实现定制化 AutoGPT 实战

简介

在前面的学习过程中，已经了解到了 AutoGPT 基本的环境安装操作。接下来就可以基于 AutoGPT 完成一些有趣的任务。通过 AutoGPT 实现我们的需求

环境准备

在正式使用 AutoGPT 之前，确认以下环境没有任何问题：

1. 稳定的上网环境。
2. 配置好的 AutoGPT 环境。
3. 可以使用的 token。

如果还没有配置好环境，请参考章节 AutoGPT 理念与应用 优先完成环境配置。

实践演练

接下来需要使用 AutoGPT 实现几个 ChatGPT 无法实现的需求：

1. 生成一个文件。
2. 连接外网，查询信息，并生成 Excel 结果。

注意事项

1. 提示词要明确一些，并且在过程中，需要不停的确认 Command 是否正确。
2. 注意避免让 AutoGPT 陷入死循环中。

生成文件

使用过 ChatGPT 的同学应该都知道 ChatGPT 只能生成文本类结果，是无法直接生成文件的。接下来就使用 AutoGPT 进行写入文件操作：

1. 进入项目，启动虚拟环境：source venvAutoGPT/bin/activate
2. 执行启动命令：./run.sh
3. 此时 AutoGPT 提示我们输入信息，输入提示词：生成一个 txt 文件，内容为 霍格沃兹测试开发学社。

4. 接下来 AutoGPT 会有一个思考的过程，并会将思考过程展示在终端中，提示要进行的下一步操作：

   

5. 当发现 AutoGPT 提示以下信息时，代表我们需要进行选择：

#  输入“y”授权命令，“y -N”运行 N 个连续命令，“n”退出程序，或输入 FileCreatorGPT 的反馈...
  Enter 'y' to authorise command, 'y -N' to run N continuous commands, 'n' to exit program, or enter feedback for FileCreatorGPT...

1. 如果确定执行 AutoGPT 所提示的命令，输入: y 即可。

2. 点击y 之后，其实从日志也开始看到对应的提示信息：

   

3. 接下来就可以终止任务，去本地的auto_gpt_workspace目录中看到对应的文件信息。

4. 打开该文件，发现写入的内容满足需求。

   

查询信息，并生成文件

在成功实现生成文件之后，可以实现更进一步的难度。ChatGPT 还具备的一个缺点就是无法连接外网，而 AutoGPT 也补全了这一能力。接下来就使用 AutoGPT 进行数据查询以及生成文件操作。其实整体的流程和上面的生成文件的信息差不多，只是需要修改一下提示词信息。

1. 进入项目，启动虚拟环境：source venvAutoGPT/bin/activate
2. 执行启动命令：./run.sh
3. 此时 AutoGPT 提示我们输入信息，输入提示词：查找 2023 年 9 月 6 日深圳的天气情况，生成一个 shenzhen.txt 文件，将天气结果写入其中。
4. 根据返回信息，选择对应的命令。最后可以看一下结果，成功生成一个 shenzhen.txt 文件，并且有天气的数据写入。

其他复杂场景

在使用 AutoGPT 的过程中，AutoGPT 可能会给相关的提示信息，主要包含以下几个字段：

字段名称	作用
ai_goals	表示用户想要完成的目标，最多可以配置 5 个，也可以少于 5 个。
ai_name	本次服务的名称，可以理解为实现你目标的程序是一个机器人，ai_name 就是你给机器人取的名字。
ai_role	主要是为了辅助完成用户目标，对机器人的角色设定，更好的完成用户的任务。
api_budget	是调用 openai 服务接口的预算，单位是美元。

所以需要根据使用的情况，输入适合自己的选项。

AutoGPT Command 原理

其实 AutoGPT 中提示的 Command 其实只是一种由人类编写的程序函数，但它是提供给 GPT 调用的。比如谷歌搜索命令、文件操作命令、python 执行命令等。这一点，从它的底层源码也不难发现。有了这些内容，GPT 就知道它可以如何调用这些人类编写的函数，从而“获得”了网络访问能力和计算能力。

但是其实 AutoGPT 在火爆过一阵之后，人们，尤其是开发者，也发现其问题所在比如：

1. 它可能会卡住，或者在一个已经有解任务中不停循环求解。
2. 花费超出预期的 token 使用量。

越为复杂的场景， AutoGPT 处理起来可能愈发困难。但是 Auto-GPT 的底层原理并不复杂，它是依靠 prompt 实现的。如果作为一个比较有开发功底的人，如果我们想自己定制类似 AutoGPT 的效果，其实是比较容易的。

后面会基于 LangChain 的封装打造一个类似于 AutoGPT 的人工智能应用工具。