Auto-GPT & GPT-Engineer: Tarkan tiedon syventävä opas tänään johtaviin tekoälyagenneihin

Kun vertaillaan ChatGPT:ä autonomisten AI-välineiden, kuten Auto-GPT:n ja GPT-Engineerin, kanssa, merkittävä ero ilmenee päätöksentekoprosessissa. Kun ChatGPT vaatii aktiivista ihmisen osallistumista ohjataksesi keskustelun ja antaaksesi ohjeita käyttäjän ohjauksessa, suunnitteluprosessi on pääasiassa riippuvainen ihmisen väliintulosta.

Generatiivinen tekoäly -mallit, kuten muunnokset, ovat valmiuden nykyinen ydinTeknologia, joka ajaa näitä autonomisia tekoälyvälineitä. Nämä muunnokset on koulutettu suurilla tietojoukoilla, mikä mahdollistaa niiden simuloimisen monimutkaisia päätöksentekijäratkaisuja.

Avoin lähdekoodi autonomisten agenttien juuret: Auto-GPT ja GPT-Engineer

Monet näistä autonomisista tekoälyvälineistä ovat peräisin avoimista lähdemahdollisuuksista, joita johtavat innovatiiviset yksilöt, jotka muuttavat perinteisiä työprosesseja. Sen sijaan, että vain ehdotetaan ideoita, agentit kuten Auto-GPT voivat käsitellä itsenäisesti tehtäviä, verkkoostosten tekemisestä perussovellusten luomiseen. OpenAI:n koodin tulkki pyrkii päivittämään ChatGPT:n vain ideoiden ehdottamisesta aktiivisesti ratkaisemalla ongelmia näillä ideoilla.

Molemmat Auto-GPT ja GPT-Engineer on varustettu GPT 3.5:n ja GPT-4:n voimalla. Se käsittää koodin logiikan, yhdistää useita tiedostoja ja kiihdyttää kehitysprosessia.

Auto-GPT:n toiminnan ydin on sen tekoälyagentissa. Nämä agentit on ohjelmoitu suorittamaan tiettyjä tehtäviä, joko arkisista tehtävistä, kuten aikatauluttamisesta, monimutkaisiin tehtäviin, jotka vaativat strategista päätöksentekoa. Kuitenkin nämä tekoälyagentit toimivat käyttäjien asettamien rajoitusten puitteissa. Ohjaamalla heidän pääsyään API:n kautta, käyttäjät voivat määrittää tekoälyn suorittamien toimien syvyyden ja laajuuden.

Esimerkiksi, jos tehtävä on luoda chat-verkkosovellus, joka on integroitu ChatGPT:hen, Auto-GPT jakaa autonomisesti tavoitteen toimintoon, kuten luomalla HTML-etuohjelma tai Python-takaisin ohjelma. Vaikka sovellus tuottaa nämä ohjeet autonomisesti, käyttäjät voivat edelleen valvoa ja muuttaa niitä. Kuten AutoGPT:n luoja @SigGravitas on osoittanut, se pystyy rakentamaan ja suorittamaan testiohjelman Pythonilla.

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

Vaikka alla oleva kaavio kuvailee yleisemmän arkkitehtuurin autonomiselle tekoälyagentille, se tarjoaa arvokkaita näkemyksiä prosessien taustalla.

Tekoälyagentin arkkitehtuuri

Prosessi käynnistyy vahvistamalla OpenAI API -avain ja alustamalla erilaisia parametreja, mukaan lukien lyhytaikainen muisti ja tietokannan sisältö. Kun avaindata on välitetty Agentille, malli vuorovaikuttaa GPT3.5/GPT4:n kanssa vastauksen hakemiseksi. Tämä vastaus muunnetaan JSON-muotoon, jonka Agentti tulkkaa suorittaakseen erilaisia funktioita, kuten suorittaa verkko-haun, lukea tai kirjoittaa tiedostoja tai jopa suorittaa koodia. Auto-GPT käyttää esikoulutettua mallia tallentamaan nämä vastaukset tietokantaan, ja tulevat vuorovaikutukset käyttävät tätä tallennettua tietoa viittauksena. Silmukka jatkuu, kunnes tehtävä on todettu valmiiksi.

Asennusopas Auto-GPT:lle ja GPT-Engineerille

Asentamalla viimeisimpiä työkaluja, kuten GPT-Engineeria ja Auto-GPT:ä, voit suorittaa kehitysprosessin. Alla on rakenneohje, joka auttaa sinua asentamaan ja määrittämään molemmat työkalut.

