GPT-Engineer:通过 1 个提示生成整个代码库!

24 篇文章 1 订阅 ¥49.90 ¥99.00

我们已经了解了 ChatGPT 如何为我们生成代码。然后我们看到了Auto-GPT如何使 GPT-4 完全自治。现在,我们可以通过 GPT-Engineer 的提示来构建整个应用程序。

它是如何工作的?很简单,您只需描述您的项目,GPT-Engineer 就会为您构建它。

无需复制/粘贴代码。
无需您自己创建文件。
无需自己搭建项目环境。

以下是如何安装和使用 GPT-Engineer。我将解决您在安装过程中可能遇到的所有错误,并且如果 GitHub 存储库中有一些更改,我将尝试更新本指南。

如果您不想阅读,可以观看我下面的视频。

第 1 步:克隆存储库

首先,我们必须克隆这个 GitHub存储库。为此,请打开终端并运行以下代码。

git clone https://github.com/AntonOsika/gpt-engineer.git

第 2 步:设置 GPT-Engineer

gpt-engineer将创建一个名为的新文件夹。使用 更改目录cd

cd gpt-engineer
make install
source venv/bin/activate

注意:如果出现错误“No module named venv”,则需要设置一个运行Python 3的虚拟环境(使用pip或conda),然后激活它,最后重复上述步骤。

# pip
python3 -m venv name-of-env
source name-of-env/bin/activate
cd gpt-engineer
(same steps above)

# conda
conda create --name name-of-env python=3.11.3
conda activate name-of-env
cd gpt-engineer
(same steps above)

然后我们必须设置 API 密钥,如下所示。要获取您的 OpenAI API 密钥,请单击此处

# macOS/linux
export OPENAI_API_KEY=[your api key]

# windows
set OPENAI_API_KEY=[your api key]

第3步:运行GPT-Engineer

我们与 GPT-Engineer 交互的方式是通过main_prompt项目文件夹内的文件。默认情况下,我们有“example”文件夹,如下所示。

如果您想启动一个新项目,只需使用以下命令创建一个新文件夹即可。

cp -r projects/example/ projects/my-new-project

现在是编辑main_prompt文件的时候了。如果您使用文本编辑器打开它,您将看到下面的文本。

我们正在用 python 编写蛇。MVC 组件拆分为单独的文件。键盘控制。

这些是用 Python 创建贪吃蛇游戏的说明。您可以按原样进行测试,但对于此演示,我将更改抓取我的网站的提示。

注意:如果您按原样保留提示,则按照下一节中的步骤进行操作后,您应该会获得这个贪吃蛇游戏。

测试#1:网页抓取

从该网站 https://thepycoach.com/ 中抓取文章标题。文章标题位于 h2 标签内。将数据导出到 CSV 文件

最后,要运行 gpt-engineer,我们必须使用以下命令。

gpt-engineer projects/my-new-project

由于我的文件夹被命名为“web-scraping”,该命令将适合gpt-engineer projects/web-scraping我。

查看生成的文件!

所有生成的文件都将位于projects/my-new-project/workspace.

这是我得到的文件。

正如您所看到的,我得到了为我执行抓取部分的 .py 文件,并且我还在 CSV 文件中得到了我想要的数据。

所有数据已成功抓取!

请记住,在执行本指南中的每个步骤时,您可能仍会遇到一些错误。这个 GitHub 项目很好,但有一些问题。这是我找到的一些。

注 1:requirements.txt 文件可能不会生成。如果是这种情况,请复制该all_output.txt文件(应该已生成),然后找到 requests.txt 部分。删除该部分中指定的库以外的所有内容。

注 2:如果出现错误,openai.error.ServiceUnavailableError: The server is overloaded or not ready yet请稍后再试,应该没问题。

