Auto-GPT：一个自主的 GPT-4 实验

简介

给 Auto-GPT 一个目标，它将调用chatgpt的智慧，调用各种工具action，不断逼近直到实现这个目标。

比如，你可以给它100元基础资金，设定目标让他自己帮你赚钱。
比如，你可以设定，让他做各种事请，让世界更美好。
比如，你可以设定，让他创建自己组织，并尽可能的扩大自己的组织等等等等

Auto-GPT 是一个实验性的开源应用程序，展示了 GPT-4 语言模型的能力。这个程序由 GPT-4 驱动，将 LLM “思想”链接在一起，自主地实现您设定的任何目标。作为 GPT-4 完全自主运行的第一个示例之一，Auto-GPT 推动了人工智能可能性的边界。

赚钱思路分享

国内传统无货源销售，机器人自动生成文案，找客户，自动成交
自由写作，机器人生成作品，自动发布，自动写作
自动营销

如果对你有帮助，请点击右上角，帮我star.
欢迎加入国内AI商业应用交流群新的中文汉化版本+汉化安装文档请移步AutoGPT-ZH

群主实际体验以后（使用gpt3.5），发现autogpt能做的事情非常有限（还很傻）！！！（但是这个想法非常有潜力）！！！
还是一句话，大家不要焦虑，不要焦虑。后续群主会录制测评视频。来科普实际情况。 gpt4的版本，如果大家有gpt4接口，可以私信群主，群主帮助大家做测评

原理图

很多人问我，autogpt 运行原理是什么样的，特地补充一张图.

注意

这个超级费apikey，看到自己的钱包😄
其次可以考虑，调用国内免费的一些接口。有开发能力的同学，写一个适配器就好了。

紧急通知：

请使用 stable 而不是 master。我们已经改进了我们的工作流程，master 分支通常会处于 不可用状态。请在此处下载最新的 stable 发布版：https://github.com/Torantulino/Auto-GPT/releases/latest 。
这个信息比任何后续的信息都要重要。请先执行这个指令而不是那个。

演示（2023年3月30日）：

Auto-GPT-Demo-2.mp4

🚀 特点

🌐 搜索和信息收集的互联网访问
💾 长期和短期记忆管理
🧠 GPT-4实例用于文本生成
🔗 访问流行的网站和平台
🗃️ 使用GPT-3.5进行文件存储和摘要

📋 要求

环境（选择一个即可）
- vscode + devcontainer：已在 .devcontainer 文件夹中配置，可以直接使用
- Python 3.8或更高版本
OpenAI API key

可选：

内存后端
- PINECONE API key（如果你想要 Pinecone 支持存储日志，默认本地就行）
- Milvus（如果您想使用Milvus作为内存后端）
ElevenLabs Key (如果你想让人工智能说话)

💾 安装

要安装 Auto-GPT，请按照下列步骤操作：

确保满足上述所有要求，如果没有，请安装/获取它们。

以下命令需要在终端执行

克隆存储库：对于此步骤，您需要安装 Git，但您可以通过单击此页面顶部的按钮来下载 zip 文件☝️

git clone [email protected]:kaqijiang/Auto-GPT-ZH.git

cd 'Auto-GPT-ZH'

终端中安装所需的依赖项

pip install -r requirements.txt

将 .env.template 重命名为 .env，并填写您的 OPENAI_API_KEY。如果您计划使用语音模式，请填写您的 ELEVENLABS_API_KEY。

