Auto-GPT & GPT-Engineer: Syvän analyysi tänään johtavista tekoälyagentteista

Kun verrataan ChatGPT:ä autonomisiin tekoälyagenteihin, kuten Auto-GPT:hen ja GPT-Engineeriin, niiden päätöksentekoprosessissa on merkittäviä eroja. Vaikka ChatGPT vaatii aktiivista ihmisen osallistumista ohjataksesi keskustelun ja antaaksesi ohjeita käyttäjän syötteiden perusteella, suunnitteluprosessi on pääasiassa riippuvainen ihmisen väliintulosta.

Generatiivinen tekoäly mallit, kuten transformerit, ovat autonomisten tekoälyagenttien ydinTeknologia. Nämä transformerit on koulutettu suurilla tietoaineistoilla, mikä mahdollistaa niiden simuloimisen monimutkaisia päättely- ja päätöksentekokykyjä.

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

Monet näistä autonomisista tekoälyagenteista ovat peräisin avoimista lähdekoodihankkeista, joita johtavat innovatiiviset yksilöt, jotka muuttavat perinteisiä työprosesseja. Agentit, kuten Auto-GPT, voivat toimia itsenäisesti tehtävien suorittamisessa, alkaen verkkokaupasta perustason sovellusten luomiseen. OpenAI:n koodin tulkki pyrkii parantamaan ChatGPT:ä ehdotuksista aktiivisiin ongelmanratkaisuihin.

Auto-GPT:n toiminnan ydin on sen tekoälyagenteissa. Nämä agentit on ohjelmoitu suorittamaan tiettyjä tehtäviä, aina arkisista tehtävistä monimutkaisiin tehtäviin, jotka vaativat strategista päätöksentekoa. Näiden tekoälyagenttien toiminta kuitenkin rajoittuu käyttäjien asettamiin rajoituksiin. Käyttäjät voivat määritellä tekoälyagenttien toiminnan syvyyden ja laajuuden ohjaamalla niiden pääsyä API:en kautta.

Esimerkiksi, jos tehtävänä on luoda ChatGPT:hen integroitu chat-sovellus, Auto-GPT jakaa autonomisesti tavoitteen toimintoon johtaviksi askeliksi, kuten luomalla HTML-etusivu tai Python-taustajärjestelmä. Vaikka sovellus luo nämä ohjeet autonomisesti, käyttäjät voivat edelleen tarkastella ja muuttaa niitä. Kuten AutoGPT:n luoja @SigGravitas on osoittanut, se pystyy luomaan ja suorittamaan testiohjelman Pythonilla.

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

Autonomisen tekoälyagentin yleinen arkkitehtuuri on kuvattu alla olevassa kaaviossa, joka tarjoaa arvokkaita näkemyksiä prosessien taustoista.

Autonomisen tekoälyagentin arkkitehtuuri

Prosessi käynnistyy vahvistamalla OpenAI API-avain ja alustamalla erilaisia parametreja, kuten lyhytaikaista muistia ja tietokannan sisältöä. Kun avaindata on välitetty agentille, malli vuorovaikuttaa GPT3.5/GPT4:n kanssa vastauksen hakemiseksi. Tämä vastaus muunnetaan JSON-muotoon, jonka agentti tulkkaa suorittaakseen erilaisia toimintoja, kuten suorittamalla verkkohakuja, lukiessa tai kirjoittaessa tiedostoja tai jopa suorittamalla koodia. Auto-GPT käyttää esikoulutettua mallia tallentamaan nämä vastaukset tietokantaan, ja tulevat vuorovaikutukset käyttävät tätä tallennettua tietoa viitteenä. Silmukka jatkuu, kunnes tehtävä on suoritettu.

Auto-GPT:n ja GPT-Engineerin asennusopas

Asentamalla viimeisimmät työkalut, kuten GPT-Engineerin ja Auto-GPT:n, voit suorittaa kehitysprosessin tehokkaammin. Alla on rakenneohje, joka auttaa sinua asentamaan ja konfiguroimaan molemmat työkalut.