测试 #2:创建 Web 应用程序

正如我们对 ChatGPT 所做的那样,当您编辑main_prompt文件时,您可以非常具体地提示或不提示。

在这种情况下,我只需输入“创建一个关于狗的网站”,看看它可以在没有太多提示的情况下提供什么。

这是我得到的所有文件。

不幸的是,我仍然需要做一些调整才能让网络应用程序运行,但 GPT-Engineer 仍然简化了整个过程。

就是这样!现在是时候使用 GPT-Engineer 构建应用程序了。请在评论部分告诉我 GPT-Engineer 是否一次性满足了您的请求,或者您是否仍然需要进行一些调整才能使代码正常工作。

有关 GPT-Engineer 的更多信息,请查看官方仓库

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: GPT-NeoX是一个基于Deepspeed的GPU上的类似于GPT-3的模型并行模型。该模型是由EleutherAI团队在2021年提出的。它采用的是大规模分布式训练的方式,使得模型可以处理更大规模的数据集,具有更强的泛化能力。 相比于传统的模型训练方式,GPT-NeoX采用Deepspeed实现了模型并行训练,实现了多卡训练和多节点训练,从而更好地利用GPU资源加速模型的训练速度。此外,GPT-NeoX还引入了一些新的优化技术,如局部梯度累积和梯度Chip-Level Pruning,进一步提高了模型的训练效率和性能。 GPT-NeoX的另一个特点是它采用了与GPT-3类似的Transformer结构,可以处理各种NLP任务,如文本生成、问答系统、机器翻译、情感分析等。GPT-NeoX还提供了基于一种新型的自监督训练方式的Unsupervised Pretraining功能,可以在没有标注数据的情况下对模型进行预训练,从而更好地适应各种NLP任务。 总之,GPT-NeoX是一款基于Deepspeed的GPU上的类似于GPT-3的模型并行模型,采用多卡和多节点训练的方式,实现了更高效的模型训练。同时,它还具有与GPT-3类似的Transformer结构和Unsupervised Pretraining功能,适用于各种NLP任务。 ### 回答2: GPT-NeoX是一个基于Deepspeed的GPU上的类似于GPT-3的模型并行模。该模型采用了分布式训练的技术,使得大规模的预训练模型的训练成为可能。 GPT-3模型是当前自然语言处理领域中最先进的模型之一,但是在模型规模扩大后,面临着训练时间长,并且需要大量计算资源的问题。为了解决这个问题,GPT-NeoX使用了Deepspeed,通过将模型划分成多个微迭代,实现了模型的分布式训练。 在GPT-NeoX模型中,微迭代的数量决定了模型的分布式训练的程度。越多的微迭代数表示模型的分布式训练程度越高,但同时也会增加训练的时间。因此,在GPT-NeoX模型的设计中,需要根据模型的规模选择适当的微迭代数,以充分利用计算资源,同时保证训练时间不过长。 通过使用Deepspeed,GPT-NeoX模型不仅实现了大规模预训练模型的训练,也获得了很好的训练效果。这证明了分布式训练对于提高模型性能和训练效率的重要性。未来,GPT-NeoX模型的研究还将继续深入探索并发控制算法及单机扩展策略的优化,这些工作将进一步提高分布式训练的效率及模型的性能。 ### 回答3: GPT-NEOX是一种基于Deepspeed的GPU上的类似于GPT-3的模型并行模型。这个模型的目标是让机器能够像人一样生成自然语言,使得机器能够自动地产生文本和对话,而这一过程是通过机器学习算法实现的。 GPT-NEOX采用了一种全新的架构,利用并行算法使得模型训练的速度更加的快捷和高效。同时,为了更好地提升模型的性能,GPT-NEOX在模型更新和内存使用方面也进行了优化,使得模型的训练和应用更加稳定。 GPT-NEOX的设计理念是通过模型并行来增加计算资源,提高模型的计算速度和效率。它与GPT-3一样,使用了大量的参数和数据来训练,并有着相似的自然语言处理技术,但它也进行了一些改进,例如采用了不同的架构和算法。 GPT-NEOX的模型精度和应用性能已经有了很大的提升,同时也得到了广泛的应用和推广。我们相信,在未来的日子里,GPT-NEOX还会继续深入研究和优化,成为更加高效、精准和可靠的自然语言处理算法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TYboy123

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值