Auto-GPT是什么？
在五一长假前的那段时间，GPT相关技能里最火的便是Auto-GPT和AgentGPT了，它们能够让GPT得到你的指令后，循环执行，不断地运算直到得到适宜的答案，而且它具有拜访网络的才能。
比较于咱们自己直接运用GPT，Auto-GPT/AgentGPT的特色在于它能够做更多的事情，比方官方视频中演示的google查找，乃至订机票酒店等。
主张读者先自行了解一下Auto-GPT/AgentGPT的效果，本文着重的是技能上的分析。
Auto-GPT是怎样做到的？
Auto-GPT技能上的立异点有两个值得一说，这两点同样也是AgentGPT的立异点，此处以AutoGPT为例。
立异点1 —— 指令
AutoGPT“指令”其实只是一种由人类编写的程序函数，但它是供给给GPT调用的。比方谷歌查找指令、文件操作指令、python执行指令等。
每个指令需求包括以下内容：功能描述、输入格式、输出格式。有了这些内容，GPT就知道它能够如何调用这些人类编写的函数，然后“获得”了网络拜访才能和核算才能。
立异点2 —— 让GPT考虑过程
你向Auto-GPT宣布指令后，它会让GPT不要马上给出答案，而是去分化使命，考虑达到你的指令需求进行哪些过程。
这样能够让GPT给出一个正确的思路，然后再依据这个思路给出答案，准确率会提高十分多。
所以在吴恩达发布的GPT prompt教程里其实就有说到这个技巧：给GPT考虑的时间
它考虑的“思路”并不是无依无据的，它是靠你供给给它的“指令”来考虑的。在你供给了给AutoGPT足够的“指令”之后，它能较为准确地考虑出得出答案的过程，然后调用你供给给它的“指令”，更得心应手地完结使命，比方前面说到的google查找事例。
Auto-GPT有什么问题？
虽然Auto-GPT看起来很厉害，但在实践运用中，人们发现它存在一些问题。比方，它可能会卡住，或许在一个已经有解使命中不断循环求解，或许花费超出预期的token运用量。这些问题的本源在于Auto-GPT的指令列表并不包括完结某些使命所需求的才能，或许呈现错觉，误以为某个指令可用，所以在不断调用中进入死循环。
在实践工作中，假如AI东西有这些特点，基本上意味着这个东西是不可用的。它会呈现这样的问题首要是因为它所具有的“指令”不行，无法用于完结你交给他的使命。
所以实践应用中，咱们有必要依据详细场景给GPT添加更多的“指令”，乃至自己打造一个新的类AutoGPT东西以切合咱们实在的运用场景。
Auto-GPT的原理及其替代品
Auto-GPT的底层原理并不复杂，它是依托prompt完成的。prompt engineering本身便是有必要开源且十分简略被仿照的技能。因而，假如咱们想自己定制相似AutoGPT的效果，其实是比较简略的。
而且，Auto-GPT的这个做法也并不是他创始，相似的做法在AgentGPT里有，在chatgpt-retrive-plugin里也能看得到相似的影子（gpt-plugin的plugin说明便是这套机制）。
所以从头打造Auto-GPT并不是一件有担负的事。笔者之前介绍向量索引的文章里说到的LangChain，也供给了相似Auto-GPT思路的才能 —— Tools和Agent。根据LangChain的封装打造相似Auto-GPT的才能，更为简略和明晰。
完成相似效果
假如想要完成相似Auto-GPT的效果，能够运用LangChain-Tools和LangChain-Agent。
LangChain-Tool
Langchain里名为Tool的概念，和AutoGPT的“指令”是如出一辙的效果。咱们能够在它的文档上找到示例，比方Calculator核算器东西。
从代码里能够看出，一个Tool由名字，描述，和一个人工编写的函数组成（在Calculator的比方里，它借用expr-eval这个第三方包编写了核算函数）十分简略。
LangChain-Agent
有了Tool之后，接下来就需求让GPT能运用这些Tool了。这个便是LangChain的Agent的效果。Agent本身并不需求咱们太关注完成细节，咱们只需求按照文档运用即可。
在tools数组中加上自己编写的Tool，就能够了。需求留意的是，假如你用的是davinci系列模型则运用无chat-的版本。
运用示例
拆分用户的提问
假如你想要用向量数据库完成GPT机器人，你可能会遇到这样的问题：假如用户在一句话里提出了几个问题，比方：
上一届世界杯是在哪年进行的？中国足球夺冠了吗？
假如你直接用向量查找这个问题，数据库会优先匹配既包括世界杯举办年，又包括中国足球夺冠信息的内容。这时候很简略就会得到匹配度较低的参考资料，GPT也无法答复出正确的答案。
但实践上，咱们的预期其实是将它作为两个独立的问题进行。先匹配世界杯举办年，答复第一个问题，再匹配国足夺冠，答复第二个问题。这种需求，我将其称之为问题拆分，就很合适经过自己编写的Agent完结。
咱们需求编写三个Tool，第一个，用于问题的拆分。
第二个Tool，则是负责向量查找（向量查找的代码简化了）
再按照相似方法写一个Tool，负责得出最终的答案就能够了
将这几个Tool结合起来，创建一个Agent，就得到了一个有问题拆分才能的聊天机器人。
完成GPT分工的可能性
这个比方中，能够看到一点：咱们能够将一个GPT包装成Tool，给另一个GPT运用。 也便是说，咱们完全能够经过Tool和Agent，完成多个GPT的分工合作，削减它们的context token数的压力。然后让咱们的整个体系能处理的总token增多。同时也有可能让一些功能性的大模型快速加入到生产中。（比方对中文更友好的大模型，token数约束更宽的模型等）
总之，经过Tool/Agent的模式，咱们能看到根据大模型技能完成更大的体系的可能性。
