AI 모델 및 플랫폼

Auto-GPT & GPT-Engineer: AI 에이전트의 최신 동향에 대한 심층 가이드

mm
게시일
업데이트일
Unite.AI를 Google의 선호 소스에 추가

ChatGPT와 자율적인 AI 에이전트인 Auto-GPT 및 GPT-Engineer를 비교할 때 결정 과정에서 상당한 차이가 나타납니다. ChatGPT는 활발한 인간의 개입이 필요하여 사용자 프롬프트에 따라 대화를 이끌어 가는 반면, 계획 과정은 주로 인간의 개입에 의존합니다.

생성적 AI 모델인 트랜스포머는 이러한 자율적인 AI 에이전트의 핵심 기술입니다. 이러한 트랜스포머는 대규모 데이터셋에서 훈련되어 복잡한推論 및 의사 결정 능력을 시뮬레이션할 수 있습니다.

자율 에이전트의 오픈 소스 루츠: Auto-GPT 및 GPT-Engineer

이러한 자율적인 AI 에이전트는 혁신적인 개인들이 전통적인 워크플로우를 변革하는 오픈 소스 이니셔티브에서 비롯됩니다. Auto-GPT와 같은 에이전트는 온라인 쇼핑부터 기본 앱 구축에 이르기까지 다양한 작업을 독립적으로 처리할 수 있습니다. OpenAI의 코드 인터프리터는 ChatGPT를 아이디어를 제안하는 것에서 실제 문제를 해결하는 것으로 업그레이드하는 것을 목표로 합니다.

Auto-GPT와 GPT-Engineer는 모두 GPT 3.5 및 GPT-4의 강력한 기능을 탑재하고 있습니다. 코드 논리를 이해하고 여러 파일을 결합하며 개발 프로세스를 가속화합니다.

Auto-GPT의 핵심 기능은其 AI 에이전트에 있습니다. 이러한 에이전트는 사용자에 의해 설정된 경계 내에서 작동하며, API를 통해 사용자는 에이전트가 수행할 수 있는 작업의 깊이와 범위를 제어할 수 있습니다.

예를 들어, ChatGPT와 통합된 채팅 웹 앱을 생성하는 경우, Auto-GPT는 목표를 실행 가능한 단계로 분해하며, 사용자는 이러한 단계를 모니터링하고 수정할 수 있습니다.

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

아래 다이어그램은 일반적인 자율 AI 에이전트의 아키텍처를 설명하며, Auto-GPT의 내부 프로세스에 대한 유용한 통찰력을 제공합니다.

AI 에이전트 아키텍처

AI 에이전트 아키텍처

프로세스는 OpenAI API 키를 확인하고 초기화 매개변수를 설정하는 것으로 시작되며, 에이전트는 GPT3.5/GPT4와 상호 작용하여 응답을 가져옵니다. 이 응답은 JSON 형식으로 변환되어 에이전트가 다양한 기능을 수행할 수 있습니다. Auto-GPT는 미리 훈련된 모델을 사용하여 이러한 응답을 데이터베이스에 저장하며, 이후 상호 작용은 저장된 정보를 참조하여 수행됩니다.

Auto-GPT 및 GPT-Engineer 설정 가이드

Auto-GPT 및 GPT-Engineer와 같은 최신 도구를 설정하면 개발 프로세스를 간소화할 수 있습니다. 아래는 두 도구를 설치하고 구성하는 구조화된 가이드입니다.

Auto-GPT

Auto-GPT 설정은 복잡해 보일 수 있지만 올바른 단계를 따라하면 간단해집니다. 이 가이드는 Auto-GPT 설정 절차와 다양한 시나리오에 대한 통찰력을 제공합니다.

1. 사전 조건:

  1. Python 환경: Python 3.8 이상이 설치되어 있는지 확인하세요. Python을 공식 웹사이트에서 다운로드할 수 있습니다.
  2. 리포지토리를 클론하려면 Git을 설치하세요.
  3. OpenAI API 키: OpenAI와 상호 작용하려면 API 키가 필요합니다. OpenAI 계정에서 키를 얻을 수 있습니다.
Open AI API 키 생성

Open AI API 키 생성

메모리 백엔드 옵션: AutoGPT는 작업에 필요한 데이터에 액세스하기 위한 저장 메커니즘으로 메모리 백엔드를 사용합니다. Pinecone, Milvus, Redis 등이 있습니다.

2. 작업 공간 설정:

  1. 가상 환경을 생성하세요: python3 -m venv myenv
  2. 환경을 활성화하세요:
    1. MacOS 또는 Linux: source myenv/bin/activate

3. 설치:

  1. Auto-GPT 리포지토리를 클론하세요: git clone https://github.com/Significant-Gravitas/Auto-GPT.git
  2. 버전 0.2.2로 체크아웃하세요: git checkout stable-0.2.2
  3. 다운로드된 리포지토리로 이동하세요: cd Auto-GPT
  4. 필요한 종속성을 설치하세요: pip install -r requirements.txt

4. 구성:

  1. .env.template 파일을 복사하여 .env로 이름을 바꾸세요.
  2. .env 파일을 열고 OpenAI API 키를 설정하세요.
  3. Pinecone 또는 다른 메모리 백엔드를 사용하려면 .env 파일을 업데이트하세요.