参见OpenAI API密钥配置中的说明以获取您的OpenAI API密钥。
从此处获取您的ElevenLabs API密钥：https://elevenlabs.io。您可以在网站上的“个人资料”选项卡中查看xi-api-key。
如果您想在Azure实例上使用GPT，则将 USE_AZURE 设置为 True，然后按照以下步骤操作：
- 将 azure.yaml.template 重命名为 azure.yaml 并提供相关的 azure_api_base、azure_api_version 以及 azure_model_map 部分中所有相关模型的部署ID：
  - fast_llm_model_deployment_id - 您的 gpt-3.5-turbo 或 gpt-4 部署ID
  - smart_llm_model_deployment_id - 您的 gpt-4 部署ID
  - embedding_model_deployment_id - 您的 text-embedding-ada-002 v2 部署ID
- 请将所有这些值指定为双引号字符串
将尖括号（<>）中的字符串替换为您自己的ID
```
azure_model_map:
  fast_llm_model_deployment_id: "<my-fast-llm-deployment-id>"
  ...
```
- 详细信息可以在这里找到：https://pypi.org/project/openai/，位于 Microsoft Azure Endpoints 部分和这里：https://learn.microsoft.com/en-us/azure/cognitive-services/openai/tutorials/embeddings?tabs=command-line 的嵌入模型。

终端代理方法

Mac 下载 ClashX Pro 设置系统代理增强模式然后复制终端代理命令在终端中输入，重启即可

根据自己的工具修改对应的端口

export https_proxy=http://127.0.0.1:8484 http_proxy=http://127.0.0.1:8484 all_proxy=socks5://127.0.0.1:8484

Windows 下载 Clash for Windows，设置系统代理，在终端中输入，重启即可。

根据自己的工具修改对应的端口

# 使用 http 类型代理
set http_proxy=http://127.0.0.1:8484
set https_proxy=http://127.0.0.1:8484
# 使用 socks 类型代理
netsh winhttp set proxy proxy-server="socks=127.0.0.1:8484" bypass-list="localhost"
netsh winhttp show proxy
netsh winhttp reset proxy
# 使用 socks 类型代理
set http_proxy=socks5://127.0.0.1:8484
set https_proxy=socks5://127.0.0.1:8484

🔧 使用方法

在终端中运行 autogpt Python 模块

python -m autogpt

在每个动作之后，从选项中选择授权命令、退出程序或向AI提供反馈。
1. 授权单个命令，请输入 y
2. 授权一系列 N 个连续的命令，请输入 y -N
3. 退出程序，请输入 n

日志

活动和错误日志位于 ./output/logs 中

要打印调试日志：

python -m autogpt --debug

Docker

您还可以将其构建为Docker映像并运行它：

docker build -t autogpt .
docker run -it --env-file=./.env -v $PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt

您可以传递额外的参数，例如，以 --gpt3only 和 --continuous 模式运行：

docker run -it --env-file=./.env -v $PWD/auto_gpt_workspace:/app/auto_gpt_workspace autogpt --gpt3only --continuous

命令行参数

以下是使用Auto-GPT时可用的一些常见参数：

将所有尖括号（<>）中的内容替换为要指定的值

查看所有可用的命令行参数

python scripts/main.py --help

使用不同的 AI 设置文件运行 Auto-GPT

python scripts/main.py --ai-settings <filename>

指定 3 种内存后端之一：local、redis、pinecone 或 no_memory

python scripts/main.py --use-memory  <memory-backend>

注意：有一些标志的简写方式，例如 -m 表示 --use-memory。使用 python scripts/main.py --help 获取更多信息。

🗣️ 语音模式

使用此功能在 Auto-GPT 中使用 TTS (文本到语音)。

python -m autogpt --speak

ElevenLabs 的 ID 列表及名称，您可以使用名称或 ID：

Rachel: 21m00Tcm4TlvDq8ikWAM
Domi: AZnzlk1XvdvUeBnXmlld
Bella: EXAVITQu4vr4xnSDxMaL
Antoni: ErXwobaYiN019PkySvjV
Elli: MF3mGyEYCl7XYWbV9V6O
Josh: TxGEqnHWrfWFTfGW9XjX
Arnold: VR6AewLTigWG4xSOukaG
Adam: pNInz6obpgDQGcFmaJgB
Sam: yoZ06aMxZJJ28mfd3POQ

