【AI大模型应用开发】【AutoGPT系列】1. 快速上手 - 运行原生AutoGPT or 利用AutoGPT框架开发自己的Agent

简介: 【AI大模型应用开发】【AutoGPT系列】1. 快速上手 - 运行原生AutoGPT or 利用AutoGPT框架开发自己的Agent
  • 大家好,我是同学小张,日常分享AI知识和实战案例
  • 欢迎 点赞 + 关注 👏,持续学习持续干货输出
  • 一起交流💬,一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览:


上篇文章中,我们了解了AutoGPT的概念和原理。今天,我们来学习如何上手使用AutoGPT。

AutoGPT目前好像没有了利用 pip install 来安装python包的使用方式?

文章目录

0. 环境搭建

我是Windows系统,需要使用 wsl 进行安装,Linux或者Mac直接用命令行即可。

0.1 Windows系统安装方式

(1)将AutoGPT clone到电脑WSL系统内部某个文件夹内,而不是clone到Windows系统的某个文件夹内(这个容易失败,后面2.2为此种失败的尝试)。在某个路径文件夹下执行:

git clone https://github.com/Significant-Gravitas/AutoGPT.git

(2)进入你的本地目录

cd xxx/AutoGPT

(3)找到.env.template.文件,复制一份重命名为.env文件,将API Key和Base URL代理服务地址填上。

(4)按下面图片步骤生成GitHub的access token,并填到AutoGPT的配置文件中

  • 填表,生成token

  • 粘贴token到AutoGPT的.github_acess_token文件中

(5)配置github

git config --global user.name "Your Name"
git config --global user.email "you@example.com"

如果上面GitHub设置不成功,则会出现下面的错误:

(6)执行 ./run setup,安装成功显示如下:

0.2 失败的尝试 - 如果你失败了,可以看下是否是跟我一样的方式,帮你避坑

(1)将AutoGPT clone到电脑本地:在某个路径文件夹下执行:

git clone https://github.com/Significant-Gravitas/AutoGPT.git

(2)进入你的本地目录

cd /mnt/d/GitHub/AutoGPT_ZH

(3)找到.env.template.文件,复制一份重命名为.env文件,将API Key和Base URL代理服务地址填上。

(4)执行 ./run setup

(5)可能遇到如下错误:

解决此错误:

sudo apt update
sudo apt install dos2unix
dos2unix ./run

然后重新运行 ./run setup

(6)还有错误:

1. 运行AutoGPT

(1)在 AutoGPT/autogpts/autogpt 目录下运行AutoGPT命令:

python -m autogpt
• 1

运行成功如下:

注意运行命令的目录,如果不是在该目录下,可能会出现以下错误:

(2)运行成功输入你的需求或问题后,后面的过程需要人工干预(确认一些前置条件,如限制条件、最佳实践例子,数据来源等)

(3)确认好上面的信息后,AutoGPT才开始正式工作,思考、制定计划,根据限制条件等组织答案回复给用户。最后还需要用户干预,授权执行程序,然后才能得到最终结果。

从这个运行过程,可以看到AutoGPT是半自动化的,虽然它在ChatGPT的基础上增加了独立思考和计划行动的能力,但中间仍需要人工的干预。

并且这种方法使用的是开源AutoGPT中已有的能力。AutoGPT虽然提供了一个完整的框架和可用的全功能,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。目前来看,它更适合用来当作一个架构,让大家在此基础上开发专门解决具体问题的Agent。下面我们来看下怎样在此架构的基础上开发属于我们自己的Agent。

2. 创建并运行你自己的Agent

(1)创建一个自己的AutoGPT

./run agent create YOUR_AUTOGPT_NAME

创建成功后,在代码目录下会出现你自定义的AutoGPT目录:

(2)运行自己的AutoGPT

./ru agent start YOUR_AUTOGPT_NAME

(3)可能遇到的报错:

  • 解决方案,命令行执行下命令:
export PATH="$HOME/.local/bin:{$PATH}"

(4)再运行,首次启动会安装一些依赖

(5)成功启动后的界面

(6)打开网址,登录GitHub授权

(7)最终界面

至此,你自己的AutoGPT环境就搭建成功了,可以在此基础上定义自己的AutoGPT逻辑了。注意,上面的仅是环境和代码框架搭建成功,虽然有界面,但是并不具备大模型应用的能力,需要自己填充逻辑。

