Auto-GPT & GPT-Engineer: دليل شامل لوكيلات الذكاء الاصطناعي الرائدة اليوم

عند المقارنة بين ChatGPT ووكيلات الذكاء الاصطناعي المستقلة مثل Auto-GPT و GPT-Engineer، يظهر فرق كبير في عملية اتخاذ القرارات. في حين أن ChatGPT يتطلب تدخل بشري نشط لتشغيل المحادثة، وتقديم إرشادات بناءً على محفزات المستخدم، فإن عملية التخطيط تعتمد في الغالب على التدخل البشري.

نماذج الذكاء الاصطناعي التوليدي مثل المحولات هي التكنولوجيا الأساسية الحالية، وتدفع هذه الوكيلات المستقلة. يتم تدريب هذه المحولات على مجموعات بيانات كبيرة، مما يسمح لها بمحاكاة قدرات التفكير والاتخاذ القرارات المعقدة.

الجذور المفتوحة للموكلين المستقلين: Auto-GPT و GPT-Engineer

تتأتي العديد من هذه الوكيلات المستقلة من مبادرات مفتوحة بقيادة أفراد مبتكرين يتحولون سير العمل التقليدية. بدلاً من تقديم اقتراحات فقط، يمكن لوكيلات مثل Auto-GPT التعامل بشكل مستقل مع المهام، من التسوق عبر الإنترنت إلى إنشاء تطبيقات أساسية. يهدف مفسّر код OpenAI إلى تحديث ChatGPT من مجرد اقتراح أفكار إلى حل المشكلات بشكل فعلي باستخدام هذه الأفكار.

كلاً من Auto-GPT و GPT-Engineer مجهزان بقوة GPT 3.5 و GPT-4. إنها تفهم منطق الكود، وتجمع بين الملفات المتعددة، وتسريع عملية التطوير.

تقع جوهر وظيفة Auto-GPT في وكيلات الذكاء الاصطناعي. يتم برمجة هذه الوكيلات للقيام بمهام محددة، من المهام الروتينية مثل جدولة الموعد إلى مهام أكثر تعقيدًا تتطلب اتخاذ قرارات استراتيجية. ومع ذلك، تعمل هذه الوكيلات ضمن الحدود المحددة من قبل المستخدمين. من خلال التحكم في الوصول إليها عبر واجهات برمجة التطبيقات، يمكن للمستخدمين تحديد عمق ونطاق الإجراءات التي يمكن للوكيلات تنفيذها.

على سبيل المثال، إذا كُلف Auto-GPT بإنشاء تطبيق محادثة على الويب متكامل مع ChatGPT، فإن Auto-GPT يكسّر الهدف تلقائيًا إلى خطوات قابلة للتنفيذ، مثل إنشاء واجهة أمامية HTML أو كتابة خلفية بايثون. بينما ينتج التطبيق هذه المحفزات تلقائيًا، يمكن للمستخدمين مراقبتها وتعديلها. كما هو موضح من قبل مبتكر AutoGPT @SigGravitas، يمكنه بناء وتشغيل برنامج اختبار يعتمد على بايثون.

https://twitter.com/SigGravitas/status/1642181498278408193

في حين أن الشكل التالي يصف هيكلًا عامًا لوكيل الذكاء الاصطناعي المستقل، فإنه يوفر رؤية قيمة للعمليات التي تحدث في الخلفية.

هيكل وكيل الذكاء الاصطناعي المستقل

تتم بدء العملية bằng التحقق من مفتاح واجهة برمجة التطبيقات OpenAI وتحديد معلمات مختلفة، بما في ذلك الذاكرة القصيرة الأمد ومحتوى قاعدة البيانات. بمجرد تمرير بيانات المفتاح إلى الوكيل، يتفاعل النموذج مع GPT3.5 / GPT4 لاسترجاع استجابة. يتم تحويل هذه الاستجابة إلى تنسيق JSON، الذي يفسرها الوكيل لتنفيذ مجموعة من الوظائف، مثل إجراء عمليات بحث عبر الإنترنت أو قراءة أو كتابة الملفات أو حتى تشغيل الكود. يستخدم Auto-GPT نموذجًا مدربًا مسبقًا لتخزين هذه الاستجابات في قاعدة بيانات، ويستخدم التفاعلات المستقبلية هذه المعلومات المخزنة كمرجع. يستمر الحلقة حتى يُعتبر المهام مكتملة.

دليل الإعداد ل Auto-GPT و GPT-Engineer

يمكن أن يبسّط إعداد أدوات متقدمة مثل GPT-Engineer و Auto-GPT عملية التطوير الخاصة بك. فيما يلي دليل منظم لمساعدتك في تثبيت وتكوين كلا الأداتين.