Auto-GPT

Auto-GPT:n asentaminen voi näyttää monimutkaiselta, mutta oikeilla vaiheilla se tulee suoritettavaksi. Tämä opas kattaa menettelyn asentamiseen ja määrittämiseen Auto-GPT:lle ja tarjoaa näkemyksiä sen moninaisista skenaarioista.

1. Edellytykset:

1. Python-ympäristö: Varmista, että sinulla on Python 3.8 tai uudempi asennettuna. Voit hankkia Pythonin viralliselta verkkosivulta.
2. Jos aiot kloonata repositorioita, asenna Git.
3. OpenAI API -avain: Vuorovaikuttaaksesi OpenAI:n kanssa, tarvitset API-avaimen. Hanki avain OpenAI-tilistasi

Open AI API -avaimen luominen

Muisti-takaopetukset: Muisti-takaopetus toimii tallennusmekanismina AutoGPT:lle päästäkseen tärkeisiin tietoihin sen toiminnassa. AutoGPT käyttää sekä lyhytaikaista että pitkäaikaista tallennuskykyä. Pinecone, Milvus, Redis ja muut ovat joitakin saatavilla olevia vaihtoehtoja.

2. Työtilan määrittäminen:

1. Luo virtuaaliympäristö: python3 -m venv myenv
2. Aktivoi ympäristö:
   1. MacOS tai Linux: source myenv/bin/activate

3. Asennus:

1. Kloonaa Auto-GPT-repositorio (varmista, että sinulla on Git asennettuna): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. Jos haluat työskennellä Auto-GPT:n version 0.2.2 kanssa, sinun on tarkistettava kyseiseen versioon: git checkout stable-0.2.2
3. Siirry ladattuun repositorioon: cd Auto-GPT
4. Asenna vaaditut riippuvuudet: pip install -r requirements.txt

4. Määrittäminen:

1. Löydä .env.template pää-Auto-GPT-hakemistosta. Monista ja nimeä se uudelleen .env
2. Avaa .env ja määritä OpenAI API -avain OPENAI_API_KEY= -kohdassa
3. Samalla tavoin, jos haluat käyttää Pinecone-tai muita muisti-takaopetusten takaisin, päivitä .env -tiedosto Pinecone API -avaimellasi ja alueellasi.

5. Komentoriviohjeet:

Auto-GPT tarjoaa rikkaan joukon komentorivivaihtoehtoja mukauttaaksesi sen käyttäytymistä:

• Yleinen käyttö:
  • Näytä apu: python -m autogpt --help
  • Mukauta tekoälyasetukset: python -m autogpt --ai-settings <filename>
  • Määritä muisti-takaopetus: python -m autogpt --use-memory <memory-backend>

AutoGPT komentorivillä

6. Auto-GPT:n käynnistäminen:

Kun määrittäminen on valmis, käynnistä Auto-GPT seuraavasti:

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

Docker-integrointi (suositeltu asennuslähestymistapa)

Niille, jotka haluavat konteyneröidä Auto-GPT:n, Docker tarjoaa suoraviivaisen lähestymistavan. Huomaa kuitenkin, että Dockerin alkuasettelu voi olla hieman monimutkainen. Viittaa Dockerin asennusoppaaseen ohjeiden saamiseksi.

Jatka seuraavien vaiheiden mukaisesti muuttaaksesi OpenAI API -avainta. Varmista, että Docker on käynnissä taustalla. Mene AutoGPT:n päähakemistoon ja seuraa alla olevia vaiheita terminaalissasi

• Rakenna Docker-kuva: docker build -t autogpt .
• Suorita nyt: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

Dockerin kanssa:

• Suorita: docker-compose run --build --rm auto-gpt
• Lisätietojen mukauttamiseksi voit integroida lisäargumentteja. Esimerkiksi suorittaaksesi sekä –gpt3only että –jatkuva: docker-compose run --rm auto-gpt --gpt3only--jatkuva
• Auto-GPT:llä on suuri autonomia sisällön luomisessa suurista tietojoukoista, mikä saattaa aiheuttaa riskin siitä, että se vahingossa pääsee käsiksi haitallisiin verkkolähteisiin.

</ul)

Riskejä voidaan lieventää toimimalla Auto-GPT:llä virtuaalikonteynerissä, kuten Dockerissa. Tämä varmistaa, että mahdollisesti haitallinen sisältö säilyy virtuaalitilassa, jättäen ulkopuoliset tiedostot ja järjestelmän koskemattomaksi. Vaihtoehtoisesti Windowsin hiekkalaatikko on vaihtoehto, vaikka se nollautuu jokaisen istunnon jälkeen eikä säilytä tilaansa.