如果觉得本文对你有帮助,麻烦点个赞和关注呗 ~~~


  • 大家好,我是同学小张,日常分享AI知识和实战案例
  • 欢迎 点赞 + 关注 👏,持续学习持续干货输出
  • 一起交流💬,一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览:

相关文章
|
15天前
|
物联网 测试技术 API
LLM 大模型学习必知必会系列(九):Agent微调最佳实践,用消费级显卡训练属于自己的Agent!
LLM 大模型学习必知必会系列(九):Agent微调最佳实践,用消费级显卡训练属于自己的Agent!
LLM 大模型学习必知必会系列(九):Agent微调最佳实践,用消费级显卡训练属于自己的Agent!
|
7天前
|
机器学习/深度学习 人工智能 自然语言处理
从提示工程到代理工程:构建高效AI代理的策略框架概述
该文探讨了AI代理的发展,特别是ChatGPT等模型如何展示了AI系统的潜力。文章提出从提示工程转向代理工程,定义了代理能力需求,并提出一个框架来设计和实施AI代理。代理工程涉及明确代理的任务、所需行动、能力及熟练度,通过现有技术满足这些需求。文章强调了广泛和特定知识的熟练度、精确信息获取以及代理的结构设计和协调。随着技术进步,该框架为AI代理的未来发展提供了基础。
25 0
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
智能化未来:Agent AI智能体的崛起与全球挑战
智能化未来:Agent AI智能体的崛起与全球挑战
36 1
|
9天前
|
人工智能 自然语言处理 算法
分享几个.NET开源的AI和LLM相关项目框架
分享几个.NET开源的AI和LLM相关项目框架
|
9天前
|
人工智能 监控 前端开发
基于ReAct机制的AI Agent
当前,在各个大厂纷纷卷LLM的情况下,各自都借助自己的LLM推出了自己的AI Agent,比如字节的Coze,百度的千帆等,还有开源的Dify。你是否想知道其中的原理?是否想过自己如何实现一套AI Agent?当然,借助LangChain就可以。
|
10天前
|
弹性计算 人工智能 Kubernetes
基于云效 AppStack,5分钟搞定一个 AI 应用的开发和部署
实验介绍了如何使用云效应用交付平台AppStack快速初始化和部署AI聊天应用.
407 2
|
13天前
|
机器学习/深度学习 人工智能 测试技术
世界模型也扩散!训练出的智能体竟然不错
【5月更文挑战第30天】研究人员提出了一种名为DIAMOND的新方法,将扩散模型应用于世界模型以增强强化学习智能体的训练。DIAMOND在Atari 100k基准测试中实现了1.46的人类标准化得分,刷新了完全在世界模型中训练的智能体的记录。通过生成视觉细节,智能体在多个游戏中超越人类玩家,特别是在需要精细细节识别的游戏上。不过,DIAMOND在连续控制环境和长期记忆方面的应用仍需改进。这项工作开源了代码和模型,促进了未来相关研究。论文链接:[https://arxiv.org/abs/2405.12399](https://arxiv.org/abs/2405.12399)
31 2
|
14天前
|
物联网 PyTorch 测试技术
LLM 大模型学习必知必会系列(十):基于AgentFabric实现交互式智能体应用,Agent实战
LLM 大模型学习必知必会系列(十):基于AgentFabric实现交互式智能体应用,Agent实战
LLM 大模型学习必知必会系列(十):基于AgentFabric实现交互式智能体应用,Agent实战
|
15天前
|
机器学习/深度学习 人工智能 分布式计算
Agent AI智能体:如何借助机器学习引领科技新潮流
Agent AI智能体:如何借助机器学习引领科技新潮流
36 0
|
16天前
|
机器学习/深度学习 人工智能 算法
自动化测试中AI驱动的决策框架
【5月更文挑战第28天】 本文探讨了在自动化软件测试过程中,如何利用人工智能(AI)技术来优化测试用例的选择和执行。通过引入一个基于机器学习算法的智能决策框架,我们可以提高测试的效率和有效性,同时减少冗余和不必要的测试活动。与传统的摘要不同,本摘要将直接深入到文章的核心议题,介绍AI在自动化测试中的作用,并指出其在未来的发展趋势。