将 ChatGPT 与 Auto-GPT 和 GPT-Engineer 等自主 AI 代理进行比较时，决策过程中出现了显着差异。虽然 ChatGPT 需要人类积极参与来推动对话，根据用户提示提供指导，但规划过程主要依赖于人类干预。
像 Transformer 这样的生成式人工智能模型是最先进的核心技术，驱动着这些自主人工智能代理。这些变压器经过大型数据集的训练，使它们能够模拟复杂的推理和决策能力。
自治代理的开源根源：Auto-GPT 和 GPT-Engineer
许多自主人工智能代理都源于由创新人士领导的开源计划，这些计划改变了传统的工作流程。Auto-GPT 等代理不仅可以提供建议，还可以独立处理从在线购物到构建基本应用程序的任务。OpenAI 的代码解释器旨在将ChatGPT从仅仅提出想法升级为利用这些想法积极解决问题。
Auto-GPT和GPT-Engineer都配备了GPT 3.5和GPT-4的强大功能。它掌握代码逻辑，组合多个文件，并加速开发过程。
Auto-GPT 功能的关键在于其人工智能代理。这些代理被编程来执行特定的任务，从调度等普通任务到需要战略决策的更复杂的任务。然而，这些人工智能代理在用户设定的边界内运行。通过 API 控制访问，用户可以确定人工智能可以执行的操作的深度和范围。
例如，如果负责创建与 ChatGPT 集成的聊天 Web 应用程序，Auto-GPT 会自动将目标分解为可操作的步骤，例如创建 HTML 前端或编写 Python 后端脚本。当应用程序自动生成这些提示时，用户仍然可以监视和修改它们。正如AutoGPT的创建者@SigGravitas所示，它能够构建并执行基于Python的测试程序。
虽然下图描述了自主人工智能代理的更通用的架构，但它提供了对幕后流程的宝贵见解。
自主人工智能代理架构
该过程是通过验证 OpenAI API 密钥并初始化各种参数（包括短期内存和数据库内容）来启动的。一旦关键数据传递给代理，模型就会与 GPT3.5/GPT4 交互以检索响应。然后，该响应会转换为 JSON 格式，代理会解释该格式以执行各种功能，例如进行在线搜索、读取或写入文件，甚至运行代码。Auto-GPT 采用预先训练的模型将这些响应存储在数据库中，未来的交互将使用这些存储的信息作为参考。循环继续，直到任务被认为完成。
Auto-GPT 和 GPT-Engineer 设置指南
设置 GPT-Engineer 和 Auto-GPT 等尖端工具可以简化您的开发流程。以下是帮助您安装和配置这两个工具的结构化指南。
自动GPT
设置 Auto-GPT 可能看起来很复杂，但通过正确的步骤，它会变得简单。本指南介绍了设置 Auto-GPT 的过程，并提供了对其不同场景的见解。
1.先决条件：
- Python 环境：确保安装了 Python 3.8 或更高版本。您可以从其官方网站获取Python 。
- 如果您计划克隆存储库，请安装Git。
- OpenAI API 密钥：要与 OpenAI 交互，需要 API 密钥。从您的OpenAI 帐户获取密钥
开放 AI API 密钥生成
内存后端选项：内存后端充当 AutoGPT 的存储机制，用于访问其操作的基本数据。AutoGPT 采用短期和长期存储功能。Pinecone、Milvus、Redis等是可用的选项。
2. 设置您的工作区：
- 创建虚拟环境：
python3 -m venv myenv - 激活环境：
- MacOS 或 Linux：
source myenv/bin/activate
- MacOS 或 Linux：
3、安装：
- 克隆 Auto-GPT 存储库（确保已安装 Git）：
git clone https://github.com/Significant-Gravitas/Auto-GPT.git - 为了确保您使用的是Auto-GPT 0.2.2版本，您需要签出该特定版本：
git checkout stable-0.2.2 - 导航到下载的存储库：
cd Auto-GPT - 安装所需的依赖项：
pip install -r requirements.txt
4、配置：