Auto-GPT

يمكن أن يبدو إعداد Auto-GPT معقدًا، لكنه يصبح بسيطًا مع الخطوات الصحيحة. يغطي هذا الدليل إجراء تثبيت Auto-GPT ويوفر رؤى حول السيناريوهات المتنوعة.

1. المتطلبات الأساسية:

1. بيئة بايثون: تأكد من أن لديك بايثون 3.8 أو أحدث مثبت. يمكنك الحصول على بايثون من موقع بايثون الرسمي.
2. إذا كنت تخطط لاستنساخ مستودعات، فقم بتثبيت جيت.
3. مفتاح واجهة برمجة التطبيقات OpenAI: لتفاعل مع OpenAI، يُطلب مفتاح واجهة برمجة التطبيقات. احصل على المفتاح من حساب OpenAI الخاص بك

إنشاء مفتاح واجهة برمجة التطبيقات OpenAI

خيارات تخزين الذاكرة: تعمل الذاكرة الخلفية كآلية تخزين ل AutoGPT للوصول إلى البيانات الأساسية لأدائه. يستخدم AutoGPT كلاً من التخزين القصير الأمد والطويل الأمد. Pinecone و Milvus و Redis هي بعض الخيارات المتاحة.

2. إعداد مساحة العمل:

1. إنشاء بيئة افتراضية: python3 -m venv myenv
2. تفعيل البيئة:
   1. macOS أو لينكس: source myenv/bin/activate

3. التثبيت:

1. استنساخ مستودع Auto-GPT (تأكد من تثبيت جيت): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. لضمان العمل مع الإصدار 0.2.2 من Auto-GPT، قم بتشغيل git checkout stable-0.2.2
3. انتقل إلى المستودع المثبت: cd Auto-GPT
4. تثبيت التبعيات المطلوبة: pip install -r requirements.txt

4. التكوين:

1. ابحث عن .env.template في الدليل الرئيسي /Auto-GPT. قم بنسخه وإعادة تسميته إلى .env
2. افتح .env وحدد مفتاح واجهة برمجة التطبيقات OpenAI الخاص بك بجانب OPENAI_API_KEY=
3. بشكل مماثل، لاستخدام Pinecone أو تخزين الذاكرة الخلفية الآخر، قم بتحديث ملف .env بمفتاح واجهة برمجة التطبيقات Pinecone و المنطقة.

5. تعليمات سطر الأوامر:

يقدم Auto-GPT مجموعة غنية من تعليمات سطر الأوامر لتخصيص سلوكه:

• الاستخدام العام:
  • عرض المساعدة: python -m autogpt --help
  • تعديل إعدادات الذكاء الاصطناعي: python -m autogpt --ai-settings <اسم الملف>
  • تحديد خلفية الذاكرة: python -m autogpt --use-memory <خلفية الذاكرة>

واجهة سطر الأوامر AutoGPT

6. تشغيل Auto-GPT:

بمجرد اكتمال التكوين، قم بتشغيل Auto-GPT باستخدام:

• لينكس أو ماك: ./run.sh start
• ويندوز: .run.bat

تكامل Docker (نهج التثبيت الموصى به)

لأولئك الذين يرغبون في تثبيت Auto-GPT في حاوية، يوفر Docker نهجًا مبسطًا. ومع ذلك، يجب أن تكون على علم بأن تثبيت Docker قد يكون معقدًا قليلاً. راجع دليل تثبيت Docker للحصول على المساعدة.

اتبع الخطوات التالية لتغيير مفتاح واجهة برمجة التطبيقات OpenAI. تأكد من تشغيل Docker في الخلفية. الآن، انتقل إلى الدليل الرئيسي ل AutoGPT واتبع الخطوات التالية على طرفيةك

• ابنِ صورة Docker: docker build -t autogpt .
• تشغيل: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

باستخدام docker-compose:

• تشغيل: docker-compose run --build --rm auto-gpt
• للمزيد من التخصيص، يمكنك دمج الحجج الإضافية. على سبيل المثال، لتشغيله مع –gpt3only و –continuous: docker-compose run --rm auto-gpt --gpt3only--continuous
• نظرًا للاستقلالية الواسعة التي يمتلكها Auto-GPT في توليد المحتوى من مجموعات بيانات كبيرة، هناك خطر محتمل من الوصول غير المقصود إلى مصادر ويب ضارة.

لتحديد هذه المخاطر، قم بتشغيل Auto-GPT داخل حاوية افتراضية، مثل Docker. هذا يضمن أن أي محتوى ضار محتمل يبقى محصورًا داخل الفضاء الافتراضي، مع الحفاظ على ملفاتك ونظامك الخارجي سليمين. بديل آخر هو Windows Sandbox، على الرغم من أنه يُعادة تعيين بعد كل جلسة، ويفشل في الحفاظ على حالته.

