【Auto-GPT】会自主完成任务的 AI!安整的安装&使用教学

本文涉及的产品
RDS DuckDB + QuickBI 企业套餐,8核32GB + QuickBI 专业版
简介: 【Auto-GPT】会自主完成任务的 AI!安整的安装&使用教学

ChatGPT 需要我们不停的输入指令,引导 AI 的回答方向才能得到期待的结果;而 Auto-GPT 之所以爆红,就是因为他能够“自我反思”,只要给他任务,他就会不停地自问自答,不需要人为插手。

听起来是不是棒呆了?就让笔者透过这篇文章带大家了解如何安装 Auto-GPT,以及如何使用它来帮我们达成工作吧!

image.gif编辑

大纲

▋手把手带你安装 Auto-GPT

▋取得 OpenAI 的 API Key,并将它将放入 Auto-GPT 环境档

▋让 Auto-GPT 跑起来!基础操作说明

▋使用 Auto-GPT 的注意事项

▋手把手带你安装 Auto-GPT

SETP 1:安装 Python 3.8 以上的版本:Download Python | Python.org

image.gif编辑

如果有安裝 Homebrew 也可输入指令:brew install python

SETP 2:安裝 Git:Git - Downloads

image.gif编辑

SETP 3:打开终端(Terminal),透过 Git 指令下载 Auto-GPT:git clone https://github.com/Torantulino/Auto-GPT.git 

image.gif编辑

SETP 4:输入 ls 确认下载的位置,然后透过 cd Auto-GPT 进入目录。

image.gif编辑

SETP 5:输入 pip3 install -r requirements.txt 安装必要套件(会跑一段时间)。

image.gif编辑

如果使用 pip3 指令出现错误,可以先输入 python3 确认自己 Python 的环境是否安装成功。

小提醒:如果是 Windows 环境,输入 pip3、python3 没反应,可以改成输入 pip、python 来替代喔

▋取得 OpenAI 的 API Key,并将它将放入 Auto-GPT 环境

SETP 1:登入 OpenAI ,进入此页面:https://platform.openai.com/account/api-keys

image.gif编辑

SETP 2:按下“Create new secret key”即可取得(笔者撰写文章时,试用版有 18 美金的限额,3 个月后失效;如果你有绑信用卡,请记得设定上限额度,不然可能会哭。)。

SETP 3:回到终端,输入mv .env.template .env,将环境变数范例档重新命名。

SETP 4:输入 vi .env 打开档案,然后找到“OPENAI_API_KEY”这个关键字,将 your-openai-api-key 替换成自己取得的 API Key。

image.gif编辑

如果不熟悉 command line 操作,也可以进入 Auto-GPT 夹内,直接变更 .env 档;此档案为隐藏档, Mac 系统请输入“Shift + Command + .”显示,Windows 系统建议参考官方说明。

看到“.env”后,按右键选择“打开文档的应用程序”,以文字编辑器的方式开启进行编辑(若无此选项请从最下方的“其他”选取)。

▋让 Auto-GPT 跑起来!基础操作说明

在终端输入: python3 -m autogpt

小提醒:如果关掉终端,之后想要执行这个指令,请先 cd Auto-GPT 再执行,不然会出现找不到 module 的错误讯息。

如果一切平安顺利,就会看到下图的画面!

image.gif编辑

操作 Auto-GPT 很简单,主要分成三部分:

    • AI Name:AI 机器人名称。
    • AI Role:AI 扮演的角色。
    • AI Goals:AI 要达成的目标,目前最多设定 5 个(如果不想设定这么多,按下 Enter 就会直接执行)。

    下面是我的示例:

      • AI Name:Smart Writer
      • AI Role:可以满足我所有需求的 AI 作家
      • AI Goals:帮我写一篇介绍 autogpt 的文章

      image.gif编辑

      接下来就可以看 Auto-GPT 表演,你可以看到上面是使用 chrome 浏览器,他是会搜寻关键字、浏览网站的喔(目前官方默认使用 Google 搜寻)。

      他在 Thinking 一段时间后,会列出:

