在Github中77k星的王炸AutoGPT，会独立思考，直接释放双手

1 前言

迄今为止，Github已经7.7万stars了，项目真的顶

GitHub 地址：https://github.com/torantulino/auto-gpt

这里提前下载好了，如果登不上Github或者下载失败的可以在后台回复autogpt领取v0.2.1的源码压缩包

1.1 什么是AutoGPT

十分重磅！GPT3.5都还没玩明白，傍着GPT4的AutoGPT就又要乱杀了，特斯拉前 AI 总监、刚刚回归 OpenAI 的 Andrej Karpathy也提到**“AutoGPT”将成为提示工程的下一个前沿**，网上很多人只提突破性，不提局限性，twitter的原话是prompt engineering领域，因此其他领域还是坐观新测

Auto-GPT 是一个实验性的开源 Python 应用程序，它使用GPT-4自主运行。听名字也知道，auto，自主人工智能，这意味着 Auto-GPT 可以在几乎没有人为干预的情况下执行任务，并且可以自我提示。一言以蔽之，AutoGPT可以实现：分配一个任务，它能自行生成一个结果及任务的每一个提示，其实这类的AI还有AgentGPT、BabyAGI，但，真不够AutoGPT火，其也有火的道理

1.2 为什么是AutoGPT

Auto-GPT 可以将 AI 的行为分解为“思想”、“推理”和“批评”，这展示了 GPT 令人印象深刻的文本生成能力。此功能使用户能够准确了解 AI 在做什么以及为什么这样做。简单说是，**有一个人能帮你完成任务，还会告诉你怎么做。**例如，就 Chef-GPT 而言，AI 的第一个“想法”是“搜索即将发生的事件以找到合适的事件来创建独特的食谱”。这一行动背后的“原因”是“找到即将发生的事件将帮助我想出一个相关且令人兴奋的食谱。”

Auto-GPT 的“批评”分析了对其行为的潜在约束或限制，进一步展示了其在实现用户设定的目标的同时自主运行的能力。此外，Auto-GPT 具有长期和短期记忆功能，以及通过 ElevenLabs 进行的文本转语音功能。这些功能的融合使 Auto-GPT 更像人，增强了它与人互动的能力。

有人会问ChatGPT和Auto-GPT区别，哪个更好？

都好，且不同一个纬度，无法平行比较。首先知道一下人工智能AI和通用人工智能AGI的区别：人工智能 (AI) 是一个广义术语，指的是能够执行需要人类智能才能完成的任务的计算机系统。然而，通用人工智能 (AGI) 指的是可以像人类一样使用自己的过程、推理和智力执行任务的人工智能。

尽管 ChatGPT 是一个非常有能力的聊天机器人，但它仍然只是一个聊天机器人。作为聊天机器人，它仅限于仅对通过提示立即询问的内容做出回应。因此，它可以完成惊人的事情，但只有通过人类的指导。 Auto-GPT 的能力远不止于此，可以要求它完成一项一无所知的任务，然后看着它完成所有工作。即：ChatGPT需要人去引导他，得到自己想要的东西；AutoGPT是给他指令，他自己去思考，自己去想办法完成结果交付。这可以很明显看出后者的特色Auto，更自主化。

2 AutoGPT部分实例

2.1 类似一个Workflow

生成一个 GPT-4 代理来完成添加到待办事项列表中的任何任务

视频链接：https://twitter.com/i/status/1645918390413066240

2.2 市场调研

运营一个 AI 代理，负责进行产品研究并撰写有关最佳耳机的摘要

第二个视频是关于博客研究的，此外Nathan Lands还展示了用于销售勘探的 BabyAGI

视频1链接：https://twitter.com/i/status/1646095934177124353
视频2链接：https://twitter.com/i/status/1645898646762782735

2.3 自己写播客

自行阅读近期发生的事件自行总结并且撰写播客内容

视频链接：https://twitter.com/i/status/1645898646762782735

2.4 接入客服

AutoGPT可以不需要使用者一直输入指令，直接化身24h全天候智能客服，通达全语种，理解客户查询，提供支持，甚至建议追加销售

推文链接：https://twitter.com/gregisenberg/status/1645817335024869376?ref_src=twsrc%5Etfw%7Ctwcamp%5Etweetembed%7Ctwterm%5E1645817335024869376%7Ctwgr%5E1bcdfa0f1f346feb279a7821bda593c41ddc14de%7Ctwcon%5Es1_&ref_url=https%3A%2F%2Fautogpt.net%2Famazing-use-cases-for-auto-gpt-on-twitter%2F

3 安装和使用AutoGPT

安装要求

• Python 3.8 或更高版本
• OpenAI API 密钥
• Pinecone API 密钥
• ElevenLabs Key（这个是可以转换成语音，非必要要求）

3.1 安装

确保满足安装要求，记得下载git工具，然后在bash或者cmd或者turminal克隆库：

git clone https://github.com/Torantulino/Auto-GPT.git

进入库

cd Auto-GPT

安装依赖项

pip install -r requirements.txt

重命名.env.template为 .env 并填写 OPENAI_API_KEY. 如果打算使用语音模式，也需要填写 ELEVEN_LABS_API_KEY

• OpenAI API 密钥：https: //platform.openai.com/account/api-keys
• ElevenLabs API 密钥（在个人资料——xi-api-key）：https://elevenlabs.io

这样就可以了，如果需要在Azure实例上使用 GPT，请设置USE_AZURE为True然后：

• 重命名azure.yaml.template为 并提供部分 中相关模型的azure.yaml相关 azure_api_base和 所有部署 ID ： azure_api_versionazure_model_map
• • fast_llm_model_deployment_id：gpt-3.5-turbo 或 gpt-4 部署 ID
• • smart_llm_model_deployment_id：gpt-4 部署 ID
• • embedding_model_deployment_id：text-embedding-ada-002 v2 部署 ID
• 将所有这些值指定为双引号字符串

# Replace string in angled brackets (<>) to your own ID
azure_model_map:fast_llm_model_deployment_id: "<my-fast-llm-deployment-id>"...