من أجل الأمان، قم دائمًا بتشغيل Auto-GPT في بيئة افتراضية، مما يضمن أن نظامك يبقى معزولًا عن أي مخرجات غير متوقعة.

على الرغم من كل هذا، لا يزال هناك احتمال أنك قد لا تتمكن من الحصول على النتائج المرجوة. أبلغ مستخدمو Auto-GPT عن مشكلات متكررة عند محاولة الكتابة إلى ملف، وغالبًا ما واجهوا محاولات فاشلة بسبب أسماء الملفات المشكلة. هنا أحد هذه الأخطاء: Auto-GPT (الإصدار 0.2.2) لا يضيف النص بعد خطأ "write_to_file returned: Error: File has already been updated

تم مناقشة حلول مختلفة لمعالجة هذا الأمر على صفحة قضايا GitHub للرجوع إليها.

GPT-Engineer

سير عمل GPT-Engineer:

1. تحديد المحفز: قم بإنشاء وصف مفصل لمشروعك باستخدام اللغة الطبيعية.
2. توليد الكود: بناءً على محفزك، يعمل GPT-Engineer على توليد شفرة، ووظائف، أو حتى تطبيقات كاملة.
3. التحسين والتطوير: بعد التوليد، هناك دائمًا فرصة للتحسين. يمكن للمطورين تعديل الكود المولّد ليلبي متطلبات محددة، مما يضمن جودة رفيعة.

تم تقليل عملية إعداد GPT-Engineer إلى دليل سهل المتابعة. هنا تفصيل خطوة بخطوة:

1. إعداد البيئة: قبل البدء، تأكد من أن لديك دليل مشروعك جاهزًا. افتح طرفية واكتب الأمر التالي

• إنشاء دليل جديد باسم “موقع ويب”: mkdir website
• انتقل إلى الدليل: cd website

2. استنساخ المستودع: git clone https://github.com/AntonOsika/gpt-engineer.git .

3. التنقل وتثبيت التبعيات: بعد الاستنساخ، انتقل إلى الدليل cd gpt-engineer وتثبيت جميع التبعيات الضرورية make install

4. تفعيل البيئة الافتراضية: اعتمادًا على نظام التشغيل الخاص بك، قم بتفعيل البيئة الافتراضية المنشأة.

• لـ macOS/Linux: source venv/bin/activate

• لـ ويندوز، يختلف الأمر قليلاً بسبب إعداد مفتاح واجهة برمجة التطبيقات: set OPENAI_API_KEY=[مفتاح واجهة برمجة التطبيقات الخاص بك]

5. التكوين – إعداد مفتاح واجهة برمجة التطبيقات: لتفاعل مع OpenAI، ستحتاج إلى مفتاح واجهة برمجة التطبيقات. إذا لم تكن لديك واحد بعد، سجّل حسابًا على منصة OpenAI، ثم:

• لـ macOS/Linux: export OPENAI_API_KEY=[مفتاح واجهة برمجة التطبيقات الخاص بك]

• لـ ويندوز (كما ذكرنا سابقًا): set OPENAI_API_KEY=[مفتاح واجهة برمجة التطبيقات الخاص بك]

6. تهيئة المشروع وتوليد الكود: سحر GPT-Engineer يبدأ من ملف main_prompt الموجود في مجلد projects.

• إذا كنت ترغب في بدء مشروع جديد: cp -r projects/example/ projects/website

هنا، استبدل “موقع ويب” باسم مشروعك المُختار.

• عدّل ملف main_prompt باستخدام محرر نصوص من اختيارك، واكتب متطلبات مشروعك.

• بمجرد انتهائك من المحفز، قم بتشغيل: gpt-engineer projects/website

سيتم وضع الكود المولّد في مجلد workspace داخل مجلد المشروع.

7. بعد التوليد: بينما يُعتبر GPT-Engineer قويًا، قد لا يكون دائمًا مثاليًا. قم بفحص الكود المولّد، واكتب أي تعديلات ضرورية، واكد أن كل شيء يعمل بسلاسة.

تشغيل مثال

المحفز:

“أريد تطوير تطبيق Streamlit الأساسي في بايثون لتصوير بيانات المستخدم من خلال مخططات تفاعلية. يجب أن يسمح التطبيق للمستخدمين بتحميل ملف CSV، واختيار نوع المخطط (على سبيل المثال، شريط، فطيرة، خط)، وتصوير البيانات بشكل ديناميكي. يمكنه استخدام مكتبات مثل Pandas لتعامل البيانات و Plotly للتصوير.”

إعداد وتشغيل GPT-Engineer

مثل Auto-GPT، قد يواجه GPT-Engineer أخطاء حتى بعد الإعداد الكامل. ومع ذلك، في محاولتي الثالثة، نجحت في الوصول إلى صفحة Streamlit التالية. تأكد من مراجعة أي أخطاء على صفحة قضايا مستودع GPT-Engineer الرسمي.

