Auto-GPT & GPT-Engineer: Panduan Mendalam tentang Agen AI Terkemuka Hari Ini

Ketika membandingkan ChatGPT dengan Agen AI Otonom seperti Auto-GPT dan GPT-Engineer, perbedaan signifikan muncul dalam proses pengambilan keputusan. Sementara ChatGPT memerlukan keterlibatan manusia yang aktif untuk mengarahkan percakapan, memberikan bimbingan berdasarkan prompt pengguna, proses perencanaan sebagian besar bergantung pada intervensi manusia.

Model AI Generatif seperti transformer adalah teknologi inti State-of-the-Art, yang mendorong agen AI otonom ini. Transformer ini dilatih pada dataset besar, memungkinkan mereka untuk mensimulasikan kemampuan penalaran dan pengambilan keputusan yang kompleks.

Akar Open-Source dari Agen Otonom: Auto-GPT dan GPT-Engineer

Banyak dari agen AI otonom ini berasal dari inisiatif open-source yang dipimpin oleh individu inovatif yang mengubah alur kerja konvensional. Agen seperti Auto-GPT dapat menangani tugas secara independen, dari berbelanja online hingga membuat aplikasi dasar. OpenAI’s Code Interpreter bertujuan untuk meningkatkan ChatGPT dari hanya memberikan saran menjadi aktif menyelesaikan masalah dengan ide-ide tersebut.

Baik Auto-GPT dan GPT-Engineer dilengkapi dengan kekuatan GPT 3.5 dan GPT-4. Ini memahami logika kode, menggabungkan beberapa file, dan mempercepat proses pengembangan.

Inti dari fungsi Auto-GPT terletak pada agen AI-nya. Agen-agen ini diprogram untuk mengeksekusi tugas tertentu, dari tugas yang membosankan seperti penjadwalan hingga tugas yang lebih kompleks yang memerlukan pengambilan keputusan strategis. Namun, agen-agen AI ini beroperasi dalam batas yang ditetapkan oleh pengguna. Dengan mengontrol akses melalui API, pengguna dapat menentukan kedalaman dan ruang lingkup tindakan yang dapat dilakukan AI.

Sebagai contoh, jika ditugaskan untuk membuat aplikasi web chat yang terintegrasi dengan ChatGPT, Auto-GPT secara otonom memecah tujuan menjadi langkah-langkah yang dapat diambil, seperti membuat front-end HTML atau scripting back-end Python. Sementara aplikasi ini secara otonom menghasilkan prompt, pengguna masih dapat memantau dan memodifikasi mereka. Seperti yang ditunjukkan oleh pembuat AutoGPT @SigGravitas, itu dapat membangun dan mengeksekusi program tes berbasis Python.

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

Sementara diagram di bawah ini menggambarkan arsitektur agen AI otonom yang lebih umum, itu menawarkan wawasan berharga tentang proses di balik layar.

Arsitektur Agen AI Otonom

Proses ini dimulai dengan memverifikasi OpenAI API Key dan menginisialisasi parameter lainnya, termasuk memori jangka pendek dan konten database. Setelah data kunci dipindahkan ke Agen, model berinteraksi dengan GPT3.5/GPT4 untuk mendapatkan respons. Respons ini kemudian diubah menjadi format JSON, yang ditafsirkan oleh Agen untuk mengeksekusi berbagai fungsi, seperti melakukan pencarian online, membaca atau menulis file, atau bahkan menjalankan kode. Auto-GPT menggunakan model pra-dilatih untuk menyimpan respons ini dalam database, dan interaksi di masa depan menggunakan informasi yang disimpan ini sebagai referensi. Loop ini berlanjut hingga tugas dianggap selesai.

Panduan Pengaturan untuk Auto-GPT dan GPT-Engineer

Mengatur alat canggih seperti GPT-Engineer dan Auto-GPT dapat mempermudah proses pengembangan Anda. Berikut adalah panduan terstruktur untuk membantu Anda menginstal dan mengonfigurasi kedua alat.

Auto-GPT

Mengatur Auto-GPT dapat tampak kompleks, tetapi dengan langkah-langkah yang tepat, itu menjadi sederhana. Panduan ini mencakup prosedur untuk mengatur Auto-GPT dan memberikan wawasan tentang skenario yang beragam.

