AutoGPT使用总结

前言

AI Agent（人工智能代理）是一种计算机程序，具有自主性、学习性、适应性、智能性和可扩展性等特征。它能够在不依赖人类干预的情况下，独立地完成任务和解决问题。AI Agent 通过与环境和用户互动，不断积累经验，提高自身的智能水平。随着大语言模型的快速发展，基于大模型的人工智能代理技术受到广泛关注，今天要介绍的是到目前为止github上star最多的一个关于AI Agent的开源项目：AutoGPT
AutoGPT具有一下几个特征：

1. 互联网接入：用于搜索和信息收集
2. 长期和短期记忆管理：可以用向量数据库来构建本地知识库或者保存Agent的长期记忆
3. 可扩展性：可以使用自定义的插件，例如使用stable diffusion来实现文生图功能，使用语音合成工具将输入的文本内容用音频播放出来等
4. 使用GPT-3.5和GPT-4的能力进行文件存储和汇总，文本生成等

在使用AutoGPT的过程中，只需要告诉它一个总目标，再设置若干个完成这个总目标所需的子任务，它就会按照子任务的顺序一个个地执行，并且在执行的过程中自我评价，给出执行动作的原因，直到最终完成最初设定的总目标

1.安装

1.注册常用的API key

在安装AutoGPT之前，先注册几个常用的API key，这在AutoGPT的配置中都会用到。在注册API key的过程中，如果没有账号，先注册对应网站的账号

1.OPENAI_API_KEY

这个必须注册，AutoGPT的核心大脑就是chatgpt模型，理解用户意图，理解每个被拆分的子任务，决定下一步动作等都需要chatgpt模型，下面的链接可以生成API key。注意openai是收费的，新注册的用于会有一些免费额度，生成API key之后需要自行保存，因为页面不会再展示API key了，如果忘记了，只能重新再生成API key
https://platform.openai.com/account/api-keys

2.HUGGINGFACE_API_TOKEN

这个API Key用于调用huggingface里的服务，比如想要让agent拥有文生图、语音识别的能力，可以用huggingface里的对应模型来实现，下面的链接可以生成API key：
https://huggingface.co/settings/tokens

3.GOOGLE_API_KEY和GOOGLE_CUSTOM_SEARCH_ENGINE_ID

这两个API Key可以让agent拥有上网的能力，并可以使用google的搜索引擎来搜索相关内容。具体步骤如下：
1）获取GOOGLE_API_KEY，登录下面的链接，点击【API和服务】，跳转页面后点击【启用API和服务】,跳转页面后搜索Custom Search API，然后点击搜索到内容【Custom Search API】，跳转页面后点击【启用】，启用后点击【凭据】菜单，跳转页面后点击【创建凭据】，然后点击【API密钥】，然后就能看到生成的API密钥了
链接：https://console.cloud.google.com/






2）获取GOOGLE_CUSTOM_SEARCH_ENGINE_ID，登录下面的链接，点击【添加】按钮来创建搜索引擎，跳转页面后给搜索引擎命名，点击【在整个网络中搜索】，还可以打开【图片搜索】和【安全搜索】，然后点击【创建】，创建成功后再返回搜索引擎页面，就能看到刚刚创建的搜索引擎了，点进进去，就能看到搜索引擎ID了
链接：https://cse.google.com/cse/all

4.ELEVENLABS_API_KEY

这个用于语音合成，可以将AutoGPT返回的内容用音频播放出来，登录链接：https://elevenlabs.io/，进入elevenlabs的官网，点击右上角的头像，进入profile页面就能看到自己的ELEVENLABS_API_KEY了

2.安装AutoGPT项目

安装和配置的步骤如下：
1）进入下面的链接，下载最新的安装包，解压后直接进入.env.template文件所在的目录，把这个文件复制一份，重命名为.env，当做AutoGPT的配置文件
链接：https://github.com/Significant-Gravitas/AutoGPT/releases/latest