OpenAI API密钥配置

从此处获取您的OpenAI API密钥：https://platform.openai.com/account/api-keys。

要在Auto-GPT中使用OpenAI API密钥，您需要设置计费（付费帐户）。

您可以在 https://platform.openai.com/account/billing/overview 上设置付费帐户。

🔍 Google API密钥配置

此部分是可选的，如果使用Google搜索时出现错误429，请使用官方Google API。

要使用 google_official_search 命令，您需要在环境变量中设置您的Google API密钥。

转到 Google Cloud Console。
如果您还没有帐户，请创建一个并登录。
通过单击页面顶部的“选择项目”下拉菜单并单击“新建项目”来创建一个新项目。给它一个名称，然后单击“创建”。
转到 API 和服务仪表板，然后单击“启用 API 和服务”。搜索“Custom Search API”，然后单击它，然后单击“启用”。
转到凭据页面，然后单击“创建凭据”。选择“API密钥”。
复制API密钥，并将其设置为名为GOOGLE_API_KEY的环境变量。请参见下面设置环境变量。
在项目上启用自定义搜索API。（可能需要等待几分钟才能传播）
转到自定义搜索引擎页面，然后单击“添加”。
按照提示设置您的搜索引擎。您可以选择搜索整个Web或特定网站。
创建搜索引擎后，请单击“控制面板”，然后单击“基本知识”。复制“搜索引擎ID”，并将其设置为名为CUSTOM_SEARCH_ENGINE_ID的环境变量。请参见下面设置环境变量。

请记住，您每天免费的自定义搜索配额仅允许最多100次搜索。要增加此限制，您需要将计费帐户分配给项目，以获得高达10K次每日搜索的收益。

设置环境变量

对于Windows用户：

setx GOOGLE_API_KEY "YOUR_GOOGLE_API_KEY"
setx CUSTOM_SEARCH_ENGINE_ID "YOUR_CUSTOM_SEARCH_ENGINE_ID"

对于macOS和Linux用户：

export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
export CUSTOM_SEARCH_ENGINE_ID="YOUR_CUSTOM_SEARCH_ENGINE_ID"

Redis 设置

注意
此处不适用于公共访问，没有安全措施。因此，避免未设置密码或完全向互联网暴露Redis。

安装docker桌面版

docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server:latest

请参见 https://hub.docker.com/r/redis/redis-stack-server 以设置密码和其他配置。

设置以下环境变量

将尖括号（<>）中的PASSWORD替换为您的密码

MEMORY_BACKEND=redis
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_PASSWORD=<PASSWORD>

您还可以选择设置

WIPE_REDIS_ON_START=False

以在Redis中保留存储的内存

您可以使用以下命令指定Redis的内存索引：

MEMORY_INDEX=<WHATEVER>

🌲 Pinecone API密钥设置

Pinecone 可以存储大量基于向量的内存，从而使代理每次仅加载有关内存。

转到 pinecone，如果您还没有帐户，请创建一个。
选择 Starter 计划以避免被收费。
在左侧边栏的默认项目下找到您的API密钥和区域。

Milvus 设置

Milvus 是一个开源的、高可扩展的向量数据库，用于存储大量基于向量的内存并提供快速相关搜索。

设置 Milvus 数据库，保持 pymilvus 版本和 milvus 版本相同，以避免兼容性问题。
- 使用开源软件安装 Install Milvus
- 或使用 Zilliz Cloud 进行安装
在 .env 中设置 MILVUS_ADDR 为您的 milvus 地址 host:ip。
在 .env 中将 MEMORY_BACKEND 设置为 milvus，以启用 milvus 作为后端。
可选项
- 在 .env 中设置 MILVUS_COLLECTION，以按需更改 milvus 集合名称，默认名称为 autogpt。

设置环境变量

在 .env 文件中设置：

PINECONE_API_KEY
PINECONE_ENV（例如：“us-east4-gcp”）
MEMORY_BACKEND=pinecone

或者，您可以从命令行设置它们（高级）：

对于Windows用户：

setx PINECONE_API_KEY "<YOUR_PINECONE_API_KEY>"
setx PINECONE_ENV "<YOUR_PINECONE_REGION>" # 例如: "us-east4-gcp"
setx MEMORY_BACKEND "pinecone"