      想法(THOUGHTS)

      推测(REASONING)

      方案(PLAN)

      意见(CRITICISM)

      并让你确认是否执行,笔者这边先按下“y”。

      image.gif编辑

      上面就是 Auto-GPT 执行后的结果,如果你不想要他执行的每一步都经过你的审核,输入“y -N”即可,像是 y-5 就是连续执行 5 次的概念。

      相信透过以上实际演练,读者能理解 Auto-GPT 的运作逻辑,基本上就是不断地“自我反思”,也许我们一步到不了目标,但多优化几次就能抵达。

      下面是跑了 5 次后,Auto-GPT 给出的结果:

      image.gif编辑

      他还是可以持续优化,不过我们先看看它说出了什么吧(这边我用 ChatGPT 把它翻译成中文,并排版)。

      Autogpt是一个多功能的工具,可广泛应用于各个行业。其先进的算法和灵活性使其成为需要快速高效地创建高品质内容的企业和个人的理想工具。以下是autogpt的一些主要特点及其在不同行业的应用:

      电子商务:Autogpt可用于生成产品描述、评论和其他电子商务网站的内容。这可以帮助企业提高搜索引擎排名,吸引更多客户。

      出版:Autogpt可用于生成文章、博客文章和其他出版公司的内容。这可以帮助出版商用更少的时间生产更多内容,降低成本。

      市场营销:Autogpt可用于创建吸引人的市场营销活动内容。这可以帮助企业建立品牌知名度和提高销售。 教育:Autogpt可用于生成教育内容,如教科书、学习指南和在线课程。这可以帮助教育工作者创建与学生相关且有吸引力的高品质内容。

      医疗保健:Autogpt可用于生成医疗内容,如患者教育资料和研究论文。这可以帮助医疗专业人士向患者和其他利益相关者传达复杂的医疗信息。

      法律:Autogpt可用于生成法律内容,如合同、摘要和法律意见。这可以帮助律师和其他法律专业人士更高效地生产高品质内容。

      新闻:Autogpt可用于生成新闻文章和其他媒体公司的内容。这可以帮助记者用更少的时间产生更多内容,跟上快节奏的新闻周期。

      总之,autogpt是一个可广泛应用于各个行业的强大工具。其先进的算法和灵活性使其成为需要快速高效地创建高品质内容的企业和个人的理想工具。无论您身处电子商务、出版、营销、教育、医疗保健、法律还是新闻行业,您都应该考虑使用autogpt这一工具。凭借其先进的算法和灵活性,无论您的需求是什么,autogpt都能够快速有效地帮助您创建高品质的内容,为您的业务和事业带来更多的机会和竞争优势。

      ▋使用 Auto-GPT 的注意事項

        • 请小心使用不限执行次数的指令:输入 python3 -m autogpt --continuous,就会让 Auto-GPT 持续执行;使用这个模式的时候,Auto-GPT 也会给你提出警示,毕竟每次执行都是要消耗 Token。

        image.gif编辑

          • OpenAI 并不是完全免费:我们使用 Auto-GPT 执行任务时,会不断地消耗 Token,一但试用的额度满了,就需要付费。
          • 请设定 OpenAI 的付费额度:如果你免费额度用完后,就需要透过付费继续使用,但建议设定合理的上限额度,否则信用卡可能被刷爆:https://platform.openai.com/account/billing/limits

          image.gif编辑

          Auto-GPT 的答案未必正确:因为 Auto-GPT 的本质还是使用 OpenAI 的 GPT-3.5、GPT-4,这两个模型会犯的错误,Auto-GPT 还是会犯。