5. 명령줄 지시:

Auto-GPT는 다양한 명령줄 인수를 제공하여 동작을 사용자 지정할 수 있습니다.

  • 일반 사용:
    • 도움말 표시: python -m autogpt --help
    • AI 설정 조정: python -m autogpt --ai-settings
    • 메모리 백엔드 지정: python -m autogpt --use-memory
AutoGPT CLI

AutoGPT CLI

6. Auto-GPT 시작:

구성이 완료되면 다음 명령으로 Auto-GPT를 시작하세요.

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

Docker 통합 (권장 설정 접근 방식)

Auto-GPT를 컨테이너화하려는 경우 Docker는 간소화된 접근 방식을 제공합니다. 그러나 Docker의 초기 설정은 다소 복잡할 수 있습니다. Docker 설치 안내서를 참조하여 도움을 받으세요.

다음 단계를 따라 OpenAI API 키를 수정하세요. Docker가 백그라운드에서 실행 중인지 확인하세요. 이제 AutoGPT의 주 디렉토리로 이동하여 터미널에서 다음 단계를 수행하세요.

  • Docker 이미지를 빌드하세요: docker build -t autogpt .
  • 실행하세요: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

docker-compose를 사용하여:

  • 실행하세요: docker-compose run --build --rm auto-gpt
  • 추가 사용자 지정이 필요한 경우 인수를 통합할 수 있습니다. 예를 들어, –gpt3only 및 –continuous와 함께 실행하려면: docker-compose run --rm auto-gpt --gpt3only--continuous
  • 대규모 데이터 세트에서 콘텐츠를 생성하는 Auto-GPT의 광범위한 자율성으로 인해 잠재적으로 유해한 웹 소스를 意外로 액세스할 수 있는 위험이 있습니다.

위험을 완화하려면 Docker와 같은 가상 컨테이너 내에서 Auto-GPT를 실행하세요.这样하면 잠재적으로 유해한 콘텐츠가 가상 공간 내에만 포함되어 시스템 파일과 시스템이 영향을 받지 않습니다.

보안을 위해 항상 가상 환경에서 Auto-GPT를 실행하여 시스템이 예기치 않은 출력으로부터 격리되도록 하세요.

Auto-GPT 사용자는 파일에 쓰기 시도할 때 종종 문제가 발생하여 “write_to_file returned: Error: File has already been updated”와 같은 오류 메시지를 받았습니다. 이러한 문제를 해결하기 위한 다양한 솔루션이 GitHub 스레드에서 논의되고 있습니다.

GPT-Engineer

GPT-Engineer 워크플로:

  1. 프롬프트 정의: 프로젝트에 대한 자세한 설명을 자연어로 작성하세요.
  2. 코드 생성: 프롬프트에 따라 GPT-Engineer는 코드 스니펫, 함수 또는 전체 애플리케이션을 생성합니다.
  3. 개선 및 최적화: 코드 생성 후에는 항상 개선할 수 있는 여지가 있습니다. 개발자는 특정 요구 사항을 충족하기 위해 생성된 코드를 수정하여 최고의 품질을 보장할 수 있습니다.

GPT-Engineer 설정은 쉽게 따라할 수 있는 가이드로 요약되었습니다. 다음은 단계별 설명입니다.

1. 환경 준비: 프로젝트 디렉토리를 준비하세요. 터미널을 열고 다음 명령을 실행하세요.

  • 새 디렉토리를 생성하세요: mkdir website
  • 디렉토리로 이동하세요: cd website

2. 리포지토리 클론: git clone https://github.com/AntonOsika/gpt-engineer.git .

3. 디렉토리 이동 및 종속성 설치: 클론한 후 디렉토리로 이동하여 필요한 종속성을 설치하세요.

4. 가상 환경 활성화: 운영 체제에 따라 가상 환경을 활성화하세요.

  • macOS/Linux: source venv/bin/activate
  • Windows: set OPENAI_API_KEY=[your api key]

5. API 키 설정: OpenAI와 상호 작용하려면 API 키가 필요합니다. 아직 키가 없다면 OpenAI 플랫폼에서 키를 얻으세요.

  • macOS/Linux: export OPENAI_API_KEY=[your api key]
  • Windows: set OPENAI_API_KEY=[your api key]

6. 프로젝트 초기화 및 코드 생성: GPT-Engineer의 마법은 main_prompt 파일에서 시작됩니다.

  • 새 프로젝트를 시작하려면: cp -r projects/example/ projects/website

여기서 ‘website’를 프로젝트 이름으로 바꾸세요.

  • 텍스트 편집기를 사용하여 main_prompt 파일을 편집하여 프로젝트 요구 사항을 작성하세요.

  • 프롬프트가 완료되면 실행하세요: gpt-engineer projects/website

생성된 코드는 프로젝트 폴더 내의 workspace 디렉토리에 있습니다.

