Auto-GPT и GPT-Engineer: подробное руководство по ведущим агентам ИИ сегодня

При сравнении ChatGPT с автономными агентами ИИ, такими как Auto-GPT и GPT-Engineer, возникает значительная разница в процессе принятия решений. В то время как ChatGPT требует активного участия человека для управления разговором, предоставляя рекомендации на основе пользовательских запросов, процесс планирования в основном зависит от вмешательства человека.

Модели генеративного ИИ типа трансформеров являются ядром современных технологий, обеспечивающих работу этих автономных агентов ИИ. Эти трансформеры обучаются на больших наборах данных, что позволяет им имитировать сложные рассуждения и возможности принятия решений.

Открытые источники автономных агентов: Auto-GPT и GPT-Engineer

Многие из этих автономных агентов ИИ возникли из открытых инициатив, возглавляемых инновационными людьми, преобразующими традиционные рабочие процессы. Вместо того, чтобы просто предлагать предложения, агенты, такие как Auto-GPT, могут самостоятельно выполнять задачи, от онлайн-шоппинга до создания базовых приложений. Интерпретатор кода OpenAI направлен на улучшение ChatGPT от простого предложения идей до активного решения проблем с помощью этих идей.

И Auto-GPT, и GPT-Engineer оснащены возможностями GPT 3.5 и GPT-4. Они понимают логические конструкции, объединяют несколько файлов и ускоряют процесс разработки.

Суть функциональности Auto-GPT заключается в его агентах ИИ. Эти агенты запрограммированы на выполнение конкретных задач, от обычных, таких как планирование, до более сложных, требующих стратегического принятия решений. Однако эти агенты ИИ работают в рамках, установленных пользователями. Контролируя их доступ через API, пользователи могут определять глубину и объем действий, которые ИИ может выполнять.

Например, если задача состоит в том, чтобы создать веб-чат, интегрированный с ChatGPT, Auto-GPT самостоятельно разбивает цель на выполнимые шаги, такие как создание HTML-интерфейса или написание Python-скрипта для бэкэнда. Хотя приложение автономно генерирует эти запросы, пользователи все еще могут отслеживать и изменять их. Как показал создатель AutoGPT @SigGravitas, оно способно создать и выполнить тестовую программу на Python.

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

Хотя ниже представлена более общая архитектура автономного агента ИИ, она дает ценную информацию о процессах, происходящих на заднем плане.

Архитектура автономного агента ИИ

Процесс начинается с проверки ключа API OpenAI и инициализации различных параметров, включая кратковременную память и содержимое базы данных. Как только ключевые данные передаются агенту, модель взаимодействует с GPT3.5/GPT4 для получения ответа. Этот ответ затем преобразуется в формат JSON, который агент интерпретирует для выполнения различных функций, таких как проведение онлайн-поиска, чтение или запись файлов или даже выполнение кода. Auto-GPT использует предварительно обученную модель для хранения этих ответов в базе данных, и будущие взаимодействия используют эту сохраненную информацию для справки. Цикл продолжается до тех пор, пока задача не будет признана завершенной.

Руководство по настройке Auto-GPT и GPT-Engineer

Настройка передовых инструментов, таких как GPT-Engineer и Auto-GPT, может оптимизировать ваш процесс разработки. Ниже приведено структурированное руководство, которое поможет вам установить и настроить оба инструмента.

Auto-GPT

Настройка Auto-GPT может показаться сложной, но с правильными шагами она становится простой. Это руководство охватывает процедуру настройки Auto-GPT и дает представление о его различных сценариях.

1. Предварительные условия:

1. Среда Python: Убедитесь, что у вас установлен Python 3.8 или более поздняя версия. Вы можете получить Python с официального сайта.
2. Если вы планируете клонировать репозитории, установите Git.
3. Ключ API OpenAI: Для взаимодействия с OpenAI необходим ключ API. Получите ключ из вашего аккаунта OpenAI

Генерация ключа API OpenAI

Варианты бэкенда памяти: Бэкенд памяти служит механизмом хранения для AutoGPT, чтобы получить доступ к важной информации для его работы. AutoGPT использует как кратковременное, так и долговременное хранилище. Pinecone, Milvus, Redis и другие являются некоторыми из доступных вариантов.

2. Настройка рабочего пространства:

1. Создайте виртуальную среду: python3 -m venv myenv
2. Активируйте среду:
   1. MacOS или Linux: source myenv/bin/activate

3. Установка:

1. Клонируйте репозиторий Auto-GPT (убедитесь, что у вас установлен Git): git clone https://github.com/Significant-Gravitas/Auto-GPT.git
2. Чтобы работать с версией 0.2.2 Auto-GPT, необходимо переключиться на эту версию: git checkout stable-0.2.2
3. Перейдите в скачанный репозиторий: cd Auto-GPT
4. Установите необходимые зависимости: pip install -r requirements.txt

4. Настройка:

1. Найдите .env.template в основной директории /Auto-GPT. Скопируйте и переименуйте его в .env
2. Откройте .env и установите ключ API OpenAI рядом с OPENAI_API_KEY=
3. Аналогично, для использования Pinecone или других бэкендов памяти обновите файл .env с ключом API Pinecone и регионом.