- 找到
.env.template主/Auto-GPT目录。复制并重命名为.env - 打开
.env并在旁边设置您的 OpenAI API 密钥OPENAI_API_KEY= - 同样，要使用 Pinecone 或其他内存后端，请使用
.env您的 Pinecone API 密钥和区域更新文件。
5. 命令行说明：
Auto-GPT 提供了一组丰富的命令行参数来自定义其行为：
- 一般用法：
- 显示帮助：
python -m autogpt --help - 调整人工智能设置：
python -m autogpt --ai-settings <filename> - 指定内存后端：
python -m autogpt --use-memory <memory-backend>
- 显示帮助：
CLI 中的 AutoGPT
6.启动自动GPT：
配置完成后，使用以下命令启动 Auto-GPT：
- Linux 或 Mac：
./run.sh start - 窗户：
.\run.bat
Docker 集成（推荐设置方法）
对于那些希望将 Auto-GPT 容器化的人来说，Docker 提供了一种简化的方法。但是，请注意 Docker 的初始设置可能有点复杂。请参阅Docker 的安装指南以获取帮助。
请按照以下步骤修改 OpenAI API 密钥。确保 Docker 在后台运行。现在转到 AutoGPT 的主目录并在终端上执行以下步骤
- 构建 Docker 镜像：
docker build -t autogpt . - 现在运行：
docker run -it --env-file=./.env -v$PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt
使用 docker-compose：
- 跑步：
docker-compose run --build --rm auto-gpt - 对于补充自定义，您可以集成其他参数。例如，要同时使用 –gpt3only 和 –continuous 运行：
docker-compose run --rm auto-gpt --gpt3only--continuous - 鉴于 Auto-GPT 在从大型数据集生成内容方面拥有广泛的自主权，因此存在无意访问恶意网络源的潜在风险。
为了降低风险，请在虚拟容器（例如 Docker）中运行 Auto-GPT。这可确保任何潜在有害内容都限制在虚拟空间内，从而使您的外部文件和系统不受影响。或者，Windows Sandbox 是一个选项，但它会在每次会话后重置，无法保留其状态。
为了安全起见，请始终在虚拟环境中执行 Auto-GPT，以确保您的系统免受意外输出的影响。
鉴于这一切，您仍然有可能无法获得您想要的结果。Auto-GPT 用户报告在尝试写入文件时反复出现问题，经常遇到由于文件名有问题而导致尝试失败的情况。这是一个这样的错误：Auto-GPT (release 0.2.2) doesn't append the text after error "write_to_file returned: Error: File has already been updated
相关的GitHub 线程上已经讨论了解决此问题的各种解决方案，以供参考。
GPT-工程师
GPT-工程师工作流程：
- 提示定义：使用自然语言详细描述您的项目。
- 代码生成：根据您的提示，GPT-Engineer 开始工作，生成代码片段、函数，甚至完整的应用程序。
- 细化和优化：生成后，总是有增强的空间。开发人员可以修改生成的代码以满足特定要求，确保一流的质量。
设置 GPT-Engineer 的过程已被浓缩为易于遵循的指南。以下是逐步细分：
1. 准备环境：在开始之前，请确保您已准备好项目目录。打开终端并运行以下命令
- 创建一个名为“网站”的新目录：
mkdir website- 移动到目录：
cd website
2. 克隆存储库： git clone https://github.com/AntonOsika/gpt-engineer.git .