تطبيق Streamlit المولّد باستخدام GPT-Engineer

العراقيل الحالية لوكيلات الذكاء الاصطناعي

النفقات التشغيلية

قد يتضمن مهمة واحدة يتم تنفيذها بواسطة Auto-GPT العديد من الخطوات. يمكن أن يتم فواتير كل خطوة من هذه الخطوات بشكل فردي، مما يزيد من التكاليف. يمكن أن يتعثر Auto-GPT في حلقات متكررة، ويفشل في تقديم النتائج المpromised، مما يضعف موثوقيته ويقلل من الاستثمار.

تخيل أنك تريد إنشاء مقال قصير باستخدام Auto-GPT. يُفضل أن يكون طول المقال 8K رمز، ولكن خلال عملية الإنشاء، قد يتعمق النموذج في العديد من الخطوات الوسيطة لإنهاء المحتوى. إذا كنت تستخدم GPT-4 بطول سياق 8k، فسيتم فوترتك $0.03 للإدخال، و $0.06 للإخراج. الآن، إذا تعثر النموذج في حلقة غير متوقعة، وكرر بعض الأجزاء عدة مرات، فلا يزيد فقط الوقت اللازم، بل يزيد أيضًا من التكلفة.

للحماية من هذا:
حدد حدود الاستخدام في فواتير وحدود OpenAI:

• الحد الأقصى الصلب: يمنع الاستخدام بعد حدودك المحددة.
• الحد الأقصى اللين: يرسل لك بريدًا إلكترونيًا عند بلوغ الحد.

limitations الوظيفية

تأتي قدرات Auto-GPT، كما هو موضح في شفرة المصدر، مع بعض الحدود. استراتيجيات حل المشكلات الخاصة به يتم التحكم فيها بواسطة وظائفه الداخلية والوصول المقدم بواسطة واجهة برمجة التطبيقات GPT-4. لمزيد من المناقشات والتحايل المحتمل، يُفضل زيارة: مناقشة Auto-GPT.

تأثير الذكاء الاصطناعي على سوق العمل

الديناميكية بين الذكاء الاصطناعي وسوق العمل تتطور باستمرار، وتم توثيقها على نطاق واسع في هذا الورقة البحثية. أحد النتائج الرئيسية هو أن التقدم التكنولوجي غالبًا ما يفيد العمال المهرة، ولكنه يشكل مخاطر للعاملين في المهام الروتينية. في الواقع، قد تؤدي التطورات التكنولوجية إلى استبدال بعض المهام، ولكنها تفتح أيضًا الطريق لمهام متنوعة ومتطلبة للعمالة.

قد يجد حوالي 80% من العمال الأمريكيين أن نماذج التعلم اللغوي (LLMs) تؤثر على حوالي 10% من مهامهم اليومية. هذه الإحصائية تبرز اندماج الذكاء الاصطناعي ودور الإنسان.

دور الذكاء الاصطناعي المزدوج في القوى العاملة:

• الجوانب الإيجابية: يمكن للذكاء الاصطناعي توفير الكثير من المهام، من خدمة العملاء إلى المشورة المالية، مما يوفر راحة للشركات الصغيرة التي تفتقر إلى الموارد للفرق المخصصة.
• القلق: يثير تحسين الأتمتة مخاوف بشأن فقدان الوظائف، خاصة في القطاعات التي يلعب فيها دور الإنسان دورًا حاسمًا، مثل دعم العملاء. إلى جانب ذلك، هناك متاهة أخلاقية مرتبطة بالذكاء الاصطناعي الذي يصل إلى بيانات سرية. هذا ي đòi من بنية قوية تضمن الشفافية والمساءلة والاستخدام الأخلاقي للذكاء الاصطناعي.

الختام

من الواضح أن أدوات مثل ChatGPT و Auto-GPT و GPT-Engineer تقف في طليعة إعادة تشكيل التفاعل بين التكنولوجيا ومستخدميها. مع الجذور في الحركات المفتوحة المصدر، تظهر هذه الوكيلات الذكاء الاصطناعي إمكانيات الاستقلالية الآلية، مما يبسّط المهام من جدولة إلى تطوير البرمجيات.

كما نتقدم إلى مستقبل حيث يتكامل الذكاء الاصطناعي بشكل أعمق في روتيننا اليومي، يصبح التوازن بين تبني قدرات الذكاء الاصطناعي وحماية الأدوار البشرية حاسمًا. على نطاق أوسع، ترسم ديناميكية الذكاء الاصطناعي وسوق العمل صورة مزدوجة من فرص النمو والتحديات، مما يتطلب دمج متعمد للآداب التكنولوجية والشفافية.