7. 생성 후: GPT-Engineer는 강력하지만 항상 완벽하지는 않습니다. 생성된 코드를 검사하고 필요한 경우 수동으로 수정하여 모든 것이 원활하게 작동하는지 확인하세요.

예제 실행

프롬프트:

“Python에서 Streamlit 앱을 개발하고 싶습니다. 이 앱은 사용자 데이터를 대화형 차트로 시각화해야 하며, 사용자는 CSV 파일을 업로드하고 차트 유형을 선택하여 데이터를 동적으로 시각화할 수 있어야 합니다. Pandas와 Plotly를 사용하여 데이터를 조작하고 시각화할 수 있습니다.”

GPT-Engineer 설정 및 실행

GPT-Engineer 설정 및 실행

많은 경우에 GPT-Engineer는 완전한 설정 후에도 오류를 발생시킬 수 있습니다. 그러나 세 번째 시도에서 성공적으로 Streamlit 웹페이지에 액세스했습니다. 오류를 검토하려면 GPT-Engineer 리포지토리의 이슈 페이지를 참조하세요.

GPT-Engineer를 사용하여 생성된 Streamlit 앱

GPT-Engineer를 사용하여 생성된 Streamlit 앱

AI 에이전트의 현재 병목 현상

운영 비용

Auto-GPT에서 수행하는 단일 작업은 여러 단계로 구성될 수 있으며, 각 단계는 개별적으로 청구될 수 있습니다. Auto-GPT는 반복적인 루프에 빠질 수 있으며, 이는 비용을 증가시키고 신뢰성을 저하합니다.

예를 들어, Auto-GPT를 사용하여 8K 토큰의 짧은 에세이를 생성하려면, 에세이의 이상적인 길이는 8K 토큰이지만, 생성 과정에서 모델은 여러 중간 단계를 거치게 됩니다. GPT-4를 사용하는 경우 입력에 대한 비용은 $0.03, 출력에 대한 비용은 $0.06입니다. 그러나 모델이 예기치 않은 루프에 빠지면, 비용이 증가할 수 있습니다.

이를 방지하려면:

  • 사용 제한을 설정하세요: OpenAI 청구 및 제한에서 하드 제한 또는 소프트 제한을 설정하여 사용량을 제어하세요.

기능 제한

Auto-GPT의 기능은 소스 코드에 의해 결정되며, GPT-4의 API에서 제공하는 접근성에 의해 제한됩니다. 자세한 토론과 가능한 해결책에 대해서는 Auto-GPT 토론을 참조하세요.

AI의 노동 시장 영향

AI와 노동 시장의 관계는 끊임없이 진화하고 있으며, 연구 논문에서 광범위하게 문서화되어 있습니다. 주요 내용은 기술적 진보가 숙련된 근로자에게는 이익이 되지만, 반복적인 작업에 종사하는 사람들에게는 위험을 초래할 수 있다는 것입니다. 기술적 진보는 특정 작업을 대체할 수 있지만, 동시에 다양한 노동 집약적인 작업을 창출할 수 있습니다.

AI 노동 시장

미국 근로자의 약 80%는 언어 학습 모델(LM)이 일일 작업의 약 10%에 영향을 미칠 수 있다고 추정됩니다. 이는 AI와 인간 역할의 융합을 강조합니다.

AI의 양면적인 역할:

  • 긍정적인 측면: AI는 고객 서비스, 재무 조언 등 다양한 작업을 자동화하여 자금이 부족한 소규모 기업에 도움이 될 수 있습니다.
  • 우려: 자동화의 이점은 작업 손실에 대한 우려를 초래하며, 특히 인간의 개입이 중요한 분야에서 더욱 그렇습니다. 또한 AI가 기밀 데이터에 액세스하는 것과 관련된 윤리적인 문제가 있습니다. 이는 투명성, 책임성 및 AI의 윤리적인 사용을 보장하는 강력한 인프라를 필요로 합니다.

결론

ChatGPT, Auto-GPT, GPT-Engineer와 같은 도구는 기술과 사용자 간의 상호 작용을 재정의하는 최전선에 있습니다. 오픈 소스 운동의 뿌리에서 비롯된 이러한 AI 에이전트는 기계의 자율성을 구현하며, 스케줄링부터 소프트웨어 개발에 이르기까지 다양한 작업을 간소화합니다.

미래로 나아가면서 AI가 우리의 일상에 더 깊이 통합되는 상황에서, AI의 능력을 활용하고 인간의 역할을 보호하는 균형을 찾는 것이 중요합니다. 더广い 관점에서, AI와 노동 시장의 역동성은 성장의 기회와 도전의 이중 이미지를 그려냅니다. 기술 윤리와 투명성을 의식적으로 통합해야 합니다.

mm

지난 5년 동안私は Machine Learning과 Deep Learning의 매혹적인 세계에 몰두해 왔습니다.私の熱情と専門知識は私を50以上의多様한 소프트웨어 엔지니어링 프로젝트에 기여하게 했으며, 특히 AI/ML에 중점을 두었습니다.私の継続的な 호기심은 또한私를自然어 처리로 끌어들였습니다.私は이 분야를さらに 탐구하기를熱望합니다.