# 进入到.env.template文件所在的目录
cd AutoGPT/autogpts/autogpt
# 把.env.template文件复制一份，命名为.env，当作agent的配置文件
cp .env.template .env

2）在.env文件中更改配置信息，主要修改下面的参数
必传参数：
OPENAI_API_KEY：用于调用openai的chatgpt、text-embedding-ada-002等模型，提供了AutoGPT的核心能力
选填参数：
EXECUTE_LOCAL_COMMANDS：是否允许执行本地的命令行，默认为False，如果不是在docker中运行AutoGPT，建议设置成True
USE_WEB_BROWSER：选择让AutoGPT访问互联网的浏览器，建议设置成chrome
HEADLESS_BROWSER：是否让AutoGPT在后台使用Web 浏览器，默认为True。如果想显式的看AutoGPT操作浏览器，可以设置成False
GOOGLE_API_KEY：谷歌API Key，用于调用谷歌的搜索引擎
GOOGLE_CUSTOM_SEARCH_ENGINE_ID：谷歌自定义搜索引擎ID，用于调用谷歌的搜索引擎
TEXT_TO_SPEECH_PROVIDER：文本转音频的模型提供者，建议设置成elevenlabs
ELEVENLABS_API_KEY：ElevenLabs的API Key，用于语音合成，可以将文本转成音频
ELEVENLABS_VOICE_ID：选择发出音频的角色，不同的角色有不同的音色，女声可以设置成premade/Bella，男生可以设置成premade/Adam，如果想设置其他角色，可以到官网上查询
IMAGE_PROVIDER：图像生成的模型提供者，建议设置成huggingface
AUDIO_TO_TEXT_PROVIDER：音频转文本的模型提供者，目前只支持huggingface
HUGGINGFACE_API_TOKEN：huggingface的api key，和huggingface中的模型做交互
HUGGINGFACE_AUDIO_TO_TEXT_MODEL：huggingface文本转音频的模型，例如openai/whisper-large-v2
HUGGINGFACE_IMAGE_MODEL：huggingface图像生成的模型，例如stabilityai/stable-diffusion-xl-base-1.0
MEMORY_BACKEND：存储后端，目前只支持json_file

可以按照我这个来配置.env文件，注意把API Key换成你自己的：

# 访问openai
OPENAI_API_KEY=你自己的openai api key
# 允许本地执行命令行
EXECUTE_LOCAL_COMMANDS=True
# 使用谷歌浏览器上网
USE_WEB_BROWSER=chrome
HEADLESS_BROWSER=False
GOOGLE_API_KEY=你自己的google api key
GOOGLE_CUSTOM_SEARCH_ENGINE_ID=你自己的google search engine ID
# 文本转语音功能
TEXT_TO_SPEECH_PROVIDER=elevenlabs
ELEVENLABS_API_KEY=你自己的elevenlabs api key
ELEVENLABS_VOICE_ID=Bella
# 图片生成功能和语音转文本功能
IMAGE_PROVIDER=huggingface
AUDIO_TO_TEXT_PROVIDER=huggingface
HUGGINGFACE_API_TOKEN=你自己的huggingface api token
HUGGINGFACE_IMAGE_MODEL=stabilityai/stable-diffusion-xl-base-1.0
HUGGINGFACE_AUDIO_TO_TEXT_MODEL=openai/whisper-large-v2
# 长短期记忆功能
MEMORY_BACKEND=json_file

3.创建python虚拟环境，启动AutoGPT

AutoGPT的运行需要依赖python，建议新创建一个python虚拟环境，然后启动AutoGPT，在启动中如果遇到python依赖的问题，再手动安装即可

# 创建虚拟环境，起名autogpt
conda create -n autogpt python=3.10
# 激活虚拟环境
conda activate autogpt
# 启动AutoGPT，如果是windows系统，运行这行命令：.\run.bat
bash ./run.sh