1. Prasyarat:

1. Lingkungan Python: Pastikan Anda memiliki Python 3.8 atau yang lebih baru terinstal. Anda dapat mendapatkan Python dari situs web resminya.
2. Jika Anda berencana untuk mengkloning repositori, pasang Git.
3. Kunci API OpenAI: Untuk berinteraksi dengan OpenAI, kunci API diperlukan. Dapatkan kunci dari akun OpenAI Anda

Pembuatan Kunci API Open AI

Opsi Backend Memori: Backend memori berfungsi sebagai mekanisme penyimpanan untuk AutoGPT mengakses data penting untuk operasinya. AutoGPT menggunakan kemampuan penyimpanan jangka pendek dan jangka panjang. Pinecone, Milvus, Redis, dan lain-lain adalah beberapa opsi yang tersedia.

2. Mengatur Ruang Kerja Anda:

1. Buat lingkungan virtual: python3 -m venv myenv
2. Aktifkan lingkungan:
   1. MacOS atau Linux: source myenv/bin/activate

3. Instalasi:

1. Kloning repositori Auto-GPT (pastikan Anda memiliki Git terinstal): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. Untuk memastikan Anda bekerja dengan versi 0.2.2 dari Auto-GPT, Anda ingin checkout ke versi tersebut: git checkout stable-0.2.2
3. Navigasikan ke repositori yang diunduh: cd Auto-GPT
4. Instal dependensi yang diperlukan: pip install -r requirements.txt

4. Konfigurasi:

1. Cari .env.template di direktori utama /Auto-GPT. Duplikat dan ubah namanya menjadi .env
2. Buka .env dan atur Kunci API OpenAI Anda di sebelah OPENAI_API_KEY=
3. Serupa, untuk menggunakan Pinecone atau backend memori lainnya, perbarui file .env dengan Kunci API Pinecone Anda dan wilayah.

5. Instruksi Baris Perintah:

Auto-GPT menawarkan serangkaian argumen baris perintah kaya untuk menyesuaikan perilakunya:

• Penggunaan Umum:
  • Tampilkan Bantuan: python -m autogpt --help
  • Atur Pengaturan AI: python -m autogpt --ai-settings <filename>
  • Tentukan Backend Memori: python -m autogpt --use-memory <memory-backend>

AutoGPT di CLI

6. Meluncurkan Auto-GPT:

Setelah konfigurasi selesai, inisialisasi Auto-GPT menggunakan:

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

Integrasi Docker (Pendekatan Pengaturan yang Disarankan)

Untuk mereka yang ingin mengkontainerisasi Auto-GPT, Docker menawarkan pendekatan yang terstruktur. Namun, perlu diingat bahwa pengaturan awal Docker dapat sedikit rumit. Referensi ke panduan instalasi Docker untuk bantuan.

Lanjutkan dengan mengikuti langkah-langkah di bawah untuk memodifikasi Kunci API OpenAI. Pastikan Docker berjalan di latar belakang. Sekarang, pergi ke direktori utama AutoGPT dan ikuti langkah-langkah berikut di terminal Anda

• Bangun gambar Docker: docker build -t autogpt .
• Jalankan sekarang: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

Dengan docker-compose:

• Jalankan: docker-compose run --build --rm auto-gpt
• Untuk penyesuaian tambahan, Anda dapat mengintegrasikan argumen tambahan. Sebagai contoh, untuk menjalankan dengan –gpt3only dan –continuous: docker-compose run --rm auto-gpt --gpt3only--continuous
• Memang, karena Auto-GPT memiliki kemampuan otonom yang luas dalam menghasilkan konten dari dataset besar, ada potensi risiko bahwa itu tidak sengaja mengakses sumber web yang berbahaya.

Untuk memitigasi risiko, operasikan Auto-GPT dalam kontainer virtual, seperti Docker. Ini memastikan bahwa konten berpotensi berbahaya tetap terisolasi dalam ruang virtual, menjaga file dan sistem Anda tetap utuh. Alternatifnya, Windows Sandbox adalah pilihan, meskipun itu reset setelah setiap sesi, gagal mempertahankan statusnya.

Untuk keamanan, selalu jalankan Auto-GPT dalam lingkungan virtual, memastikan sistem Anda tetap terisolasi dari output yang tidak terduga.