Auto-GPT

Auto-GPT:n asentaminen voi näyttää monimutkaiselta, mutta oikeilla ohjeilla se on yksinkertaista. Tässä oppaassa käydään läpi Auto-GPT:n asennusprosessi ja sen moninaiset skenaariot.

1. Edellytykset:

1. Python-ympäristö: Varmista, että sinulla on Python 3.8 tai uudempi asennettuna. Voit ladata Pythonin viralliselta sivustolta.
2. Jos aiot kloonata repositorioita, asenna Git.
3. OpenAI API-avain: Interaktiiviseen toimintaan OpenAI:n kanssa tarvitaan API-avain. Hae avain OpenAI-tilistasi.

Open AI API-avain

Muisti-takaopetusratkaisut: Muisti-takaopetus on tallennusmekanismi, jota AutoGPT käyttää pääsyyn tärkeisiin tietoihin sen toiminnan aikana. AutoGPT käyttää sekä lyhytaikaista että pitkäaikaista tallennuskykyä. Pinecone, Milvus, Redis ja muut ovat joitakin saatavilla olevia vaihtoehtoja.

2. Työtilan asettaminen:

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 Git on asennettu): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. Jos haluat työskennellä Auto-GPT:n version 0.2.2 kanssa, siirry kyseiseen versioon: git checkout stable-0.2.2
3. Siirry ladattuun repositorioon: cd Auto-GPT
4. Asenna tarvittavat riippuvuudet: pip install -r requirements.txt

4. Konfiguraatio:

1. Löydä .env.template pääkansiossa /Auto-GPT. Kopioi ja nimeä se uudelleen .env
2. Avaa .env ja määritä OpenAI API-avain OPENAI_API_KEY= kohtaan
3. Vastaavasti, jos haluat käyttää Pinecone-tai muita muisti-takaopetusratkaisuja, päivitä .env tiedosto Pinecone API-avaimellasi ja alueellasi.

5. Komentoriviohjeet:

Auto-GPT tarjoaa monipuolisen joukon komentoriviohjeita, joilla voit mukauttaa sen toimintaa:

• Yleiskäyttö:
  • Näytä ohje: python -m autogpt --help
  • Määritä tekoälyasetukset: python -m autogpt --ai-settings <filename>
  • Määritä muisti-takaopetus: python -m autogpt --use-memory <muisti-takaopetus>

AutoGPT komentorivillä

6. Auto-GPT:n käynnistäminen:

Kun konfiguraatio on valmis, käynnistä Auto-GPT seuraavasti:

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

Docker-integraatio (suositeltu asennusmenetelmä)

Docker tarjoaa suoraviivaisen tavan konteyneröidä Auto-GPT:n. Huomaa, että Dockerin alkukonfiguraatio voi olla hieman monimutkainen. Lue Dockerin asennusohjeet saadaksesi apua.
Seuraa alla olevia ohjeita muuttaaksesi OpenAI API-avainta. Varmista, että Docker on käynnissä taustalla. Siirry AutoGPT:n pääkansioon ja seuraa seuraavia ohjeita terminaalissa

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

Docker-compose:n kanssa:

• Suorita: docker-compose run --build --rm auto-gpt
• Lisäksi, voit integroida muita mukautuksia. Esimerkiksi, jos haluat suorittaa sen –gpt3only ja –continuous valitsimilla: docker-compose run --rm auto-gpt --gpt3only--continuous
• AutoGPT:n laaja autonomia sisällön luomisessa suurista tietoaineistoista sisältää riskin, että se voi vahingossa käydä haitallisten verkkolähteiden kimppuun.

Jotta voit minimoida riskit, toimi Auto-GPT:ä virtuaalikonteynerissa, kuten Dockerissa. Tämä varmistaa, että mahdollisesti haitallinen sisältö pysyy virtuaalitilassa eikä vaikuta ulkopuolisiin tiedostoihin tai järjestelmään. Vaihtoehtoisesti, Windowsin hiekkalaatikko on vaihtoehto, vaikka se nollautuu jokaisen istunnon jälkeen eikä säilytä tilaa.

