大模型应用_AutoGPT

本文主要是介绍大模型应用_AutoGPT，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1 功能

• 整体功能，想解决什么问题
  单独使用 ChatGPT 时，只提供基本的聊天，无法实现具体的功能，如果想提供某种功能，则需要结合程序实现。AutoGPT目标是建立和使用 AI Agent，设定一个或多个目标，AutoGPT自动拆解成相对应的任务，并派出 Agent 执行任务直到目标达成，无需编程。
• 当前解决了什么问题，哪些问题解决不了
  形成了较为完善的整体流程。在解决具体问题过程中，还需要人的进一步参与，仅使用 GPT 和简单的交互，还是不足以解决一般情况下遇到的问题。
• 提供哪些功能点，其中哪些是刚需
  建立Agent和整体调用流程是其核心功能。个人感觉这个工具并不求大而全，基本思路都是围绕其主功能扩展。除主功能以外，它还提供了：黑客马拉松，benchmark 基线 等功能，供二次开发者使用。
• 用户使用难度，操作逻辑是否过于复杂
  使用 docker 方式运行比较简单，只需要设置env，基本上是开箱即用；使用其前端需要进一步设置。具体工作时，虽然都是文本交互，但还是需要一些学习成本。

2 技术栈

• 技术栈是什么
  • 前端使用 Dart+Flutter 开发，修改其前端有一定学习成本。
  • Python 包管理使用 Poetry，依赖包在 pyproject.toml 中设置。
  • LLM主要支持 OPENAI 的 GPT，使用的 openai 的 api 也比较旧。
  • 部署使用 docker + docker-compose
  • 主循环入口：autogpt/autogpt/app/main.py
• 现有底层工具消化了哪些常用功能
  • 对外部强依赖较少，在配置文件env中可查看其可选组件
• 代码分析（使用cloc工具统计）
  • docker 大小 1.99G
  • 代码下载 304M，其中主要占空间的是 .git 和 benchmark/reports/
  • 代码量（不计 json 文件和生成的js），其中 Python 24032行，dart 4590行，即以 Python 代码为主，包含少量前端界面；代码量不小，Python代码难度不高。
  • 核心代码：aotogpt/autogpt/autogpt目录下的python文件；其中 core 目录内容相对比较多，它的目标是重构 autogpt，尚在开发之中。

3 商业模式

AutoGPT 首先提供了一个完整的架构和可用的全功能。但它不是一个已经把各种问题解决的很好，拿来就能用的具体工具。从当前版本看，它更像是一个以架构为主，提供平台，希望大家开发和调优专门解决具体问题的 agent。并提供展示和比较的平台（黑客马拉松：Hackathon），各种 benchmark 基线（排行榜：https://leaderboard.agpt.co/），评测，底层结构和基本工具。
鼓励大家基于其架构开发解决具体问题的 agent，从而建立一种以Agent为核心的用大模型解决具体问题的生态。

4 安装

4.1 build docker image

$ git clone 
$ cd AutoGPT/autogpts/autogpt
$ cp .env.template .env
$ vi .env # 至少修改 OPENAI_API_KEY, OPENAI_API_BASE_URL，建议修改 LLM 以节省费用
$ docker build --build-arg HTTP_PROXY=xxx --build-arg HTTPS_PROXY=xxx . -t auto-gpt

4.2 运行

$ docker run --rm --env-file .env -p 8000:8000 -e HTTPS_PROXY="xxx" -e HTTPS_PROXY="xxx" -it auto-gpt run

4.3 使用体会

如果上述安装运行正常，则出现提示，让用户输入项目描述，然后程序将工作划分为多个步骤，每一步与用户确认，在交互过程中执行。

5 资料

Document: https://docs.agpt.co/

这篇关于大模型应用_AutoGPT的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---