@[toc]
背景
Auto-GPT 是一个实验性开源应用程序，展示了 GPT-4 语言模型的功能。该程序由 GPT-4 驱动，将 LLM 的“思想”链接在一起，以自主实现您设定的任何目标。作为 GPT-4 完全自主运行的首批示例之一，Auto-GPT 突破了 AI 的可能性界限。
https://github.com/Significant-Gravitas/Auto-GPT
特点
自主人工智能：它所具备的能力主打的就是一个“自主”，完全不用人类插手的那种！
例如：我要求AutoGPT用Vue开发一个登录页面，结果不到3分钟，AI自己就“唰唰唰”地搞定了。
AI自己打开浏览器上网、自己使用第三方工具、自己思考、自己操作你的电脑。 它首先打开Vue官网，学习了下如何创建项目和模版，又去GitHub下载了一个类似的页面，下载下来自己改了一下。例如：给它下达一个任务，让它去帮你做一些商业调查，或者历史故事。
AutoGPT在接到这项任务之后，便开始了他的展示：
- 思考中……
- 添加任务：调用浏览器或者GPTAPI去学习内容，再进行分析
- 添加任务：学习之后规划要做的事情
- 添加任务：逐步实现。
思考中……
然后AgentGPT先是输出执行的结果。 或者你给它下达命令：'请给我一下白宫的秘密资料'。它会考虑如何去做
- 它可能会先从互联网上搜索和下载相关的文件。
- 如果觉得不够详细，它可能会学习一下黑客知识，黑进白宫获取资料。
- 这时候，请照顾好自己，因为你可能看着看着电脑，突然发现窗外一堆大汉，并佩戴者FBI徽章的人看着你，请不要慌张，请不要抵抗，也不要试图逃跑。
记得先拍照发个朋友圈。
🌐用于搜索和信息收集的 Internet 访问
- 💾长期和短期内存管理
- 🧠用于文本生成的 GPT-4 实例
- 🔗访问流行的网站和平台
- 🗃️使用 GPT-3.5 进行文件存储和汇总
环境
- Environment (pick one)
- VSCode + devcontainer: It has been configured in the .devcontainer folder and can be used directly
- Docker
- Python 3.10 or later (instructions: for Windows)
-
可选
Memory backend (pick one)
- ElevenLabs Key (If you want the AI to speak)
部署
git clone https://github.com/Significant-Gravitas/Auto-GPT.git
cd Auto-GPT
pip install -r requirements.txt
找到文件夹名为 .env.template 的文件，复制副本重命名为 .env ，打开编辑，在OPENAI_API_KEY= 输入OpenAI API 密钥
运行
# On Linux of Mac:
./run.sh start
# On Windows:
.\run.bat
成本
由于任务需要通过一系列的思维迭代来完成，为了提供最好的推理和提示，模型每一步通常都会用尽所有 token。
GPT-4 的 token ，根据 OpenAI 的定价，具有 8K 上下文窗口的 GPT-4 模型，对于提示部分，每 1000 个 token 收费 0.03 美元；而对于结果部分，每 1000 个 token 收费 0.06 美元。而 1000 个 token 大概可以换算成 750 个英文单词。
让我们分解思维链中每一步的成本，假设每个动作都用尽了 8000 个 token 的上下文窗口，其中 80% 是提示（6400 个 token），20% 是结果（1600 个 token）。
提示成本：6400 个 token x 0.03 美元/1000 个 token = 0.192 美元
结果成本：1600 个 token x 0.06 美元/1000 个 token = 0.096 美元
因此，每个 Step 的成本就是：0.192 美元 + 0.096 美元 = 0.288 美元
平均而言，Auto-GPT 完成一项小任务需要 50 个 step。
因此，完成单个任务的成本就是：50 个 step x 0.288 美元/step = 14.4 美元
小结
Auto-GPT 引入了一个非常有趣的概念，允许生成智能体(Agent)来委派任务。一个潜在的改进是 引入异步智能体。通过结合异步等待模式，智能体可以并发操作而不会阻塞彼此，从而显著提高系统的整体效率和响应速度。这个概念受到了现代编程范式的启发，这些范式已经采用了异步方法来同时管理多个任务。
生成式智能体是未来的方向，随着 GPT 驱动的智能体不断发展，这种创新方法的未来似乎十分光明。新的研究，如「Generative Agents: Interactive Simulacra of Human Behavior」，强调了基于智能体的系统在模拟可信的人类行为方面的潜力。