• 详细信息可以参考：
  https://pypi.org/project/openai/,https://learn.microsoft.com/en-us/azure/cognitive-services/openai/tutorials/embeddings?tabs=command-line

3.2 基础用法

1. 在目录运行py文件

python scripts/main.py# 授权单个命令，输入y
# 授权一系列N个连续命令，输入y -N
# 退出程序，进入n

也可以在 AUTO-GPT 的每个动作之后，键入“NEXT COMMAND”以授权它们继续。

要退出程序，请键入“exit”并按 Enter。

2. 可以在文件夹中找到活动和错误日志./output/logs，输出调试日志：

python scripts/main.py --debug

3. 语音模式：

python scripts/main.py --speak#目前已有的11个lab id
Rachel : 21m00Tcm4TlvDq8ikWAM
Domi : AZnzlk1XvdvUeBnXmlld
Bella : EXAVITQu4vr4xnSDxMaL
Antoni : ErXwobaYiN019PkySvjV
Elli : MF3mGyEYCl7XYWbV9V6O
Josh : TxGEqnHWrfWFTfGW9XjX
Arnold : VR6AewLTigWG4xSOukaG
Adam : pNInz6obpgDQGcFmaJgB
Sam : yoZ06aMxZJJ28mfd3POQ

4. docker：

# 调用和运行
docker build -t autogpt .
docker run -it --env-file=./.env -v $PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt# 或者
docker-compose run --build --rm auto-gpt# 其他参数
docker run -it --env-file=./.env -v $PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt --gpt3only --continuous
docker-compose run --build --rm auto-gpt --gpt3only --continuous

5. 命令行常用命令：

# 查看所有可行参数
python -m autogpt --help# 用其他ai设置文件运行
python -m autogpt --ai-settings <filename># 指定内存后端
python -m autogpt --use-memory  <memory-backend>

6. 内存后端设置
   启动redis的docker

docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server:latest

然后配置.env

MEMORY_BACKEND=redis
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_PASSWORD=<PASSWORD>

7. 设置缓存类型
   默认情况下，Auto-GPT 将使用 LocalCache 而不是 redis 或 Pinecone。

若要切换到任一值，请将 env 变量更改为所需的值：MEMORY_BACKEND

local（默认值）使用本地 JSON 缓存文件
pinecone使用在 ENV 设置中配置的 Pinecone.io 帐户
redis将使用配置的 Redis 缓存
milvus将使用配置的 milvus 缓存
weaviate将使用配置的编织缓存

8. 连续模式

无需用户授权即可运行AI，100%自动化。 不建议使用连续模式。 这是潜在的危险，可能会导致你的 AI 永远运行或执行您通常不会授权的操作。 使用风险自负

python -m autogpt --speak --continuous

Ctrl + C退出程序

9. 设置GPT-3.5

如果用不了GPT4可以改成3.5

python -m autogpt --speak --gpt3only

3.3 配置OpenAI的API

大家最熟悉了，https://platform.openai.com/account/api-keys

3.4 配置谷歌API

在谷歌云控制台https://console.cloud.google.com/，在左栏中找到API，新建一个项目，命名随意，这里用了demo

然后create 一个 credentials，API

每日免费自定义搜索配额最多只允许 100 次搜索。要增加此限制，需要为项目分配一个计费帐户，以从每天多达 10,000 次搜索中获利

设置自定义搜索引擎：https://cse.google.com/cse/all，命名随性，搜索范围可以全网，或者自定义。建议按领域来，像做生物生命科学的定向pubmed和谷歌学术镜像，可以稍微省时

准备好了API，开始设置环境变量：

Windows 用户：

setx GOOGLE_API_KEY "YOUR_GOOGLE_API_KEY"
setx CUSTOM_SEARCH_ENGINE_ID "YOUR_CUSTOM_SEARCH_ENGINE_ID"

macOS 和 Linux 用户：

export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
export CUSTOM_SEARCH_ENGINE_ID="YOUR_CUSTOM_SEARCH_ENGINE_ID"

3.5 配置Pinecone API

• 去Pineconehttps://app.pinecone.io/并创建一个帐户。
• 选择计划以避免被收费。Starter
• 在左侧边栏的默认项目下找到API密钥和区域

windows用户：

setx PINECONE_API_KEY "<YOUR_PINECONE_API_KEY>"
setx PINECONE_ENV "<YOUR_PINECONE_REGION>" # e.g: "us-east4-gcp"
setx MEMORY_BACKEND "pinecone"

macOS 和 Linux 用户：

export PINECONE_API_KEY="<YOUR_PINECONE_API_KEY>"
export PINECONE_ENV="<YOUR_PINECONE_REGION>" # e.g: "us-east4-gcp"
export MEMORY_BACKEND="pinecone"

4.讨论

这个虽然是刚出来的实验性项目，但是潜力，真的很大很大，关于Memory pre-seeding，Image Generation，Milvus笔者这里没有提，内容太多太干太硬了，跟着上面的代码可以部署体验一波，需要重度使用务必仔细研究Github