3. 导航并安装依赖项：克隆后，切换到目录cd gpt-engineer 并安装所有必需的依赖项make install
4. 激活虚拟环境：根据您的操作系统，激活创建的虚拟环境。
- 对于macOS/Linux：
source venv/bin/activate
- 对于Windows，由于 API 密钥设置而略有不同：
set OPENAI_API_KEY=[your api key]
5. 配置 – API 密钥设置：要与 OpenAI 交互，您需要一个 API 密钥。如果您还没有，请在 OpenAI 平台上注册，然后：
- 对于macOS/Linux：
export OPENAI_API_KEY=[your api key]
- 对于Windows（如前所述）：
set OPENAI_API_KEY=[your api key]
6. 项目初始化和代码生成： GPT-Engineer 的魔力从文件夹main_prompt 中找到的文件开始projects 。
- 如果您想开始一个新项目：
cp -r projects/example/ projects/website
在这里，将“网站”替换为您选择的项目名称。
- 使用您选择的文本编辑器编辑
main_prompt文件，记下项目的要求。
- 一旦您对提示符感到满意，请运行：
gpt-engineer projects/website
您生成的代码将驻留在workspace 项目文件夹内的目录中。
7. 后一代：虽然 GPT-Engineer 很强大，但它可能并不总是完美的。检查生成的代码，根据需要进行任何手动更改，并确保一切顺利运行。
运行示例
迅速的：
设置并运行 GPT-Engineer
与 Auto-GPT 非常相似，GPT-Engineer 即使在完成设置后有时也会遇到错误。然而，在第三次尝试时，我成功访问了以下精简版网页。确保您查看官方GPT-Engineer 存储库的问题页面上的任何错误。
使用 GPT-Engineer 生成的 Streamlit 应用程序
当前人工智能代理的瓶颈
运营费用
Auto-GPT 执行的单个任务可能涉及多个步骤。重要的是，每个步骤都可以单独计费，从而增加了成本。自动 GPT 可能会陷入重复循环，无法提供承诺的结果。此类事件会损害其可靠性并损害投资。
想象一下想要使用 Auto-GPT 创建一篇短文。论文的理想长度是 8K 令牌，但在创建过程中，模型会深入研究多个中间步骤来最终确定内容。如果您使用上下文长度为 8k 的 GPT-4，则对于输入，您将需要支付0.03 美元。对于输出，成本为0.06 美元。现在，假设模型遇到了不可预见的循环，多次重做某些部分。不仅流程变得更长，而且每次重复也会增加成本。
为了防止这种情况：
在OpenAI Billing & Limits中设置使用限制：
- 硬限制：限制使用量超出您设定的阈值。
- 软限制：一旦达到阈值，就会向您发送电子邮件警报。
功能限制
正如其源代码中所述，Auto-GPT 的功能有一定的界限。其解决问题的策略由其内在功能和 GPT-4 API 提供的可访问性决定。如需深入讨论和可能的解决方法，请考虑访问：Auto-GPT 讨论。
人工智能对劳动力市场的影响
人工智能和劳动力市场之间的动态不断变化，本研究论文对此进行了广泛记录。一个关键的结论是，虽然技术进步通常有利于熟练工人，但它给从事日常任务的人带来了风险。事实上，技术进步可能会取代某些任务，但同时为多样化的劳动密集型任务铺平了道路。
据估计，80% 的美国工人可能会发现 LLM（语言学习模型）影响他们大约 10% 的日常任务。这一统计数据强调了人工智能和人类角色的融合。
人工智能在劳动力中的双重作用：
- 积极的方面：人工智能可以自动执行大量任务，从客户服务到财务建议，为缺乏专业团队资金的小型企业提供了喘息的机会。
- 担忧：自动化的好处引起了人们对潜在失业的担忧，特别是在人类参与至关重要的领域，例如客户支持。除此之外，还有与人工智能访问机密数据相关的道德迷宫。这就需要强大的基础设施来确保人工智能的透明度、问责制和道德使用。
结论
显然，ChatGPT、Auto-GPT 和 GPT-Engineer 等工具处于重塑技术与其用户之间交互的最前沿。这些人工智能代理植根于开源运动，体现了机器自治的可能性，简化了从调度到软件开发的任务。
随着我们进入人工智能更深入地融入我们日常生活的未来，拥抱人工智能的能力和保护人类角色之间的平衡变得至关重要。从更广泛的角度来看，人工智能劳动力市场的动态描绘了增长机遇和挑战的双重形象，要求有意识地整合技术道德和透明度。
ChatGPT、ChatGPT中国站、国内ChatGPT、人工智能、AI、OpenAI、ChatGPT国内、ChatGPT官网、ChatGPT中文版、ChatGPT体验、ChatGPT国内站点、ChatGPT中文网、ChatGPT国内、中国版ChatGPT、ChatGPT中国镜像、ChatGPT国内镜像、AI全家桶、AI导航、MJ绘画、AI绘画技术、人工智能绘画、AI艺术创作、智能绘图软件
相关文章
