这是一个较经典的回答，其中涉及用药建议，但是并没有直接回答我们所提出的问题，即“服用什么药”。专业回答建议如图17-3所示。

图17-3  专业回答建议

其中灰底部分是对这个问题的回答，即通过服用牛黄解毒丸可以较好地治疗小孩牙龈肿痛。这是一种传统的治疗方案。我们的目标就是希望ChatGLM能够根据所提供的文本资料回答对应的问题，而问题的答案应该就是由文本内容所决定的。

下面我们分析使用ChatGLM根据文本回答问题的思路。一个简单的办法就是将全部文档发送给ChatGLM，然后通过Prompt的方式告诉ChatGLM需要在发送的文档中回答特定的问题。

显然这个方法在实战中并不可信。首先，需要发送的文档内容太多，严重地消耗硬件的显存资源；其次，庞大的数据量会严重拖慢ChatGLM的回答；再次数据量过大还会影响ChatGLM查询文档的范围。

因此，我们需要换一种思路来完成实战训练。如果只发送与问题最相关的“部分文档”信息给ChatGLM，是否可行呢？整体流程如图17-4所示。

图17-4  整体流程

这只是一个思路，具体是否能够成功还需要读者自行尝试。

本文节选自《从零开始大模型开发与微调：基于PyTorch与ChatGLM》，获出版社和作者授权共享。