Auto-GPT & GPT-Inženýr: Podrobný Průvodce Dnešními Vedoucími AI Agenty

Při srovnání ChatGPT s autonomními AI agenty, jako jsou Auto-GPT a GPT-Inženýr, se objeví významný rozdíl v rozhodovacím procesu. Zatímco ChatGPT vyžaduje aktivní lidskou účast, aby řídil konverzaci a poskytoval vedení na základě uživatelských promptů, je plánovací proces převážně závislý na lidském zásahu.

Generativní AI modely, jako jsou transformátory, jsou jádrem stávající technologie, která pohání tyto autonomní AI agenty. Tyto transformátory jsou trénovány na velkých datech, což jim umožňuje simulovat komplexní myšlení a rozhodovací schopnosti.

Otevřené Zdroje Autonomních Agentů: Auto-GPT a GPT-Inženýr

Mnohé z těchto autonomních AI agentů pocházejí z otevřených zdrojových iniciativ vedených inovativními jednotlivci, kteří transformují konvenční pracovní postupy. Na rozdíl od toho, aby pouze nabízely návrhy, agenty, jako je Auto-GPT, mohou nezávisle zpracovávat úkoly, od online nákupů po vytváření základních aplikací. OpenAI’s Code Interpreter má za cíl vylepšit ChatGPT z pouhého návrhu nápadů na aktivní řešení problémů s těmito nápady.

Oba Auto-GPT a GPT-Inženýr jsou vybaveny silou GPT 3.5 a GPT-4. Chápe logiku kódu, kombinuje více souborů a urychluje vývojový proces.

Jádrem funkcionality Auto-GPT jsou jeho AI agenti. Tyto agenty jsou naprogramovány pro provedení specifických úkolů, od všedních úkolů, jako je plánování, po složitější úkoly, které vyžadují strategické rozhodování. Tyto AI agenty však fungují v rámci hranic stanovených uživateli. Uživatelé mohou určit rozsah a hloubku akcí, které AI může provést, pomocí API.

Pokud je například úkol vytvořit chatovací webovou aplikaci integrovanou s ChatGPT, Auto-GPT autonomně rozdělí cíl na proveditelné kroky, jako je vytvoření HTML frontendu nebo skriptování Python backendu. Zatímco aplikace autonomně generuje tyto prompty, uživatelé mohou stále sledovat a upravovat je. Jak ukazuje tvůrce AutoGPT @SigGravitas, je schopný sestavit a spustit testovací program založený na Pythonu.

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

Zatímco níže uvedený diagram popisuje obecnější architekturu autonomního AI agenta, poskytuje cenné informace o procesech, které se dějí na pozadí.

Architektura Autonomního AI Agentu

Proces je zahájen ověřením OpenAI API klíče a inicializací různých parametrů, včetně krátkodobé paměti a obsahu databáze. Jakmile jsou klíčová data předána agentovi, model interaguje s GPT3.5/GPT4, aby získal odpověď. Tato odpověď je poté transformována do formátu JSON, který agent interpretuje pro provedení různých funkcí, jako je provádění online vyhledávání, čtení nebo zápis souborů nebo dokonce spuštění kódu. Auto-GPT používá předtrénovaný model pro uložení těchto odpovědí do databáze a budoucí interakce používají uložené informace pro referenci. Směrka pokračuje, dokud není úkol považován za dokončený.

Průvodce Nastavením Auto-GPT a GPT-Inženýra

Nastavení pokročilých nástrojů, jako jsou GPT-Inženýr a Auto-GPT, může urychlit váš vývojový proces. Níže je uveden strukturovaný průvodce, který vám pomůže nainstalovat a nakonfigurovat oba nástroje.

Auto-GPT

Nastavení Auto-GPT může vypadat složitě, ale s pravými kroky se stává přímočarým. Tento průvodce pokrývá postup pro nastavení Auto-GPT a poskytuje informace o jeho různých scénářích.

