AutoGPT思路以及代码解读 | Aryue的个人博客

type

status

date

slug

summary

🤔AutoGPT思路以及代码解读

简介

官网链接：

https://github.com/Torantulino/Auto-GPT

官网描述：

Auto-GPT 是一个实验性的开源应用程序，展示了 GPT-4 语言模型的实力。该程序由 GPT-4 驱动，将 LLM 的“思想”链接在一起，以自主实现您设定的任何目标。作为 GPT-4 完全自主运行的首批示例之一，Auto-GPT 打破了 AI 的可能性界限。

如上图，AutoGPT项目的火爆程度随着star的增长速度以指数级上升。

就在笔者开始撰写本文时的8分钟前，项目仍在快速迭代，0.2.0版本刚刚发布。

AutoGPT强在哪儿？和ChatGPT又有何本质的区别？

举个例子，ChatGPT是一个万事通的对话小助手。我们可以让他扮演各种角色，回答各个领域的问题，包括且不限于完成编写代码 👨‍💻、阅读论文、指导AI绘画等工作。

从交互方式的角度来看，ChatGPT是以人为主导，人类描述各种工作并让ChatGPT去工作。工作成果由人来验收，由人来给出工作完成质量的反馈。一次提问往往无法得到一个准确的结果，用户需要反复提问，修正错误，最后才能得到相对较好的答案。

对于AutoGPT而言，交互模式发生了本质的变化。我们设定了一个目标，让它自己去分析完成这项工作需要执行哪些步骤，为什么执行这些步骤，制定计划并自主思考。在最后一个步骤，它会去执行行动，行动的结果再重新输入回大脑，循环往复。AutoGPT正如其名，是一个“全自动”版本的GPT，基于GPT-4或GPT3.5开发，并扩展了自己的能力。就好比是让原来的ChatGPT作为思考的“大脑”，AutoGPT经过二次开发，让它拥有了能执行行动的“手”和“脚”。

下图是笔者在本机运行AutoGPT时执行的一个案例。我为它命名为“James”，让它分析今年NBA总决赛总冠军最有可能是哪支队伍，并将分析过程保存在word文档中。

重点看那些有颜色高亮的文字，这些文字能直观地显示出 AutoGPT 的运行流程。

James Thoughts：名为“James”的助手对当前目标进行思考的过程，思考的结果是为了制定工作计划。

Reasoning：给出工作计划合理性的理由，比如这里，AutoGPT 输出的内容是其针对“预测 NBA 总冠军”这一目标，要进行数据分析的理由。

Plan：要执行哪些计划？AutoGPT 会列出一些步骤。

Criticism：给出了一些执行工作计划的注意事项。

Next Action：经过一系列的思考，下一步要执行怎样的行动。给出一个“Command”和对应的参数“Arguments”。

AutoGPT完成了一项从思考→行动→反馈→思考的自主循环。

依据笔者个人的理解，AutoGPT最主要的贡献是对AI未来形态进行了建模。正如上文所述，未来的人工智能不仅仅是对话，它不仅有大脑，而且还有手和脚。

这让我想起最近同样很火爆的斯坦福和谷歌的一项研究，他们制作了一个沙盒环境，其中有25个角色，每个角色都有不同的性格和身份，他们会随着时间的推移自主进行交流和举办派对。更加精妙的是，作为沙盒的旁观者，我们可以对沙盒环境进行交互，沙盒中的人工智能会做出相应的反应。

例如，我们点燃厨房里的灶台，房子里的AI就会停下手头的工作，去救火。

再例如，研究者将沙盒的时间设置为2月13日，即情人节前一天，25个代理会自己拉帮结派、筹划派对。

我们可以看看斯坦福和谷歌的研究人员对沙盒中AI的建模，Preceive、Plan、Reflect、Act等模块是不是很熟悉？

类似的研究还有浙江大学和微软联合发出的论文，文中提出了一种HuggingGPT的概念，让LLM进行任务规划、选择最适合处理任务的AI模型、执行任务、最后整合并将结果生成。

GPT3.5和GPT4是如何做到这些的？

研究者称，随着语言模型参数量的增长，它们“涌现”出了一系列原本在小型语言模型中不存在的能力，比如逻辑思考的能力；加强了基于用户提供的情境进行上下文学习的能力，被称为“In-Context Learning”。