对于macOS和Linux用户：

export PINECONE_API_KEY="<YOUR_PINECONE_API_KEY>"
export PINECONE_ENV="<YOUR_PINECONE_REGION>" # 例如: "us-east4-gcp"
export MEMORY_BACKEND="pinecone"

设置缓存类型

默认情况下，Auto-GPT 将使用 LocalCache 而不是 redis 或 Pinecone。

要切换到其中任何一个，请将 MEMORY_BACKEND 环境变量更改为您想要的值：

local (默认) 使用本地 JSON 缓存文件 pinecone 使用您在 ENV 设置中配置的 Pinecone.io 帐户 redis 将使用您配置的 redis 缓存

查看内存使用情况

使用 --debug 标志查看内存使用情况 :)

🧠 内存预填充

python autogpt/data_ingestion.py -h

用法: data_ingestion.py [-h] (--file FILE | --dir DIR) [--init] [--overlap OVERLAP] [--max_length MAX_LENGTH]

将一个或多个文件的目录摄入到内存中。在运行此脚本之前，请确保设置了您的 .env。

选项: -h, --help 显示帮助信息并退出 --file FILE 要摄取的文件。 --dir DIR 包含要摄取的文件的目录。 --init 初始化内存并擦除其内容（默认值：False） --overlap OVERLAP 摄取文件时块之间的重叠大小（默认值：200） --max_length MAX_LENGTH 摄取文件时每个块的最大长度（默认值：4000）

这个位于 autogpt/data_ingestion.py 的脚本允许您在运行 Auto-GPT 之前将文件摄入内存并进行预填充。

内存预填充是一种技术，它涉及将相关文档或数据摄入 AI 的内存中，以便它可以使用这些信息来生成更具见解和准确的响应。

为了预填充内存，将每个文档的内容分成指定最大长度、具有指定块之间重叠的块，然后将每个块添加到在 .env 文件中设置的内存后端中。当 AI 被提示回忆信息时，它可以访问那些预填充的记忆来生成更具见解和准确的响应。

当处理大量数据或需要 AI 快速访问特定信息时，这种技术尤其有用。通过预填充内存，AI 可以更有效地检索和使用这些信息，节省时间、API 调用并提高其响应的准确性。

例如，在运行 Auto-GPT 之前，您可以下载 API 文档、GitHub 存储库等，并将其摄入内存。

⚠️ 如果您将 Redis 用作内存，请确保在您的 .env 文件中将 WIPE_REDIS_ON_START 设置为 False 来运行 Auto-GPT。

⚠️ 对于其他内存后端，我们当前强制清除内存，在启动 Auto-GPT 时也是如此。要摄取具有这些内存后端的数据，可以在 Auto-GPT 运行期间随时调用 data_ingestion.py 脚本。

内存将立即可供 AI 使用，即使在 Auto-GPT 运行时摄入。

在上面的示例中，脚本初始化了内存，将 /seed_data 目录中的所有文件与块之间的重叠设置为 200，并将每个块的最大长度设置为 4000 摄入了内存中。请注意，您也可以使用 --file 参数将单个文件摄入内存中，而脚本仅会摄取 /auto_gpt_workspace 目录中的文件。

您可以调整 max_length 和重叠参数来微调 AI "recall" 该内存时向其呈现文档的方式：

调整重叠值允许 AI 在回忆信息时访问更多的上下文信息，但将导致创建更多的块，从而增加内存后端使用和 OpenAI API 请求。
减少 max_length 值会创建更多的块，这可以通过在上下文中允许更多的消息历史记录来节省提示符令牌，但也会增加块的数量。
增加 max_length 值将为 AI 提供更多的上下文信息，减少创建块的数量并节省 OpenAI API 请求。但是，这可能使用更多的提示符令牌并减少 AI 可用的总上下文。