Turvallisuuden vuoksi aja aina Auto-GPT:ä virtuaaliympäristössä, jotta järjestelmäsi säilyy eristettynä odottamattomista tuloksista.

Vaikka kaikki tämä on otettu huomioon, on edelleen mahdollista, ettei pysty saavuttamaan toivottuja tuloksia. Auto-GPT-käyttäjät ovat ilmoittaneet toistuvia ongelmia yrittäessään kirjoittaa tiedostoon, usein kohtaamalla epäonnistuneita yrityksiä ongelmallisten tiedostonimien vuoksi. Tässä on yksi tällainen virhe: Auto-GPT (julkaisu 0.2.2) ei liitä tekstiä virheen "write_to_file palautti: Virhe: Tiedosto on jo päivitetty

Eri ratkaisuja tähän ongelmaan on keskusteltu liittyvällä GitHub-keskustelusivulla viittauksena.

GPT-Engineer

GPT-Engineer-työprosessi:

1. Ohjeen määrittäminen: Luo yksityiskohtainen kuvaus projektistasi luonnollisella kielellä.
2. Koodin generointi: Ohjeen perusteella GPT-Engineer aloittaa koodinpätkien, funktioiden tai jopa kokonaisten sovellusten tuottamisen.
3. Hiominen ja optimointi: Generoinnin jälkeen on aina mahdollisuus parantaa. Kehittäjät voivat muokata generoituja koodia tiettyjen vaatimusten mukaisesti, varmistaen korkean laadun.

GPT-Engineerin asennusprosessi on tiivistetty helposti seurattavaksi oppaaksi. Tässä on vaiheittainen purku:

1. Ympäristön valmistelu: Ennen kuin ryhdyt toimiin, varmista, että sinulla on projektihakemisto valmiina. Avaa terminaali ja suorita alla oleva komento

• Luo uusi hakemisto nimeltä ‘website’: mkdir website
• Siirry hakemistoon: cd website

2. Kloonaa repositorio:  git clone https://github.com/AntonOsika/gpt-engineer.git .

3. Siirry ja asenna riippuvuudet: Kun olet kloonannut, vaihda hakemistoon cd gpt-engineer ja asenna kaikki tarvittavat riippuvuudet make install

4. Aktivoi virtuaaliympäristö: Riippuen käyttöjärjestelmästäsi, aktivoi luotu virtuaaliympäristö.

• macOS/Linux: source venv/bin/activate
• Windowsiin, se on hieman erilainen API-avaimen asettelun vuoksi: set OPENAI_API_KEY=[your api key]

5. Määrittäminen – API-avaimen asettelu: Vuorovaikuttaaksesi OpenAI:n kanssa, sinun on hankittava API-avain. Jos sinulla ei ole sitä vielä, rekisteröidy OpenAI-alustalla, sitten:

• macOS/Linux: export OPENAI_API_KEY=[your api key]
• Windowsiin (kuten mainittiin aiemmin): set OPENAI_API_KEY=[your api key]

6. Projektin alku ja koodin generointi: GPT-Engineerin magia alkaa main_prompt -tiedostosta, joka sijaitsee projects -hakemistossa.

• Jos haluat aloittaa uuden projektin: cp -r projects/example/ projects/website

Tässä korvaa ‘website’ valitsemallasi projektinimellä.

• Muokkaa main_prompt -tiedostoa tekstieditorilla, kirjoittaen projektin vaatimukset.



• Kun olet tyytyväinen ohjeeseen, suorita: gpt-engineer projects/website

Generoitu koodi sijaitsee workspace -hakemistossa projektihakemistossa.

7. Generoinnin jälkeen: Vaikka GPT-Engineer on voimakas, se ei aina ole täydellinen. Tarkasta generoitu koodi, tee manuaalisia muutoksia, jos tarpeen, ja varmista, että kaikki toimii sujuvasti.

Esimerkki suorituksesta

Ohje:

“Haluaisin kehittää perus Streamlit-sovelluksen Pythonilla, joka visualisoi käyttäjän tietoja interaktiivisilla kaavioilla. Sovelluksen on sallittava käyttäjien ladata CSV-tiedosto, valita kaavion tyyppi (esim. palkki, piirros, viiva) ja dynaamisesti visualisoida tiedot. Se voi käyttää kirjastoja, kuten Pandas, tietojen manipulointiin ja Plotly visualisointiin.”



GPT-Engineerin asettelu ja suorittaminen

Niin kuin Auto-GPT, GPT-Engineer voi joskus kohtailla virheitä, vaikka asennus on valmis. Kuitenkin kolmannella yritykselläni onnistuin pääsemään seuraavaan Streamlit-verkkosivulle. Varmista, että tarkistat virheet virallisella GPT-Engineerin repositorion virhekeskustelusivulla.