1. Předpoklady:

1. Prostředí Pythonu: Ujistěte se, že máte nainstalován Python 3.8 nebo novější. Python můžete získat z oficiálních stránek.
2. Pokud plánujete klonovat repozitáře, nainstalujte Git.
3. OpenAI API klíč: Pro interakci s OpenAI je nutný API klíč. Získejte klíč ze svého účtu OpenAI.

Generování Open AI API klíče

Možnosti paměti: Paměťový backend slouží jako mechanismus úložiště pro AutoGPT pro přístup k základním údajům pro jeho operace. AutoGPT používá jak krátkodobou, tak dlouhodobou úložnou kapacitu. Pinecone, Milvus, Redis a další jsou některé z dostupných možností.

2. Nastavení pracovního prostoru:

1. Vytvořte virtuální prostředí: python3 -m venv myenv
2. Aktivujte prostředí:
   1. MacOS nebo Linux: source myenv/bin/activate

3. Instalace:

1. Klonujte repozitář Auto-GPT (zajistěte, aby byl nainstalován Git): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. Abyste pracovali s verzí 0.2.2 Auto-GPT, budete chtít checkout na tuto konkrétní verzi: git checkout stable-0.2.2
3. Přejděte do staženého repozitáře: cd Auto-GPT
4. Nainstalujte požadované závislosti: pip install -r requirements.txt

4. Konfigurace:

1. Najděte .env.template v hlavním adresáři /Auto-GPT. Zkopírujte a přejmenujte jej na .env
2. Otevřete .env a nastavte svůj OpenAI API klíč vedle OPENAI_API_KEY=
3. Stejně tak, pokud chcete použít Pinecone nebo jiný paměťový backend, aktualizujte soubor .env se svým Pinecone API klíčem a regionem.

5. Příkazy pro příkazový řádek:

Auto-GPT nabízí bohatou sadu příkazů pro příkazový řádek pro přizpůsobení jeho chování:

• Obecné použití:
  • Zobrazit nápovědu: python -m autogpt --help
  • Upravit nastavení AI: python -m autogpt --ai-settings <filename>
  • Specifikovat paměťový backend: python -m autogpt --use-memory <memory-backend>

AutoGPT v příkazovém řádku

6. Spuštění Auto-GPT:

Jakmile jsou konfigurace dokončeny, spusťte Auto-GPT pomocí:

• Linux nebo Mac: ./run.sh start
• Windows: .run.bat

Integrace Dockeru (Doporučený Postup Nastavení)

Pro ty, kteří chtějí kontejnerovat Auto-GPT, Docker nabízí zjednodušený přístup. Nicméně je třeba mít na paměti, že počáteční nastavení Dockeru může být slightly komplikovanější. Odkazujte na Dockerovu instalační příručku pro pomoc.

Pokračujte podle níže uvedených kroků pro úpravu OpenAI API klíče. Ujistěte se, že Docker běží na pozadí. Nyní přejděte do hlavního adresáře AutoGPT a postupujte podle níže uvedených kroků v terminálu

• Sestavte Docker obraz: docker build -t autogpt .
• Teď spusťte: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

S docker-compose:

• Spusťte: docker-compose run --build --rm auto-gpt
• Pro dodatečnou přizpůsobení můžete integrovat další argumenty. Například pro spuštění s –gpt3only a –continuous: docker-compose run --rm auto-gpt --gpt3only--continuous
• Vzhledem k rozsáhlé autonomii Auto-GPT při generování obsahu z velkých datových sad existuje potenciální riziko, že může neúmyslně přistupovat k škodlivým zdrojům na webu.

Abyste snížili rizika, provozujte Auto-GPT v rámci virtuálního kontejneru, jako je Docker. To zajišťuje, že jakýkoli potenciálně škodlivý obsah zůstane uzavřený v rámci virtuálního prostoru a vaše vnější soubory a systém zůstanou nedotčené. Alternativně můžete použít Windows Sandbox, i když se resetuje po každé relaci a nezachovává svůj stav.

Navíc je důležité vždy spouštět Auto-GPT v virtuálním prostředí, aby váš systém zůstal izolovaný od neočekávaných výstupů.