2.使用

1.基本功能

启动AutoGPT后，在命令行中进行交互，主要交互的内容有：
1）I want Auto-GPT to：设置一个总目标，就是描述一下想让Agent做一件什么事
2）AI Name：给Agent起一个名字
3）Describe your AI’s role：定义Agent的角色，就是描述一下这个Agent应该具有哪些能力，擅长做什么事
4）Goal1-5：设置完成总目标所需要完成的子任务，让Agent一步一步来，最终完成最初设定的总目标。一般设置5个子任务，多一些少一些也没关系。注意最后的子任务要让agent结束所有任务，退出程序

交互内容如下图所示：

可以看出，Agent已经开始思考，并决定该如何去做了
THOUGHTS：这是Agent在思考为了完成总目标，下一步该怎么做
REASONING：这是Agent说明下一步决策的原因
PLAN：这是Agent的下一步决策所需的具体步骤
CRITICISM：这是Agent的对下一步决策所做的自我反馈和纠正
SPEAK：这部分内容Agent会转成音频播放出来。这里需要配置文本转音频的参数才行
NEXT ACTION：这是Agent下一步具体要做出的行动

可以看到Agent在一步步的完成子任务：
第一个行动是上网查询文生图模型，找到最合适的prompt提示词

得到了第一步行动返回的结果，搜到了openai的文生图模型dalle

第二步行动是要调用文生图模型，传入prompt提示词，生成图片

第三步行动是要将生成的图片保存下来

第四步行动是Agent觉得自己已经完成了总目标，想要结束程序

最终我们可以在auto_gpt_workspace目录里看到保存的结果，生成的这幅画包含了总目标中要求的大树、鲜花、日落、河流等元素

2.扩展功能

可以在启动的时候设置一些变量，来运行AutoGPT的扩展功能

1. AutoGPT默认会调用GPT4模型，效果更好，价格也更高，如果你的OpenAI API Key不能访问GPT4，或者想节省成本，可以在启动的时候设置，只让Auto-GPT调用GPT3.5

./run.sh --gpt3only

2. 开启文本转语音功能，让AutoGPT将行动中的SPEAK内容播放出来

./run.sh --speak

3. 让AutoGPT自动执行完所有子任务，省去中间的交互过程。但一般不建议这么做

./run.sh --continuous

4. 用户手动输入的Agent总目标，Agent名字，Agent角色定义，拆分出来的子任务，其实都会被保存在一个配置文件中，文件名默认为ai_settings.yaml，如下图所示。我们可以先在文件中定义好Agent总目标、名字、角色、子任务，然后在启动时指定配置文件，后让Agent直接执行
   

./run.sh --ai-settings 自定义的ai_settings.yaml的文件地址

5. AutoGPT在调用chatgpt模型的时候，是预先准备了一些prompt，再将用户设定的Agent总目标、名字、角色、子任务等内容包在预置的prompt里，这些prompt的内容在prompt_settings.yaml文件里，如下图所示，如果想要更改预置prompt内容，可以在文件里更改，然后启动AutoGPT的时候指定prompt预置文件

./run.sh --prompt-settings 自定义的prompt_settings.yaml的文件地址

3.总结

AutoGPT的功能有很多，除了本文列出访问互联网、图片生成、语音合成、保存文件等功能外，还可以添加很多插件，如果官方提供的插件不能满足你的需求，还可以按照插件制作模板手动的开发一些插件，让AutoGPT完成更有趣的任务。同时，除了本文介绍的关于.env文件中的配置以外，里面还有很多其他的配置来影响AutoGPT的功能，感兴趣的朋友可以多多尝试

官方插件库：https://github.com/Significant-Gravitas/Auto-GPT-Plugins
官方插件模板：https://github.com/Significant-Gravitas/Auto-GPT-Plugin-Template

参考链接：https://docs.agpt.co/