Tekoäly
Auto-GPT ja GPT-insinööri: perusteellinen opas nykypäivän johtaville tekoälyagenteille
Verrattaessa ChatGPT:tä autonomisiin tekoälyagentteihin, kuten Auto-GPT ja GPT-Engineer, päätöksentekoprosessissa ilmenee merkittävä ero. Vaikka ChatGPT vaatii aktiivista ihmisten osallistumista keskustelun ohjaamiseen ja opastusta käyttäjien kehotteisiin, suunnitteluprosessi on pääasiassa riippuvainen ihmisen toimista.
Generatiivinen AI mallit, kuten muuntajat, ovat huippuluokan ydintekniikkaa, joka ohjaa näitä autonomisia tekoälyagentteja. Nämä muuntajat on koulutettu käyttämään suuria tietojoukkoja, minkä ansiosta ne voivat simuloida monimutkaisia päättely- ja päätöksentekokykyjä.
Autonomisten agenttien avoimen lähdekoodin juuret: Auto-GPT ja GPT-Engineer
Monet näistä itsenäisistä tekoälyagenteista ovat peräisin avoimen lähdekoodin aloitteista, joita johtavat innovatiiviset yksilöt muuttavat perinteisiä työnkulkuja. Sen sijaan, että tarjoaisivat vain ehdotuksia, agentit, kuten Auto-GPT, voivat hoitaa itsenäisesti tehtäviä verkkokaupoista perussovellusten rakentamiseen. OpenAI:n kooditulkki tavoitteena on päivittää ChatGPT ideoiden ehdottamisesta aktiiviseen ongelmien ratkaisemiseen näiden ideoiden kanssa.
Sekä Auto-GPT että GPT-Engineer on varustettu GPT 3.5:n ja GPT-4:n teholla. Se ymmärtää koodilogiikkaa, yhdistää useita tiedostoja ja nopeuttaa kehitysprosessia.
Auto-GPT:n toiminnallisuuden ydin on sen tekoälyagenteissa. Nämä agentit on ohjelmoitu suorittamaan tiettyjä tehtäviä, arkipäiväisistä, kuten aikataulutuksesta, monimutkaisempiin tehtäviin, jotka edellyttävät strategista päätöksentekoa. Nämä tekoälyagentit toimivat kuitenkin käyttäjien asettamissa rajoissa. Hallitsemalla pääsyään sovellusliittymien kautta käyttäjät voivat määrittää tekoälyn suorittamien toimien syvyyden ja laajuuden.
Esimerkiksi, jos sen tehtävänä on luoda ChatGPT:hen integroitu chat-verkkosovellus, Auto-GPT jakaa tavoitteen itsenäisesti toiminnallisiin vaiheisiin, kuten HTML-käyttöliittymän luomiseen tai Python-taustaohjelman komentosarjaan. Vaikka sovellus tuottaa nämä kehotteet itsenäisesti, käyttäjät voivat silti seurata ja muokata niitä. Kuten AutoGPT:n luoja on osoittanut @SigGravitas, se pystyy rakentamaan ja suorittamaan Pythoniin perustuvan testiohjelman.
Massiivinen päivitys Auto-GPT:lle: Code Execution! 🤖💻
Auto-GPT pystyy nyt kirjoittamaan oman koodinsa käyttämällä # gpt4 ja suorita python-skriptit!
Tämä mahdollistaa sen rekursiivisen virheenkorjauksen, kehittämisen ja itsensä parantamisen… 🤯 👇 pic.twitter.com/GEkMb1LyxV
- Merkittävät gravitaatiot (@SigGravitas) Huhtikuu 1, 2023
Vaikka alla oleva kaavio kuvaa yleisempää autonomisen tekoälyagentin arkkitehtuuria, se tarjoaa arvokasta tietoa kulissien takana olevista prosesseista.
Autonominen AI-agenttiarkkitehtuuri
Prosessi aloitetaan tarkistamalla OpenAI API-avain ja alustamalla erilaisia parametreja, mukaan lukien lyhytaikaisen muistin ja tietokannan sisältö. Kun avaintiedot on välitetty agentille, malli on vuorovaikutuksessa GPT3.5/GPT4:n kanssa vastauksen noutamiseksi. Tämä vastaus muunnetaan sitten JSON-muotoon, jonka agentti tulkitsee suorittamaan erilaisia toimintoja, kuten verkkohakujen suorittamista, tiedostojen lukemista tai kirjoittamista tai jopa koodin suorittamista. Auto-GPT käyttää valmiiksi koulutettua mallia näiden vastausten tallentamiseen tietokantaan, ja tulevat vuorovaikutukset käyttävät näitä tallennettuja tietoja viitteenä. Silmukka jatkuu, kunnes tehtävä katsotaan suoritetuksi.