Navzdory tomu existuje stále šance, že nebudete moci dosáhnout požadovaných výsledků. Uživatelé Auto-GPT hlásili opakující se problémy při pokusu o zápis do souboru, často se setkávají s neúspěšnými pokusy kvůli problémovým názvům souborů. Zde je jeden takový chybový stav: Auto-GPT (verze 0.2.2) nedoplní text po chybě "write_to_file vrátil: Chyba: Soubor již byl aktualizován

Různá řešení pro řešení tohoto problému jsou diskutována na související GitHub stránce pro referenci.

GPT-Inženýr

Pracovní postup GPT-Inženýra:

1. Definice promptu: Vytvořte podrobný popis vašeho projektu pomocí přirozeného jazyka.
2. Generování kódu: Na základě vašeho promptu GPT-Inženýr vygeneruje kódové fragmenty, funkce nebo dokonce kompletní aplikace.
3. Úprava a optimalizace: Po vygenerování kódu je vždy prostor pro vylepšení. Vývojáři mohou upravit vygenerovaný kód, aby splňoval specifické požadavky, a zajistit tak nejvyšší kvalitu.

Postup nastavení GPT-Inženýra byl zjednodušen do snadno následovatelného průvodce. Zde je krok za krokem:

1. Příprava prostředí: Předtím, než začnete, zajistěte, že máte připraven adresář pro váš projekt. Otevřete terminál a spusťte níže uvedený příkaz

• Vytvořte nový adresář s názvem ‘web’: mkdir web
• Přejděte do adresáře: cd web

2. Klonování repozitáře:  git clone https://github.com/AntonOsika/gpt-engineer.git .

3. Navigace a instalace závislostí: Jakmile je repozitář naklonován, přepněte se do adresáře cd gpt-engineer a nainstalujte všechny nutné závislosti make install

4. Aktivace virtuálního prostředí: V závislosti na vašem operačním systému aktivujte vytvořené virtuální prostředí.

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

• Pro Windows, je to slightly odlišné kvůli nastavení API klíče: set OPENAI_API_KEY=[váš API klíč]

5. Konfigurace – Nastavení API klíče: Pro interakci s OpenAI budete potřebovat API klíč. Pokud jej ještě nemáte, zaregistrujte se na platformě OpenAI a poté:

• Pro macOS/Linux: export OPENAI_API_KEY=[váš API klíč]

• Pro Windows (jako bylo zmíněno dříve): set OPENAI_API_KEY=[váš API klíč]

6. Inicializace projektu a generování kódu: GPT-Inženýr začíná s main_prompt souborem, který se nachází ve složce projects .

• Pokud chcete spustit nový projekt: cp -r projects/example/ projects/web

Zde nahraďte ‘web’ svým zvoleným názvem projektu.

• Upravte main_prompt soubor pomocí textového editoru podle vašeho výběru a napište požadavky vašeho projektu.

• Jakmile budete spokojeni s promptem, spusťte: gpt-engineer projects/web

Vaše vygenerovaný kód bude umístěn v adresáři workspace uvnitř adresáře projektu.

7. Po vygenerování: Ačkoli je GPT-Inženýr mocný, nemusí být vždy dokonalý. Prohlédněte si vygenerovaný kód, proveďte případné manuální úpravy, pokud je to nutné, a zajistěte, aby vše fungovalo hladce.

Příklad Spuštění

Prompt:

“Chci vyvinout základní Streamlit aplikaci v Pythonu, která visualizuje uživatelská data prostřednictvím interaktivních grafů. Aplikace by měla umožnit uživatelům nahrát soubor CSV, vybrat typ grafu (například lištový, koláčový, liniový) a dynamicky visualizovat data. Může použít knihovny jako Pandas pro manipulaci s daty a Plotly pro visualizaci.”