5. Команды строки:

Auto-GPT предлагает богатый набор команд строк для настройки его поведения:

• Общее использование:
  • Отображение справки: python -m autogpt --help
  • Настройка параметров ИИ: python -m autogpt --ai-settings <filename>
  • Указание бэкенда памяти: python -m autogpt --use-memory <memory-backend>

AutoGPT в командной строке

6. Запуск Auto-GPT:

После завершения настроек запустите Auto-GPT с помощью:

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

Интеграция с Docker (рекомендуемый подход к настройке)

Для тех, кто хочет контейнеризировать Auto-GPT, Docker предлагает упрощенный подход. Однако имейте в виду, что первоначальная настройка Docker может быть немного сложной. Обратитесь к руководству по установке Docker для получения помощи.

Продолжайте, следуя шагам ниже, чтобы изменить ключ API OpenAI. Убедитесь, что Docker запущен на фоне. Теперь перейдите в основную директорию AutoGPT и следуйте шагам ниже в терминале

• Создайте образ Docker: docker build -t autogpt .
• Теперь запустите: docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

С помощью docker-compose:

• Запустите: docker-compose run --build --rm auto-gpt
• Для дополнительной настройки вы можете интегрировать дополнительные аргументы. Например, чтобы запустить с –gpt3only и –continuous: docker-compose run --rm auto-gpt --gpt3only--continuous
• Учитывая обширную автономность Auto-GPT в генерации контента из больших наборов данных, существует потенциальный риск того, что он непреднамеренно получит доступ к вредоносным веб-источникам.

Чтобы снизить риски, работайте с Auto-GPT в виртуальном контейнере, таком как Docker. Это гарантирует, что любой потенциально вредоносный контент остается в виртуальном пространстве, не затрагивая ваши внешние файлы и систему. Альтернативой может служить Windows Sandbox, хотя он сбрасывается после каждой сессии и не сохраняет свое состояние.

Учитывая все это, есть все еще шанс, что вы не сможете получить желаемые результаты. Пользователи Auto-GPT сообщили о постоянных проблемах при попытке записать в файл, часто сталкиваясь с неудачными попытками из-за проблемных имен файлов. Вот одна из таких ошибок: Auto-GPT (релиз 0.2.2) не добавляет текст после ошибки "write_to_file returned: Error: File has already been updated

Различные решения для решения этой проблемы обсуждаются на соответствующей странице проблем GitHub для справки.

GPT-Engineer

GPT-Engineer Workflow:

1. Определение запроса: Создайте подробное описание вашего проекта на естественном языке.
2. Генерация кода: На основе вашего запроса GPT-Engineer генерирует кодовые фрагменты, функции или даже полные приложения.
3. Уточнение и оптимизация: После генерации всегда есть место для улучшения. Разработчики могут изменить сгенерированный код, чтобы он соответствовал конкретным требованиям, обеспечивая высокое качество.

Процесс настройки GPT-Engineer был сведен к простому пошаговому руководству. Вот подробный разбор:

1. Подготовка среды: Прежде чем приступить, убедитесь, что у вас готова директория проекта. Откройте терминал и запустите команду

• Создайте новую директорию с именем ‘website’: mkdir website
• Перейдите в директорию: cd website

2. Клонирование репозитория:  git clone https://github.com/AntonOsika/gpt-engineer.git .

3. Переход и установка зависимостей: Как только склонировано, перейдите в директорию cd gpt-engineer и установите все необходимые зависимости make install

4. Активация виртуальной среды: В зависимости от вашей операционной системы, активируйте созданную виртуальную среду.

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

• Для Windows, это немного отличается из-за настройки ключа API: set OPENAI_API_KEY=[ваш ключ API]

5. Настройка – Настройка ключа API: Для взаимодействия с OpenAI вам понадобится ключ API. Если у вас его еще нет, зарегистрируйтесь на платформе OpenAI, а затем:

• Для macOS/Linux: export OPENAI_API_KEY=[ваш ключ API]

• Для Windows (как упоминалось ранее): set OPENAI_API_KEY=[ваш ключ API]

6. Инициализация проекта и генерация кода: Волшебство GPT-Engineer начинается с файла main_prompt , расположенного в папке projects .

• Если вы хотите начать новый проект: cp -r projects/example/ projects/website

Здесь замените ‘website’ на имя вашего проекта.