Asennusopas Auto-GPT:lle ja GPT-Engineerille
Uusimpien työkalujen, kuten GPT-Engineer ja Auto-GPT, määrittäminen voi virtaviivaistaa kehitysprosessiasi. Alla on jäsennelty opas, joka auttaa sinua asentamaan ja määrittämään molemmat työkalut.
Auto-GPT
Auto-GPT:n määrittäminen voi näyttää monimutkaiselta, mutta oikeilla vaiheilla siitä tulee yksinkertaista. Tämä opas kattaa menettelyn Auto-GPT:n määrittämiseksi ja tarjoaa käsityksiä sen erilaisista skenaarioista.
1. Edellytykset:
- Python ympäristö: Varmista, että sinulla on Python 3.8 tai uudempi asennettuna. Pythonin saa sieltä virallinen nettisivu.
- Jos aiot kloonata arkistot, asenna mennä.
- OpenAI API-avain: Jotta voit olla vuorovaikutuksessa OpenAI:n kanssa, tarvitaan API-avain. Hae avain omasta OpenAI-tili
Avaa AI API Key Generation
Muistin taustaohjelman asetukset: Muistin taustaohjelma toimii tallennusmekanismina, jonka avulla AutoGPT voi käyttää toimintojensa kannalta tärkeitä tietoja. AutoGPT käyttää sekä lyhyen että pitkän aikavälin tallennusominaisuuksia. Käpy, Milvus, Redis, ja muut ovat käytettävissä olevia vaihtoehtoja.
2. Työtilan määrittäminen:
- Luo virtuaalinen ympäristö:
python3 -m venv myenv - Aktivoi ympäristö:
- MacOS tai Linux:
source myenv/bin/activate
- MacOS tai Linux:
3. Asennus:
- Kloonaa Auto-GPT-arkisto (varmista, että Git on asennettu):
git clone https://github.com/Significant-Gravitas/Auto-GPT.git - Varmistaaksesi, että työskentelet version kanssa Auto-GPT:n 0.2.2, sinä haluat kassa kyseiseen versioon:
git checkout stable-0.2.2 - Siirry ladattavaan arkistoon:
cd Auto-GPT - Asenna tarvittavat riippuvuudet:
pip install -r requirements.txt
4. Kokoonpano:
- Paikantaa
.env.templatepääasiassa/Auto-GPThakemistosta. Kopioi ja nimeä se uudelleen.env - avoin
.envja aseta OpenAI-sovellusliittymäavaimesi viereenOPENAI_API_KEY= - Samoin, jos haluat käyttää Pineconea tai muita muistitaustaohjelmia, päivitä
.envtiedosto Pinecone API -avaimella ja alueella.
5. Komentoriviohjeet:
Auto-GPT tarjoaa runsaan joukon komentoriviargumentteja käyttäytymisensä mukauttamiseen:
- Yleiset Käyttö:
- Näytä ohje:
python -m autogpt --help - Säädä AI-asetuksia:
python -m autogpt --ai-settings <filename> - Määritä muistin taustajärjestelmä:
python -m autogpt --use-memory <memory-backend>
- Näytä ohje:
AutoGPT CLI:ssä
6. Auto-GPT:n käynnistäminen:
Kun määritykset on tehty, aloita automaattinen GPT käyttämällä:
- Linux tai Mac:
./run.sh start - Windows:
.\run.bat
Dockerin integrointi (suositeltu asennustapa)
Niille, jotka haluavat konttittaa Auto-GPT:n, Docker tarjoaa virtaviivaisen lähestymistavan. Muista kuitenkin, että Dockerin alkuasetukset voivat olla hieman monimutkaisia. Viitata Dockerin asennusopas avuksi.
Muokkaa OpenAI API-avainta noudattamalla alla olevia ohjeita. Varmista, että Docker on käynnissä taustalla. Siirry nyt AutoGPT:n päähakemistoon ja seuraa alla olevia ohjeita päätteelläsi
- Rakenna Docker-kuva:
docker build -t autogpt . - Nyt juokse:
docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt
Docker-composen kanssa:
- Juosta:
docker-compose run --build --rm auto-gpt - Lisämukauttamista varten voit integroida lisäargumentteja. Esimerkiksi, jos haluat suorittaa sekä -gpt3only- että -continuous-komentojen:
docker-compose run --rm auto-gpt --gpt3only--continuous - Koska Auto-GPT:llä on laaja autonomia luoda sisältöä suurista tietojoukoista, on olemassa potentiaalinen riski, että se pääsee tahattomasti haitallisiin verkkolähteisiin.