          没有 GPT-4 也能使用吗:如果你提供的 API Key 没有 GPT-4,会自动默认 GPT-3.5。

          执行的纪录在哪里呢:在“Auto-GPT/outputs/logs/”底下。

          相关文章
          |
          9月前
          |
          人工智能 API 开发者
          Dify x AiOnly平台:手把手教你调用GPT-5从零构建AI工作流!
          本文介绍如何通过Dify与AiOnly平台,快速构建基于GPT-5等顶尖大模型的AI应用。涵盖环境部署、模型接入、工作流编排及实战案例,助力开发者低门槛打造专属聊天机器人,轻松实现AI应用落地。(238字)
          |
          8月前
          |
          人工智能 监控 算法
          人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
          本数据集包含9000张已标注、已划分的行人图像,适用于人群计数与目标检测任务。支持YOLO等主流框架,涵盖街道、商场等多种场景,标注精准,结构清晰,助力AI开发者快速训练高精度模型,应用于智慧安防、人流统计等场景。
          人群计数、行人检测数据集(9000张图片已划分、已标注) | AI训练适用于目标检测任务
          |
          8月前
          |
          机器学习/深度学习 人工智能 自然语言处理
          123_自监督任务变体:Causal LM详解 - GPT-style下一词预测机制与训练优化
          2025年,自监督学习已成为大型语言模型(LLM)训练的核心范式,其中因果语言建模(Causal Language Modeling, CLM)作为GPT系列模型的基础训练目标,展现出了卓越的生成能力和下游任务迁移性能。与掩码语言建模(Masked Language Modeling, MLM)不同,因果语言建模专注于预测序列中的下一个词元,这种训练方式自然地适应了自回归生成的需求,为文本生成、对话系统等任务奠定了坚实基础。
          633 1
          |
          9月前
          |
          人工智能 自然语言处理 API
          快速集成GPT-4o:下一代多模态AI实战指南
          快速集成GPT-4o:下一代多模态AI实战指南
          638 101
          |
          8月前
          |
          机器学习/深度学习 人工智能 算法
          用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
          本数据集包含2500张已标注实验室设备图片,涵盖空调、灭火器、显示器等10类常见设备,适用于YOLO等目标检测模型训练。数据多样、标注规范,支持智能巡检、设备管理与科研教学,助力AI赋能智慧实验室建设。
          用于实验室智能识别的目标检测数据集(2500张图片已划分、已标注) | AI训练适用于目标检测任务
          |
          8月前
          |
          机器学习/深度学习 人工智能 监控
          面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
          本数据集包含5000张已标注牛行为图片,涵盖卧、站立、行走三类,适用于YOLO等目标检测模型训练。数据划分清晰,标注规范,场景多样,助力智慧牧场、健康监测与AI科研。
          面向智慧牧场的牛行为识别数据集(5000张图片已划分、已标注) | AI训练适用于目标检测任务
          |
          9月前
          |
          人工智能 数据安全/隐私保护 异构计算
          桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
          桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
          1412 8
          桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
          |
          10月前
          |
          人工智能 分布式计算 自然语言处理
          多智能体系统设计:5种编排模式解决复杂AI任务
          本文探讨了多AI智能体协作中的关键问题——编排。文章指出,随着系统从单体模型向多智能体架构演进,如何设计智能体之间的通信协议、工作流程和决策机制,成为实现高效协作的核心。文章详细分析了五种主流的智能体编排模式:顺序编排、MapReduce、共识模式、分层编排和制作者-检查者模式,并分别介绍了它们的应用场景、优势与挑战。最后指出,尽管大模型如GPT-5提升了单体能力,但在复杂任务中,合理的智能体编排仍不可或缺。选择适合的编排方式,有助于在系统复杂度与实际效果之间取得平衡。
          1971 10
          多智能体系统设计:5种编排模式解决复杂AI任务
          |
          10月前
          |
          机器学习/深度学习 人工智能 自动驾驶
          交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务
          在智能驾驶与智慧交通的研究中,交通标识与信号灯识别 是最基础且最关键的任务之一。为了方便研究人员和开发者快速上手目标检测模型训练,本数据集提供了 1000张交通场景图片,并且已经按照目标检测任务的需求完成了 数据标注与划分。该数据集可直接应用于 YOLO、Faster R-CNN、SSD 等深度学习模型的训练与测试。
          交通标识与信号灯数据集(1000张图片已划分、已标注)| AI训练适用于目标检测任务