Streamlit-sovellus, joka on luotu GPT-Engineerillä

Nykyiset pullonkaulat tekoälyagentteja

Toimintakulut

Yksittäinen tehtävä, jota Auto-GPT suorittaa, voi vaatia useita askelia. Tärkeää on, että nämä askelten jokainen voi olla laskutettu yksittäin, mikä lisää kustannuksia. Auto-GPT voi joutua toistuvien silmukoiden loukkuun, epäonnistuen lupausten toteuttamisessa. Tällaiset tapahtumat vaarantavat sen luotettavuuden ja heikentävät investointia.

Kuvittele, että haluat luoda lyhyen esseehen Auto-GPT:llä. Esseen ihannetettu pituus on 8K tokenia, mutta luomisprosessin aikana malli syventyy useisiin väliaikaisiin askeliin sisällön lopullistamiseksi. Jos käytät GPT-4:ää 8k kontekstipituudella, syötteen laskutus on $0.03. Ja tulostuksen laskutus on $0.06. Nyt, oletetaan, että malli joutuu odottamattomaan silmukkaan, toistamalla tiettyjä osia useita kertoja. Ei vain prosessi veny, vaan jokainen toisto lisää kustannuksia.

Turvallisuuden vuoksi:

Aseta käyttörajoitukset OpenAI:n laskutus- ja rajoitussivulla:

• Kova raja: Rajoittaa käytön asetetun kynnyksen ylittämisestä.
• Pehmeä raja: Lähetä sähköposti-ilmoitus, kun kynnyksen ylittyessä.

Toiminnalliset rajoitukset

Auto-GPT:n kyvyt, kuten sen lähdekoodissa kuvattu, tulevat tiettyjen rajoitusten kanssa. Sen ongelmanratkaisustrategiat määräytyvät sen sisäisistä funktioista ja GPT-4:n API:n tarjoamasta pääsystä. Syvemmistä keskusteluista ja mahdollisista kiertoteistä kannattaa vierailla: Auto-GPT-keskustelu.

Teon vaikutus työmarkkinoihin

Teon ja työmarkkinoiden välinen dynamiikka on jatkuvasti kehittyvä ja on dokumentoitu laajasti tässä tutkimusraportissa. Avainhuomio on, että vaikka teknologinen edistys usein hyödyttää osaavia työntekijöitä, se aiheuttaa riskejä niille, jotka osallistuvat rutiininomaisiin tehtäviin. Tosiasiallisesti teknologiset edistysaskeleet voivat korvata tiettyjä tehtäviä, mutta samalla ne luovat monia uusia, työvoimavaltaisia tehtäviä.



Arviolta 80% amerikkalaisista työntekijöistä voi havaita, että LLM:t (kielen oppimismallit) vaikuttavat noin 10%:iin heidän päivittäisistä tehtävistään.

Teon kaksinaisen roolin työvoimassa:

• Myönteiset puolet: Teo voi automatisoida monia tehtäviä, alkaen asiakaspalvelusta taloudelliseen neuvontaan, antaen helpotuksen pienille yrityksille, joilla ei ole varaa omistaa omia tiimejä.
• Huolenaiheita: Automatisoinnin hyöty nostaa huolenaiheita mahdollisista työpaikkojen menetyksistä, erityisesti aloilla, joissa ihmisten osallistuminen on olennainen, kuten asiakaspalvelussa. Tämän lisäksi on eettinen verkosto, joka liittyy teon pääsyyn luottamuksellisiin tietoihin. Tämä edellyttää vahvaa infrastruktuuria, joka takaa avoimuuden, vastuullisuuden ja eettisen teon käytön.

Johtopäätös

Selkeästi, työkalut kuten ChatGPT, Auto-GPT ja GPT-Engineer ovat edelläkävijöitä teknologian ja sen käyttäjien vuorovaikutuksen muuttamisessa. Avoimien lähdemahdollisuuksien juurilla, nämä tekoälyagentit ilmentävät mahdollisuuksia koneellisesta autonomiasta, suorittaen tehtäviä aikatauluttamisesta ohjelmistokehitykseen.

Kun edetään tulevaisuuteen, jossa tekoäly sulautuu syvemmälle päivittäisiin rutiineihimme, tasapaino teon kykyjen omaksumisen ja ihmisten roolien turvaamisen välillä tulee oleelliseksi. Laajemmassa mittakaavassa tekoäly-työmarkkinoiden dynamiikka piirtää kaksinaisen kuvan kasvumahdollisuuksista ja haasteista, vaatien tietoista teknologian eettistä integroimista ja avoimuutta.