Turvallisuuden vuoksi, aina suorita Auto-GPT virtuaaliympäristössä, jotta järjestelmäsi säilyy erillään odottamattomista tuloksista.

AutoGPT-käyttäjät ovat kertoneet toistuvista ongelmista 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 returned: Error: Tiedosto on jo päivitetty

Eri ratkaisuja tähän ongelmaan on keskusteltu liittyvässä GitHub-keskustelussa viitteeksi.

GPT-Engineer

GPT-Engineer-työkulku:

1. Ohjeen määrittely: Luo yksityiskohtainen kuvaus projektiisi luonnollisen kielen avulla.
2. Koodin generointi: Ohjeen perusteella GPT-Engineer luo koodinpätkiä, funktioita tai jopa kokonaisia sovelluksia.
3. Hiominen ja optimointi: Generoinnin jälkeen on aina mahdollisuus parantaa. Kehittäjät voivat muokata luotua koodia täyttääkseen tiettyjä vaatimuksia, varmistaen korkean laadun.

GPT-Engineerin asennusprosessi on tiivistetty helppokäyttöiseksi oppaaksi. Tässä on vaiheittainen jakaus:

1. Ympäristön valmistelu: Ennen kuin aloitat, varmista, että sinulla on projektiisi valmis hakemisto. Avaa terminaali ja suorita seuraava komento

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

2. Repositorion kloonaus:  git clone https://github.com/AntonOsika/gpt-engineer.git .

3. Siirtyminen ja riippuvuuksien asennus: Kun olet kloonannut, siirry hakemistoon cd gpt-engineer ja asenna kaikki tarvittavat riippuvuudet make install

4. Virtuaaliympäristön aktivoiminen: Virtuaaliympäristön aktivoiminen riippuu käyttöjärjestelmästäsi.

• macOS/Linux: source venv/bin/activate

• Windowsille, se on hieman erilainen API-avaimen asetuksen vuoksi: set OPENAI_API_KEY=[API-avain]

5. Konfiguraatio – API-avaimen asetus: Interaktiiviseen toimintaan OpenAI:n kanssa tarvitaan API-avain. Jos sinulla ei ole avainta, rekisteröidy OpenAI-alustalla ja tee seuraava:

• macOS/Linux: export OPENAI_API_KEY=[API-avain]

• Windowsille (kuten mainittiin aiemmin): set OPENAI_API_KEY=[API-avain]

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

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

Tässä korvaa ‘website’ valitsemallasi projektinimellä.

• Muokkaa main_prompt tiedostoa tekstieditorilla, kirjoittaen projektiisi liittyvät vaatimukset.

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

Luodut koodit sijaitsevat workspace hakemistossa projektiisi kuuluvassa hakemistossa.

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

Esimerkki

Ohje:

“Haluan kehittää perus-Streamlit-sovelluksen Pythonilla, joka visualisoi käyttäjän tietoja interaktiivisten kaavioiden avulla. Sovelluksen tulisi sallia käyttäjien ladata CSV-tiedosto, valita kaavion tyyppi (esim. palkki, piirros, viiva) ja dynaamisesti visualisoida tiedot. Se voi käyttää kirjastoja kuten Pandas data-manipulaatiota varten ja Plotly visualisointia varten.”

GPT-Engineerin asennus ja suorittaminen

Kuten Auto-GPT, myös GPT-Engineer voi joskus kohtaamaan virheitä asennuksen jälkeen. Kuitenkin kolmannella yritykselläni onnistuin pääsemään seuraavaan Streamlit-sivuun. Varmista, että tarkistat virheet GPT-Engineerin virheiden sivulla.