Nastavení a spuštění GPT-Inženýra

Stejně jako Auto-GPT může GPT-Inženýr občas narazit na chyby, i když je kompletně nastaven. Nicméně na můj třetí pokus jsem úspěšně získal přístup k následující Streamlit stránce. Ujistěte se, že jste prošli případné chyby na oficiálním GPT-Inženýr repozitáři.

Streamlit aplikace vygenerovaná pomocí GPT-Inženýra

Aktuální Úzká Místa AI Agentů

Provozní Náklady

Jeden úkol provedený Auto-GPT může zahrnovat mnoho kroků. Každý z těchto kroků může být fakturován jednotlivě, což zvyšuje náklady. Auto-GPT se může stát uvězněným v opakujících se smycích, selhávajících ve splnění slibovaných výsledků. Takové události podkopávají jeho spolehlivost a podrývají investici.

Představte si, že chcete vytvořit krátký esej pomocí Auto-GPT. Ideální délka eseje je 8 000 tokenů, ale během procesu tvorby se model zapletl do mnoha mezilehlých kroků, aby dokončil obsah. Pokud používáte GPT-4 s kontextovou délkou 8 000, budete fakturováni $0,03 za vstup. A za výstup budete fakturováni $0,06. Nyní předpokládejme, že model narazí na neočekávaný smyčku, opakující se části několikrát. Nejenže se proces prodlužuje, ale každá repetice také přidává k nákladům.

Abyste se proti tomu chránili:
Nastavte limity použití v OpenAI Billing & Limits:

• Pevný limit: Omezí použití nad stanovenou hranici.
• Měkký limit: Pošle vám e-mailové upozornění, jakmile je hranice dosažena.

Omezení Funkcionalit

Schopnosti Auto-GPT, jak jsou znázorněny v jeho zdrojovém kódu, přicházejí s určitými hranicemi. Jeho strategie řešení problémů jsou ovlivněny jeho vnitřními funkcemi a přístupem poskytovaným API GPT-4. Pro hlubší diskuse a možná řešení navštivte: Diskuze Auto-GPT.

Dopad AI na Trh Práce

Vztah mezi AI a trhem práce je neustále se vyvíjející a je podrobně dokumentován v tomto výzkumném článku. Klíčovým zjištěním je, že zatímco technologický pokrok často prospívá kvalifikovaným pracovníkům, představuje rizika pro ty, kteří se podílejí na rutinních úkolech. Skutečností je, že technologické pokroky mohou nahradit některé úkoly, ale zároveň vytvářejí cestu pro rozmanité, pracovní náročné úkoly.

Odhaduje se, že asi 80 % amerických pracovníků může zjistit, že LLM (Language Learning Modely) ovlivňují asi 10 % jejich denních úkolů. Tato statistika podtrhuje spojení mezi AI a lidskými úkoly.

Dvojí role AI v pracovním procesu:

• Pozitivní aspekty: AI může automatizovat řadu úkolů, od zákaznické podpory po finanční poradenství, poskytující úlevu malým podnikům, které nemají prostředky na specializované týmy.
• Obavy: Přínos automatizace zvyšuje obavy o potenciální ztráty pracovních míst, zejména v sektorech, kde je lidská účast zásadní, jako je zákaznická podpora. Kromě toho je zde etická otázka spojená s přístupem AI k důvěrným údajům. To vyžaduje silnou infrastrukturu, která zajišťuje transparentnost, odpovědnost a etické použití AI.

Závěr

Je zřejmé, že nástroje, jako jsou ChatGPT, Auto-GPT a GPT-Inženýr, stojí v čele transformace interakce mezi technologií a jejími uživateli. S kořeny v otevřených zdrojových iniciativách tyto AI agenty demonstrují možnosti autonomie strojů, zjednodušují úkoly od plánování po vývoj softwaru.

Jak se budeme pohybovat do budoucnosti, kde se AI stále více integruje do našich denních rutin, bude důležité najít rovnováhu mezi využíváním schopností AI a ochranou lidských rolí. V širším smyslu dynamika AI a trhu práce vykresluje dvojí obraz růstových příležitostí a výzev, vyžadujících vědomou integraci technických etik a transparentnosti.