Memang, meskipun demikian, masih ada kemungkinan bahwa Anda tidak akan dapat mencapai hasil yang diinginkan. Pengguna Auto-GPT melaporkan masalah berulang saat mencoba menulis ke file, sering mengalami upaya gagal karena nama file yang bermasalah. Berikut adalah salah satu kesalahan seperti itu: Auto-GPT (rilis 0.2.2) tidak menambahkan teks setelah kesalahan "write_to_file returned: Error: File telah diperbarui

Berbagai solusi untuk mengatasi masalah ini telah dibahas pada thread GitHub terkait untuk referensi.

GPT-Engineer

Alur Kerja GPT-Engineer:

1. Definisi Prompt: Buat deskripsi rinci tentang proyek Anda menggunakan bahasa alami.
2. Generasi Kode: Berdasarkan prompt Anda, GPT-Engineer mulai bekerja, menghasilkan potongan kode, fungsi, atau bahkan aplikasi lengkap.
3. Penyempurnaan dan Optimasi: Setelah generasi, ada ruang untuk peningkatan. Pengembang dapat memodifikasi kode yang dihasilkan untuk memenuhi persyaratan khusus, memastikan kualitas terbaik.

Proses pengaturan GPT-Engineer telah dikondensasi menjadi panduan yang mudah diikuti. Berikut adalah breakdown langkah demi langkah:

1. Mempersiapkan Lingkungan: Sebelum memulai, pastikan Anda memiliki direktori proyek siap. Buka terminal dan jalankan perintah di bawah

• Buat direktori baru bernama ‘website’: mkdir website
• Pindah ke direktori: cd website

2. Mengkloning Repositori:  git clone https://github.com/AntonOsika/gpt-engineer.git .

3. Navigasi & Instalasi Dependensi: Setelah mengkloning, pindah ke direktori cd gpt-engineer dan instal semua dependensi yang diperlukan make install

4. Mengaktifkan Lingkungan Virtual: Tergantung pada sistem operasi Anda, aktifkan lingkungan virtual yang dibuat.

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

• Untuk Windows, sedikit berbeda karena pengaturan kunci API: set OPENAI_API_KEY=[kunci api Anda]

5. Konfigurasi – Pengaturan Kunci API: Untuk berinteraksi dengan OpenAI, Anda memerlukan kunci API. Jika Anda belum memiliki satu, daftar di platform OpenAI, lalu:

• Untuk macOS/Linux: export OPENAI_API_KEY=[kunci api Anda]

• Untuk Windows (seperti yang disebutkan sebelumnya): set OPENAI_API_KEY=[kunci api Anda]

6. Inisialisasi Proyek & Generasi Kode: Keajaiban GPT-Engineer dimulai dengan file main_prompt yang ditemukan di folder projects .

• Jika Anda ingin memulai proyek baru: cp -r projects/example/ projects/website

Di sini, gantikan ‘website’ dengan nama proyek Anda.

• Ubah file main_prompt menggunakan editor teks pilihan Anda, menulis kebutuhan proyek Anda.

• Saat Anda puas dengan prompt, jalankan: gpt-engineer projects/website

Kode yang dihasilkan akan berada di direktori workspace dalam folder proyek.

7. Pasca-Generasi: Sementara GPT-Engineer kuat, itu tidak selalu sempurna. Periksa kode yang dihasilkan, lakukan perubahan manual jika diperlukan, dan pastikan semuanya berjalan lancar.

Contoh Jalankan

Prompt:
“I want to develop a basic Streamlit app in Python that visualizes user data through interactive charts. The app should allow users to upload a CSV file, select the type of chart (e.g., bar, pie, line), and dynamically visualize the data. It can use libraries like Pandas for data manipulation and Plotly for visualization.”

Mengatur dan Menjalankan GPT-Engineer

Banyak seperti Auto-GPT, GPT-Engineer dapat mengalami kesalahan bahkan setelah pengaturan lengkap. Namun, pada upaya ketiga, saya berhasil mengakses halaman Streamlit berikut. Pastikan Anda meninjau kesalahan pada halaman issue resmi GPT-Engineer.