GPT-Engineerillä luotu Streamlit-sovellus

Tehtävien nykyiset pullonkaulat

Toiminnan kustannukset

Yksittäinen Auto-GPT:n suorittama tehtävä voi vaatia useita askelia. Jokainen näistä askelista voi olla laskutettu erikseen, mikä lisää kustannuksia. Auto-GPT voi joutua toistuvasti itseensä viittaaviin silmukoihin, epäonnistuen lupausten toteuttamisessa. Tällaiset tapahtumat heikentävät sen luotettavuutta ja vaarantavat siihen investoidun.

Kuvittele haluavasi luoda lyhyen esseensa Auto-GPT:n avulla. Esseen ihannetettu pituus on 8K tokenia, mutta prosessin aikana malli voi jakautua useisiin väliaikaisiin askeliin lopputuloksen lopullistamiseksi. Jos käytät GPT-4:ää 8k kontekstipituudella, syötteen laskutus olisi $0.03 ja tulosteen kustannus olisi $0.06. Oletetaan, että malli joutuu odottamattomaan silmukkaan, toistamalla tiettyjä osia useita kertoja. Tämä ei ainoastaan pidentä prosessia vaan lisää myös kustannuksia.

Turvallisuuden vuoksi:
Aseta käyttörajoitukset OpenAI:n laskutus- ja rajoitussivulla:

• Kova rajoitus: Rajoittaa käytön asetetun kynnyksen ylittämisen.
• Pehmeä rajoitus: Lähettää sinulle sähköposti-ilmoituksen, kun kynnyksen ylittyessä.

Toiminnan rajoitukset

Auto-GPT:n kyvyt, kuten ne on kuvattu sen lähdekoodissa, tulevat tietynlaisten rajoitusten kanssa. Sen ongelmanratkaisustrategiat määräytyvät sen sisäisistä toiminnoista ja GPT-4:n API:n tarjoamasta pääsystä. Syvemmät keskustelut ja mahdolliset kiertoreitit löytyvät: Auto-GPT Keskustelu.

Tehtävien vaikutus työmarkkinoihin

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

Arviolta 80% amerikkalaisista työntekijöistä voi havaita, että kielen oppimismallit (LLM) vaikuttavat noin 10%:iin heidän päivittäisistä tehtävistään. Tämä tilasto korostaa tehtävien ja tekoälyn roolien yhdistymistä.

Tehtävien kaksinaiset roolit työvoimassa:

• Myönteiset puolet: Tekoäly voi automatisoida monia tehtäviä, aina asiakaspalvelusta taloudelliseen neuvontaan, antaen pienille yrityksille helpotusta, joilla ei ole varaa omiin tiimeihin.
• Huolenaiheita: Automatisoinnin hyödyt herättävät huolia mahdollisista työpaikkojen menetyksistä, erityisesti aloilla, joilla ihmisten osallistuminen on olennainen, kuten asiakaspalvelussa. Tämä vaatii vahvan infrastruktuurin, joka takaa avoimuuden, vastuullisuuden ja eettisen tekoälyn käytön.

Johtopäätös

Selkeästi, työkalut kuten ChatGPT, Auto-GPT ja GPT-Engineer ovat teknologian ja sen käyttäjien vuorovaikutuksen uudelleenmäärittelyssä eturintamassa. Avoimien lähdekoodiliikkeiden juurista, nämä tekoälyagentit ilmentävät koneellisen autonomian mahdollisuuksia, suorittaen tehtäviä ajanhausta ohjelmistokehitykseen.

Kun edetään tulevaisuuteen, jossa tekoäly sulautuu syvemmin arkeen, tasapaino tekoälyn kykyjen hyväksymisen ja ihmisten roolien turvaamisen välillä tulee oleelliseksi. Laajemmassa mittakaavassa, tehtävien ja työmarkkinoiden dynamiikka maalaa kaksinaisen kuvan kasvumahdollisuuksista ja haasteista, vaativat tietoisuutta teknisten eettisyyden ja avoimuuden integroimisesta.