Riskien vähentämiseksi käytä Auto-GPT:tä virtuaalisessa säilössä, kuten Dockerissa. Tämä varmistaa, että kaikki mahdollisesti haitallinen sisältö pysyy virtuaalitilassa, jolloin ulkoiset tiedostot ja järjestelmä pysyvät koskemattomina. Vaihtoehtoisesti Windows Sandbox on vaihtoehto, vaikka se nollautuu jokaisen istunnon jälkeen, mutta ei säilytä tilaansa.
Suorita turvallisuussyistä aina Auto-GPT virtuaaliympäristössä ja varmista, että järjestelmäsi pysyy eristettynä odottamattomilta lähdöiltä.
Kaiken tämän huomioon ottaen on edelleen mahdollisuus, että et voi saada toivottuja tuloksia. Auto-GPT-käyttäjät raportoivat toistuvia ongelmia kun yrität kirjoittaa tiedostoon, kohtaat usein epäonnistuneita yrityksiä ongelmallisten tiedostonimien vuoksi. Tässä yksi tällainen virhe: Auto-GPT (release 0.2.2) doesn't append the text after error "write_to_file returned: Error: File has already been updated
Erilaisia ratkaisuja tämän ratkaisemiseksi on keskusteltu liitännäisissä GitHub-lanka viite.
GPT-insinööri
GPT-insinöörin työnkulku:
- Pikainen määritelmä: Luo yksityiskohtainen kuvaus projektistasi luonnollisella kielellä.
- Koodin luominen: Kehottesi perusteella GPT-Engineer alkaa työskennellä ja tuottaa koodinpätkiä, toimintoja tai jopa kokonaisia sovelluksia.
- Jalostus ja optimointi: Jälkisukupolven jälkeen on aina parantamisen varaa. Kehittäjät voivat muokata luotua koodia vastaamaan tiettyjä vaatimuksia ja varmistaakseen huippuluokan laadun.
GPT-Engineerin käyttöönottoprosessi on tiivistetty helposti seurattavaksi oppaaksi. Tässä on vaiheittainen erittely:
1. Ympäristön valmistelu: Varmista ennen sukellusta, että sinulla on projektihakemistosi valmiina. Avaa pääte ja suorita alla oleva komento
- Luo uusi hakemisto nimeltä "verkkosivusto":
mkdir website- Siirry hakemistoon:
cd website
2. Kloonaa arkisto: git clone https://github.com/AntonOsika/gpt-engineer.git .
3. Navigoi ja asenna riippuvuudet: Kun olet kloonannut, vaihda hakemistoon cd gpt-engineer ja asenna kaikki tarvittavat riippuvuudet make install
4. Aktivoi virtuaaliympäristö: Aktivoi luotu virtuaaliympäristö käyttöjärjestelmästäsi riippuen.
- varten macOS / Linux:
source venv/bin/activate
- varten Windows, se on hieman erilainen API-avaimen asetuksista johtuen:
set OPENAI_API_KEY=[your api key]
5. Määritykset – API-avaimen asetukset: Tarvitset API-avaimen voidaksesi olla vuorovaikutuksessa OpenAI:n kanssa. Jos sinulla ei vielä ole sellaista, rekisteröidy OpenAI-alustalle ja sitten:
- varten macOS / Linux:
export OPENAI_API_KEY=[your api key]
- varten Windows (kuten aiemmin mainittu):
set OPENAI_API_KEY=[your api key]
6. Projektin alustus ja koodin luominen: GPT-Engineerin taika alkaa main_prompt tiedosto löytyy projects kansio.
- Jos haluat aloittaa uuden projektin:
cp -r projects/example/ projects/website
Korvaa tässä "verkkosivusto" valitsemallasi projektin nimellä.
- Muokkaa
main_prompttiedosto valitsemallasi tekstieditorilla, kirjaamalla ylös projektisi vaatimukset.
- Kun olet tyytyväinen nopeaan suoritukseen:
gpt-engineer projects/website
Luotu koodi sijaitsee osoitteessa workspace hakemistoon projektikansiossa.
7. Jälkisukupolvi: Vaikka GPT-Engineer on tehokas, se ei välttämättä aina ole täydellinen. Tarkista luotu koodi, tee tarvittaessa manuaaliset muutokset ja varmista, että kaikki toimii sujuvasti.
Esimerkkiajo
kysyy:
GPT-Engineerin määrittäminen ja käyttäminen
Aivan kuten Auto-GPT, GPT-Engineer voi joskus kohdata virheitä jopa täydellisen asennuksen jälkeen. Kolmannella yritykselläni pääsin kuitenkin onnistuneesti seuraavaan virtaviivaistettuun verkkosivuun. Varmista, että tarkistat kaikki virkailijan virheet GPT-Engineer-arkiston ongelmasivu.