Aplikasi Streamlit yang dihasilkan menggunakan GPT-Engineer

Hambatan Saat Ini dari Agen AI

Biaya Operasional

Satu tugas yang dieksekusi oleh Auto-GPT mungkin melibatkan beberapa langkah. Penting, setiap langkah ini bisa dibayar secara individual, meningkatkan biaya. Auto-GPT dapat terjebak dalam loop berulang, gagal memberikan hasil yang dijanjikan. Kejadian seperti ini mengompromikan keandalannya dan melemahkan investasi.

Bayangkan ingin membuat esai singkat dengan Auto-GPT. Panjang esai yang ideal adalah 8K token, tetapi selama proses pembuatan, model tersebut memasuki beberapa langkah intermediary untuk menyelesaikan konten. Jika Anda menggunakan GPT-4 dengan panjang konteks 8k maka untuk input, Anda akan dikenakan biaya $0,03. Dan untuk output, biayanya akan menjadi $0,06. Sekarang, bayangkan model tersebut mengalami loop yang tidak terduga, mengulangi beberapa bagian beberapa kali. Tidak hanya prosesnya menjadi lebih lama, tetapi setiap pengulangan juga menambah biaya.

Untuk melindungi terhadap hal ini:
Tetapkan batas penggunaan di OpenAI Billing & Limits:

• Batas Keras: Membatasi penggunaan di luar ambang batas yang ditetapkan.
• Batas Lunak: Mengirim email peringatan ketika ambang batas tercapai.

Batasan Fungsi

Kemampuan Auto-GPT, seperti yang digambarkan dalam kode sumbernya, datang dengan beberapa batasan. Strategi pengambilan keputusannya dikendalikan oleh fungsi intrinsiknya dan akses yang diberikan oleh API GPT-4. Untuk diskusi mendalam dan kemungkinan solusi, pertimbangkan untuk mengunjungi: Diskusi Auto-GPT.

Dampak AI pada Pasar Tenaga Kerja

Hubungan antara AI dan pasar tenaga kerja terus berkembang dan didokumentasikan secara luas dalam makalah penelitian ini. Salah satu kesimpulan utama adalah bahwa sementara kemajuan teknologi sering menguntungkan pekerja terampil, itu juga menimbulkan risiko bagi mereka yang terlibat dalam tugas rutin. Sebenarnya, kemajuan teknologi mungkin menggantikan tugas tertentu tetapi juga membuka jalan bagi tugas yang beragam dan intensif tenaga kerja.

Diperkirakan 80% pekerja Amerika mungkin menemukan bahwa LLM (Model Pembelajaran Bahasa) mempengaruhi sekitar 10% tugas sehari-hari mereka. Statistik ini menekankan penggabungan peran AI dan manusia.

Peran ganda AI dalam angkatan kerja:

• Aspek Positif: AI dapat mengotomatisasi banyak tugas, dari layanan pelanggan hingga saran keuangan, memberikan bantuan bagi usaha kecil yang tidak memiliki dana untuk tim khusus.
• Kekhawatiran: Keuntungan otomatisasi memunculkan kekhawatiran tentang potensi kehilangan pekerjaan, terutama di sektor di mana keterlibatan manusia sangat penting, seperti dukungan pelanggan. Bersamaan dengan ini adalah labirin etika yang terkait dengan AI yang mengakses data rahasia. Ini membutuhkan infrastruktur yang kuat untuk memastikan transparansi, akuntabilitas, dan penggunaan AI yang etis.

Kesimpulan

Jelas, alat seperti ChatGPT, Auto-GPT, dan GPT-Engineer berada di garis depan dalam membentuk kembali interaksi antara teknologi dan penggunanya. Dengan akar yang berasal dari gerakan open-source, agen AI ini menunjukkan kemungkinan otonomi mesin, mempermudah tugas dari penjadwalan hingga pengembangan perangkat lunak.

Ketika kita melangkah ke masa depan di mana AI lebih dalam terintegrasi dengan rutinitas sehari-hari kita, keseimbangan antara mengadopsi kemampuan AI dan melindungi peran manusia menjadi sangat penting. Dalam skala yang lebih luas, dinamika AI-pasar tenaga kerja menggambarkan gambaran ganda tentang peluang pertumbuhan dan tantangan, menuntut integrasi sadar dari etika teknologi dan transparansi.