这些也正是在ChatGPT推出后，迅速席卷网络的一些重要原因。GPT可以出乎意料地理解我们想让其执行的任务，我们有时候就会发现，即使我们不去网络上寻找各种提示词的“宝典”，只是随意地对其进行对话和指定任务，它就能理解我们的意图并执行对应的行动。

在以前的语言模型应用范式中，我们可能要针对不同的下游任务对模型进行微调，甚至使用不同的模型。比如写代码有写代码的语言模型、聊天机器人有聊天机器人的语言模型、做数学题可能又要用另一套语言模型。每当我们遇到一个全新的下游任务，如果发现模型执行的结果并不好，就得花费大量的时间、金钱去微调模型。

而如今，有了以GPT3.5和GPT-4为首的超大语言模型，我们可以用它们解决大量的下游任务，只需为其提供一个情境、控制其对输出和输出的处理即可。

说白了，普通人理论上也可以通过一些提示词，使用语言模型完成自己想让它执行的任务。如果觉得效果不好，那就再增加一些提示词，大型语言模型支持用户输出很长的提示词，尽可能具体地描述一些任务。

在各种平台上，我们都可以看到相关的视频和文章。

通过观察现象来认识本质。作为一个普通人和与自然语言处理无关的外行（本文作者本身就是这样的），我们可以忽略繁琐的微调模型技术，利用所谓的“In-Context Learning”、“Chain of Thought”、“Prompt Tuning”技术，让大型语言模型为我们所用（这个美好愿景几乎已经实现）。这些技术和微调范式都是基于不调整模型本身的，因此只要我们了解它们背后的提示词如何编写，就能达到相应的效果。

总之，随着人工智能的发展，成为一个合格的提示词工程师（Prompt Engineer）已经成为一个必备的技能。

AutoGPT的提示词

正如上文所述，各种技术和范式都可以追溯到提示词。对于如今大型语言模型的应用方面，提示词的编写是重中之重。本文将从AutoGPT的源代码入手，找到突破口，使读者能够理解其中的原理并在本地部署。有能力的读者可以尝试复现。

首先，在Prompt.py中找到以下代码：

其中最引人注目的代码就是这段了

从Prompt文件中可以看到，尝试使用名为"prompt_generator"的工具，将一系列命令传递给它。这些命令似乎是AutoGPT执行部分的函数和参数。我们可以看到谷歌搜索、列出Agent、读写文件、执行Python代码、生成图片等各种命令。这些就是AutoGPT的“手”和“脚”，它们的能力可以通过这一部分进行扩展。

接下来我们来看看PromptGenerator是如何编写的：

看以下代码：

在这里，AutoGPT规定了从GPT-4模型返回的语言的格式。这也就是为什么在一开始的图片中，Prompt能够如此清晰地思考、指定计划、执行行动并作为反馈进入下一个循环。

到了这里，应该大部分读者已经猜到了：AutoGPT理解了当前所能使用的工具和采取的手段（上网、执行Python等），当我们给它提供一个目标时，已经制定好了让它以特定的格式返回。GPT-4需要根据这个格式返回它的思考、理由、计划、反思，并给出要执行的指令，并填上对应的参数，从而在控制台中运行该指令并填写对应的参数。

AutoGPT的一些技术细节

在上一小节中，我们已经介绍了AutoGPT的核心部分如何编写，感兴趣的人甚至可以自己扩展一些命令进行二次开发。

在这一章节中，笔者尝试列出实现AutoGPT时使用的其他一些技术。以下是一些作者了解的技术的介绍。

在与GPT-4进行通信时，都发送了哪些内容？

在main.py中，可以看到如下内容：

在chat_with_ai函数中，我们发送给AI的内容包括提示词、用户输入、完整的信息历史和记忆等。其中，提示词规定了返回格式和可执行的命令。用户输入和信息历史是常规的将它们发送给大型模型。在这里，我们主要讨论如何使用memory。

memory

由于 GPT-3.5 和 GPT-4 对文字的处理并不是无限的，我们不能发送无限长的信息。在网页端进行聊天还是小事。在AutoGPT中，AI执行了很多行动，这些行动产生的 "后果" 都需要记录。例如使用谷歌搜索返回的信息、运行 Python 代码返回的信息以及一些报错等。这些内容全部一股脑发回给GPT模型几乎是不可能的，因此我们采取的方法是将其存储在 "记忆" 中。使用了矢量数据库的技术，将信息以数字的形式存储下来。