• Отредактируйте файл main_prompt с помощью текстового редактора, описав требования вашего проекта.

• Как только вы будете удовлетворены запросом, запустите: gpt-engineer projects/website

Ваш сгенерированный код будет находиться в директории workspace внутри папки проекта.

7. После генерации: Хотя GPT-Engineer мощный, он не всегда идеален. Проверьте сгенерированный код, внесите любые необходимые изменения и убедитесь, что все работает гладко.

Пример запуска

Запрос:

“Я хочу разработать базовое приложение Streamlit на Python, которое визуализирует пользовательские данные через интерактивные графики. Приложение должно позволять пользователям загружать файл CSV, выбирать тип графика (например, бар, пи, линия) и динамически визуализировать данные. Оно может использовать библиотеки Pandas для манипуляции данными и Plotly для визуализации.”

Настройка и запуск GPT-Engineer

Как и в случае с Auto-GPT, GPT-Engineer иногда может столкнуться с ошибками даже после полной настройки. Однако на мой третий попытке я успешно получил доступ к следующей странице Streamlit. Убедитесь, что вы проверили любые ошибки на официальной странице проблем GPT-Engineer.

Приложение Streamlit, сгенерированное с помощью GPT-Engineer

Текущие ограничения агентов ИИ

Операционные расходы

Одна задача, выполненная Auto-GPT, может включать множество шагов. Важно, что каждый из этих шагов может быть выставлен отдельно, увеличивая затраты. Auto-GPT может застрять в повторяющихся циклах, не выполняя обещанные результаты. Такие случаи подрывают его надежность и компрометируют инвестиции.

Представьте, что вы хотите создать короткий эссе с помощью Auto-GPT. Идеальная длина эссе составляет 8К токенов, но во время создания модели погружается в множество промежуточных шагов, чтобы завершить контент. Если вы используете GPT-4 с контекстом длиной 8к, то за входные данные вам будет выставлен счет в размере $0.03. А за выходные данные – $0.06. Теперь предположим, что модель попадает в непредвиденный цикл, повторяя определенные части несколько раз. Не только процесс становится длиннее, но каждое повторение также добавляет к стоимости.

Чтобы защититься от этого:
Установите лимиты использования в разделе выставления счетов и ограничений OpenAI:

• Жесткий лимит: Ограничивает использование за пределами вашего заданного порога.
• Мягкий лимит: Отправляет вам электронное письмо-уведомление, когда порог достигнут.

Ограничения функциональности

Возможности Auto-GPT, как показано в его исходном коде, имеют определенные границы. Его стратегии решения проблем регулируются его внутренними функциями и доступностью, предоставляемой API GPT-4. Для более глубоких обсуждений и возможных обходных путей рассмотрите посещение: Обсуждение Auto-GPT.

Влияние ИИ на рынок труда

Динамика между ИИ и рынком труда постоянно развивается и подробно описана в этом исследовательском документе. Ключевым выводом является то, что хотя технологический прогресс часто приносит пользу квалифицированным работникам, он представляет риски для тех, кто занят рутинными задачами. На самом деле технологические достижения могут заменить определенные задачи, но одновременно создают путь для разнообразных, трудоемких задач.

Оценочно 80% американских работников могут обнаружить, что модели обучения языка (LLM) влияют примерно на 10% их повседневных задач. Эта статистика подчеркивает слияние ИИ и человеческих ролей.

Двойная роль ИИ на рабочем месте:

• Положительные аспекты: ИИ может автоматизировать множество задач, от обслуживания клиентов до финансовых консультаций, предоставляя облегчение небольшим предприятиям, которые не имеют средств для выделенных команд.
• Проблемы: Бонус от автоматизации вызывает вопросы о потенциальных потерях рабочих мест, особенно в секторах, где участие человека имеет первостепенное значение, таких как поддержка клиентов. Вместе с этим возникает этическая проблема, связанная с доступом ИИ к конфиденциальным данным. Это требует прочной инфраструктуры, обеспечивающей прозрачность, подотчетность и этичное использование ИИ.

Заключение

Очевидно, что инструменты, такие как ChatGPT, Auto-GPT и GPT-Engineer, стоят на переднем крае преобразования взаимодействия между технологиями и их пользователями. С корнями в открытых инициативах эти агенты ИИ демонстрируют возможности машинной автономии, оптимизируя задачи от планирования до разработки программного обеспечения.

Когда мы продвигаемся в будущее, где ИИ глубже интегрируется в нашу повседневную жизнь, баланс между принятием возможностей ИИ и защитой человеческих ролей становится важным. В более широком масштабе динамика ИИ и рынка труда рисует двойную картину возможностей роста и проблем, требуя сознательной интеграции этики технологий и прозрачности.