ChatGPT 是新一代 AI 文本帮手，能够帮助处理咱们在多个范畴的问题。
在某些复杂问题上，ChatGPT 需求通过不断的调教与交流，才能得到接近正确的答案。
当你是某个范畴的专家时，你很简单做到这一点。
可是，在你不熟悉的范畴，你甚至不知道该怎样提问。
所以，在一个不精通的范畴，要怎样向 ChatGPT 正确提问，得到正确答案呢？
咱们能够运用 AutoGPT，AutoGPT 是基于 ChatGPT 的文本 AI 帮手，在 ChatGPT 的基础上做了增强，用户在终端输入指令后，AutoGPT 能够依据最终的方针，不断生成使命及提示语交给 ChatGPT 处理，然后一步又一步的接近正确答案，在得到最终成果回来给用户。
运用教程
在引入 docker 后，AutoGPT 的运用变得更加简单。
第一步：拉取 docker 镜像
docker pull significantgravitas/auto-gpt
第二步：创立项目文件夹
AutoGPT 需求一个目录放置配置文件及运行日志，创立一个项目目录，并且将其增加进 docker 的 File sharing（如下图）
第三步：增加配置文件
- 增加
.env配置文件
OPENAI_API_KEY=【写入你的 OpenAI key】
ALLOWLISTED_PLUGINS=
DENYLISTED_PLUGINS=
个人的 openai-key 需求写入 env 文件中，能够在 OpenAI Keys 生成一个用于运用。（如下图）
- 增加
docker-compose.yml配置文件
version: "3.9"
services:
auto-gpt:
image: significantgravitas/auto-gpt
depends_on:
- redis
env_file:
- .env
environment:
MEMORY_BACKEND: ${MEMORY_BACKEND:-redis}
REDIS_HOST: ${REDIS_HOST:-redis}
profiles: ["exclude-from-up"]
volumes:
- ./auto_gpt_workspace:/app/autogpt/auto_gpt_workspace
- ./data:/app/data
## allow auto-gpt to write logs to disk
- ./logs:/app/logs
## uncomment following lines if you want to make use of these files
## you must have them existing in the same folder as this docker-compose.yml
#- type: bind
# source: ./azure.yaml
# target: /app/azure.yaml
#- type: bind
# source: ./ai_settings.yaml
# target: /app/ai_settings.yaml
redis:
image: "redis/redis-stack-server:latest"
第四步：发动 AutoGPT
输入命令：
docker-compose run --rm auto-gpt --gpt3only
能够看到控制台输出，代表发动成功（如下图）
到这儿，就能够向 AutoGPT 输入你的方针了。
上手体会 – 淘宝童装选品
我准备让 AutoGPT 帮我做 淘宝童装选品，看看它是怎样做的吧。（如下图）
能够看到，它对于一个使命，会将其按照套路拆解：
- Name：使命名称
- Role：给 ChatGPT 设定的角色
- Goals：使命方针
- THOUGHTS：主意 —— 它认为当前第一步是需求剖析当前商场盛行的趋势，剖析盛行趋势有利于帮助更好选品。
- REASONING：推理 —— 剖析商场然后更好的了解当前的商场需求，
- PLAN：行动方案
1. 运用谷歌查找当前童装商场的盛行趋势
2. 剖析数据找到商场时机
3. 将剖析成果写入到本地文件中
- CRITICISM：定见 —— 需求保证数据是正确的，然后保证剖析成果是正确的。
- NEXT ACTION：下一步 —— 运用 Google 查找当前童装商场的盛行趋势
输入 y 能够让它继续，输入 y -N 能够让它继续往下 N 步而不需求承认，这儿我输入 y，它将在 Google 进行查找。（如下图）
这儿能够看到：
- 体系操作：在 `Google` 查找到了一堆童装商场的数据，JSON 格局。
- 主意：现在，咱们有了一些商场数据，咱们需求剖析这些数据，剖析前先把这些数据存起来。
- 推理：剖析数据能够有助于得出更有用的答案。把数据存起来能够在后面剖析时随时进行回忆。
- 方案：剖析数据，存储数据。
- 定见：依然需求保证数据的正确性。
- 下一步：将数据写到本地存起来先。
输入 y，就能够在本地看到存储的文件记录了。（如下图）
然后再看它下一步准备做什么，他准备履行一个 python 脚本来进行数据剖析。因为这个文件不存在，所以他又自己把这个文件写进来，然后又做了一轮代码剖析。代码剖析完了以后，觉得代码有问题，它又进行调整…
这是它写的代码，我感觉仍是有问题的，它要读取的 csv 文件并不存在啊（如下图）
然后，我发现我高估它了，它连 pandas 这个依靠包都不存在，它还要去谷歌查找一下怎样装置 pandas 包。然后，咱们又能够看到它的一系列利诱行为。（如下图）
利诱归利诱，它还真把依靠问题给处理了，然后接着往下履行，公然仍是遇到了 csv 文件不存在的问题，类似的问题还有一大堆，我这儿直接输入 y -20，让它自己先跑一段时间，等下咱们再来看成果。
下面便是运行了 20 次后的成果。
我简单描述一下：它发现 csv 文件不存在，然后跑去网上找数据，然后找了半天，在 yahoo 上找到了，准备下载，写了个下载数据的脚本，成果下载数据的脚本又报错了，然后又在改下载数据的脚本。
成果便是，我的账户现已烧掉了 0.3 刀乐，也便是两块多，成果它连一点有用信息也还没供给给我，还在 debug 它的那个破脚本。
我决议让它再跑一阵子试试…
又跑了 10 次后，然后我发现它进入了一个死循环：
- 履行 `python` 脚本剖析数据
- csv 文件不存在，下载文件（实践下载没成功）
- 履行 `python` 脚本剖析数据
- csv 文件不存在，下载文件（实践下载没成功）
- ...
它一向重复这两步，无法再继续作业下去了，更别说达成方针了。
本次体会，到此结束。
体会小结
它能做的作业看起来的确很强壮，全自动化的 AI 帮手，只需求你输入指令，他就能自己设定方针和方案，然后去完结。
可是，通过实践体会后，我发现它仍是存在几个问题，导致它没法很好的应用于实践出产作业中：
1. 非异步模型，使命履行周期长，我到现在还没有完整履行完结过一次使命，实践可应用性存疑。
2. 每一次都是从 0 开始，单次费用本钱特别高（估计 $1 - $15），一次下去烧的都是真金白银的刀乐，我用的是仍是 GPT3 模型， 而 GPT4 更贵。免费额度（$5）用完后，很难再继续维系下去。
3. 重复性的动作特别多，这些动作会增加使命耗时，一起耗费你的 OpenAI 费用额度，在某些情况下还会堕入死循环。
4. 中文支持仅限于第一句，后续都是英文，对英文阅读水平有要求。
最终，我的结论是：
这是一个初见感觉很冷艳的产品，可是实践上手后会发现，现在来说它或许只是个充溢科技感的高级“玩具”，并不能给你的作业带来更多实质性的帮助。
最终一件事
假如您现已看到这儿了，希望您仍是点个赞再走吧~
您的点赞是对作者的最大鼓舞，也能够让更多人看到本篇文章！
假如觉得本文对您有帮助，请帮助在 github 上点亮 star 鼓舞一下吧！
