编程语言AI
ChatGPT 插件生态爆发：自动写书流程与插件知识库构建方法
ChatGPT 插件数量已突破 390 个，其中包含自动写书等高效工作流。探讨了如何利用 AI Agents 配合联网插件实现电子书自动生成，并重点介绍了让 ChatGPT 认知现有插件库的技术方案。通过外部链接读取或分批发送数据的方式，可解决模型知识截止问题。文章提供了具体的提示词模板、Python 脚本示例及上下文管理策略，帮助用户构建本地化的插件知识库，提升 AI 任务执行效率。
ChatGPT 插件数量已突破 390 个，其中包含自动写书等高效工作流。探讨了如何利用 AI Agents 配合联网插件实现电子书自动生成，并重点介绍了让 ChatGPT 认知现有插件库的技术方案。通过外部链接读取或分批发送数据的方式，可解决模型知识截止问题。文章提供了具体的提示词模板、Python 脚本示例及上下文管理策略，帮助用户构建本地化的插件知识库，提升 AI 任务执行效率。
ChatGPT 插件数量近期呈现爆发式增长，总数已达 390 个。相较于刚开放时的 74 个，增长率超过 400%。值得注意的是，其中 112 个插件是在短时间内集中上线的，显示出开发社区对插件生态的高度活跃。
虽然早期插件质量参差不齐，但随着新插件的加入，各种'联动出奇迹'的组合玩法被不断挖掘。例如，最近流行的玩法是仅输入一个主题，让 AI 自动搜集资料并撰写一本电子书。这一流程的核心在于利用 AI Agents 插件，它能够自动分解复杂任务、制定步骤并按顺序执行。配合联网插件（如 Web Request）负责实时搜集资料，整个自动化写作流程即可跑通。
这种玩法之所以备受关注，源于其商业潜力。此前已有案例显示，有人利用 AI 撰写了 97 本电子书并在网上销售，尽管质量一般，但也获得了可观的收益。随着自动工作流的成熟，生产效率有望进一步提升。
面对海量的插件，如何快速找到适合自己需求的工具？能否让 ChatGPT 自己推荐合适的插件组合？
然而，无论是 GPT-3.5 还是 GPT-4，其训练数据的现实世界知识截止于 2021 年 9 月。这意味着模型本身并不知晓当前存在的插件功能，甚至不知道自身拥有调用插件的能力。
要解决这一问题，必须通过外部手段将插件信息注入到模型的上下文中。经过反复测试，我们总结出两种主要方案：借助联网插件读取外部数据，或分批发送数据。
对于数量众多的联网插件，测试发现 Web Request 插件体验最佳，速度稳定且支持长内容分页读取。
后续再提问时，由于上下文已包含插件信息，响应速度会显著提升。
第二种方法不使用额外插件，适用于 GPT-3.5 和 GPT-4。但需注意，GPT-3.5 在处理大量数据时可能会出现名称截断或理解偏差。
为了让 ChatGPT 分批次接收数据而不遗忘，需要使用思维链（Chain of Thought）提示词，明确指定任务流程和回复规范。
- 你的任务是回答任何关于 ChatGPT 插件的问题。
- 现在一共有 390 个插件，接下来我会以'{编号} {名称} - {功能描述}'的方式分批把插件数据发给你。
- 在未接收完全部插件数据之前，只需要阅读并记住这些数据，并回复'收到，请继续发送下一批数据'。
- 接收完全部插件数据之后，请回复'已收到全部插件数据，接下来可以任意提问了'，并在后续对话中使用与提问相同的语言回答问题。
- 收到这一条消息后，请回复'收到，请开始发送数据'。
为了高效获取插件数据，可以使用 Python 脚本进行爬虫和数据清洗。以下是一个简化的逻辑示例：
import requests
import json
# 模拟获取插件列表
plugin_list = []
for i in range(390):
# 实际场景中需替换为真实的 API 接口
plugin_info = {
"id": i,
"name": f"Plugin_{i}",
"description": f"This is a description for plugin number {i}."
}
plugin_list.append(plugin_info)
# 保存为 JSON 文件以便上传
with open('plugins.json', 'w', encoding='utf-8') as f:
json.dump(plugin_list, f, ensure_ascii=False, indent=2)
print(f"Total plugins: {len(plugin_list)}")
此脚本可用于生成标准化的插件元数据文件，便于后续批量导入或上传至图床。
在使用分批发送方案时，需密切关注 Token 消耗。每个插件的描述平均约 50-100 tokens，390 个插件可能占用数万 tokens。建议采用以下策略：
针对文章开头提到的自动写书插件组合（AI Agents、Web Request、WebPilot），我们进行了实测。
原作者推荐的提示词只需一句，后续无脑说'keep going'即可。我们将提示词直接换成中文，发现同样可以成功调用 AI Agents 插件，并且生成的内容自动适配为中文。
接下来的排版和导出环节需要 OpenAI 官方插件 Code Interpreter（代码解释器）。目前该插件处于 Alpha 测试阶段，需排队申请资格。不过，写作部分完成后，如有修改需求可随时提出，相当于将工作外包给 AI，自己作为甲方把控内容。
通过上述两种方案，用户可以有效解决 ChatGPT 缺乏最新插件知识的问题。借助外部链接或分批注入数据，结合思维链提示工程，能够构建本地化的插件知识库。这不仅提升了任务执行的准确性，也为探索更多 1+1>2 的工作流程提供了基础。未来随着插件生态的进一步成熟，AI 辅助创作和开发的效率将得到质的飞跃。
在实际应用中，建议根据自身的 Token 预算和网络环境选择合适的方案。同时，注意保护敏感数据，避免将私有插件信息上传至公共服务器。通过持续优化提示词和管理上下文，可以最大化 AI 工具的效能。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online