Streamlit-sovellus luotu GPT-Engineerin avulla
Tekoälyagenttien nykyiset pullonkaulat
Toimintakustannukset
Yksi Auto-GPT:n suorittama tehtävä voi sisältää useita vaiheita. Tärkeää on, että jokainen näistä vaiheista voi olla laskutetaan erikseen, lisää kustannuksia. Auto-GPT voi jäädä toistuvien silmukoiden loukkuun, jolloin se ei saavuta luvattuja tuloksia. Tällaiset tapahtumat vaarantavat sen luotettavuuden ja heikentävät investointia.
Kuvittele, että haluat luoda lyhyen esseen Auto-GPT:llä. Esseen ihanteellinen pituus on 8K tokeneja, mutta luomisprosessin aikana malli perehtyy useisiin välivaiheisiin sisällön viimeistelemiseksi. Jos käytät GPT-4:ää 8 XNUMX kontekstin pituudella, sinua laskutetaan syötteestä $0.03. Ja tuotoksen hinta olisi $0.06. Oletetaan nyt, että malli joutuu odottamattomaan silmukkaan ja tekee tietyt osat uudelleen useita kertoja. Prosessi ei vain pidennä, vaan jokainen toisto lisää myös kustannuksia.
Suojataksesi tätä vastaan:
Aseta käyttörajoitukset at OpenAI:n laskutus ja rajoitukset:
- Kova raja: Rajoittaa käyttöä määritetyn kynnyksen yli.
- Pehmeä raja: Lähettää sinulle sähköposti-ilmoituksen, kun kynnys on saavutettu.
Toimivuuden rajoitukset
Auto-GPT:n ominaisuuksilla, jotka on kuvattu sen lähdekoodissa, on tiettyjä rajoja. Sen ongelmanratkaisustrategioita ohjaavat sen luontaiset toiminnot ja GPT-4:n API:n tarjoama saavutettavuus. Jos haluat perusteellisia keskusteluja ja mahdollisia ratkaisuja, vieraile osoitteessa: Auto-GPT-keskustelu.
Tekoälyn vaikutus työmarkkinoihin
Tekoälyn ja työmarkkinoiden välinen dynamiikka kehittyy jatkuvasti, ja se on dokumentoitu laajasti tässä tutkimus paperi. Keskeistä on, että vaikka teknologinen kehitys hyödyttää usein ammattitaitoisia työntekijöitä, se aiheuttaa riskejä rutiinitehtävissä työskenteleville. Itse asiassa teknologinen kehitys saattaa syrjäyttää tietyt tehtävät, mutta samalla tasoittaa tietä erilaisille, työvaltaisille tehtäville.
Arviolta 80 % amerikkalaisista työntekijöistä saattaa huomata, että LLM:t (Language Learning Models) vaikuttavat noin 10 prosenttiin heidän päivittäisistä tehtävistään. Tämä tilasto korostaa tekoälyn ja ihmisen roolien yhdistämistä.
Tekoälyn kaksitahoinen rooli työvoimassa:
- Positiiviset näkökohdat: Tekoäly voi automatisoida monia tehtäviä asiakaspalvelusta talousneuvontaan ja antaa lykkäyksen pienille yrityksille, joilla ei ole varoja omistautuneisiin tiimeihin.
- huolenaiheet: Automaation siunaus nostaa kulmakarvoja mahdollisista työpaikkojen menetyksistä erityisesti aloilla, joilla ihmisten osallistuminen on ensiarvoisen tärkeää, kuten asiakastuki. Tämän lisäksi eettinen labyrintti liittyy luottamuksellisten tietojen pääsyyn tekoälyyn. Tämä edellyttää vahvaa infrastruktuuria, joka varmistaa tekoälyn läpinäkyvyyden, vastuullisuuden ja eettisen käytön.
Yhteenveto
Selvästikin työkalut, kuten ChatGPT, Auto-GPT ja GPT-Engineer, ovat eturintamassa teknologian ja sen käyttäjien välisen vuorovaikutuksen muokkaamisessa. Nämä tekoälyagentit, joiden juuret ovat avoimen lähdekoodin liikkeissä, tuovat esiin koneen autonomian mahdollisuudet ja virtaviivaistavat tehtäviä ajoituksesta ohjelmistokehitykseen.
Kun etenemme kohti tulevaisuutta, jossa tekoäly integroituu syvemmin päivittäisiin rutiineihimme, tasapainosta tekoälyn kykyjen ja ihmisroolien turvaamisen välillä tulee keskeinen. Laajemmalla kirjolla tekoälyn työmarkkinoiden dynamiikka maalaa kaksijakoisen kuvan kasvumahdollisuuksista ja haasteista vaatien tietoista teknologian etiikan ja läpinäkyvyyden yhdistämistä.
