共计 3050 个字符，预计需要花费 8 分钟才能阅读完成。
ChatGPT 是新一代 AI 文本助手，能够帮忙解决咱们在多个畛域的问题。
在某些简单问题上，ChatGPT 须要通过一直的调教与沟通，能力失去靠近正确的答案。
当你是某个畛域的专家时，你很容易做到这一点。
然而，在你不相熟的畛域，你甚至不晓得该怎么发问。
所以，在一个不精通的畛域，要怎么向 ChatGPT 正确发问，失去正确答案呢？
咱们能够应用 AutoGPT，AutoGPT 是基于 ChatGPT 的文本 AI 助手，在 ChatGPT 的根底上做了加强，用户在终端输出指令后，AutoGPT 能够依据最终的指标，一直生成工作及提醒语交给 ChatGPT 解决，而后一步又一步的靠近正确答案，在失去最终后果返回给用户。
应用教程
在引入 docker 后，AutoGPT 的应用变得更加简略。
第一步：拉取 docker 镜像
docker pull significantgravitas/auto-gpt第二步：创立我的项目文件夹
AutoGPT 须要一个目录搁置配置文件及运行日志，创立一个我的项目目录，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= 集体的 openai-key 须要写入 env 文件中，能够在 OpenAI Keys 生成一个用于应用。（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：启动 AutoGPT
输出命令：
docker-compose run --rm auto-gpt --gpt3only能够看到控制台输入，代表启动胜利（如下图）
到这里，就能够向 AutoGPT 输出你的指标了。
上手体验 – 淘宝童装选品
我筹备让 AutoGPT 帮我做 淘宝童装选品 ，看看它是怎么做的吧。（如下图）
能够看到，它对于一个工作，会将其依照套路拆解：
- Name：工作名称
- Role：给 ChatGPT 设定的角色
- Goals：工作指标
- THOUGHTS：想法 —— 它认为以后第一步是须要剖析以后市场风行的趋势，剖析风行趋势有利于帮忙更好选品。- REASONING：推理 —— 剖析市场从而更好的理解以后的市场需求，- PLAN：行动计划
1. 应用谷歌搜寻以后童装市场的风行趋势
2. 剖析数据找到市场机会
3. 将剖析后果写入到本地文件中
- CRITICISM：意见 —— 须要保证数据是正确的，从而保障剖析后果是正确的。- NEXT ACTION：下一步 —— 应用 Google 搜寻以后童装市场的风行趋势
输出 y 能够让它持续，输出 y -N 能够让它持续往下 N 步而不须要确认，这里我输出 y，它将在 Google 进行搜寻。（如下图）
这里能够看到：
- 零碎操作：在 `Google` 搜寻到了一堆童装市场的数据，JSON 格局。- 想法：当初，咱们有了一些市场数据，咱们须要剖析这些数据，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无效的答案。把数据存起来能够在前面剖析时随时进行回顾。- 打算：剖析数据，存储数据。- 意见：依然须要保证数据的正确性。- 下一步：将数据写到本地存起来先。 输出 y，就能够在本地看到存储的文件记录了。（如下图）
而后再看它下一步筹备做什么，他筹备执行一个 python 脚本来进行数据分析。因为这个文件不存在，所以他又本人把这个文件写进来，而后又做了一轮代码剖析。代码剖析完了当前，感觉代码有问题，它又进行调整 …
这是它写的代码，我感觉还是有问题的，它要读取的 csv 文件并不存在啊（如下图）
而后，我发现我高估它了，它连 pandas 这个依赖包都不存在，它还要去谷歌搜寻一下怎么装置 pandas 包。而后，咱们又能够看到它的一系列蛊惑行为。（如下图）
蛊惑归蛊惑，它还真把依赖问题给解决了，而后接着往下执行，果然还是遇到了 csv 文件不存在的问题，相似的问题还有一大堆，我这里间接输出 y -20，让它本人先跑一段时间，等下咱们再来看后果。
上面就是运行了 20 次后的后果。
我简略形容一下：它发现 csv 文件不存在，而后跑去网上找数据，而后找了半天，在 yahoo 上找到了，筹备下载，写了个下载数据的脚本，后果下载数据的脚本又报错了，而后又在改下载数据的脚本。
后果就是，我的账户曾经烧掉了 0.3 刀乐，也就是两块多，后果它连一点无效信息也还没提供给我，还在 debug 它的那个破脚本。
我决定让它再跑一阵子试试 …
又跑了 10 次后，而后我发现它进入了一个死循环：
- 执行 `python` 脚本剖析数据
- csv 文件不存在，下载文件（理论下载没胜利）- 执行 `python` 脚本剖析数据
- csv 文件不存在，下载文件（理论下载没胜利）- ...
它始终重复这两步，无奈再持续工作上来了，更别说达成指标了。
本次体验，到此结束。
体验小结
它能做的事件看起来的确很弱小，全自动化的 AI 助手，只须要你输出指令，他就能本人设定指标和打算，而后去实现。
然而，通过理论体验后，我发现它还是存在几个问题，导致它没法很好的利用于理论生产工作中：
1. 非异步模型，工作执行周期长，我到当初还没有残缺执行实现过一次工作，理论可应用性存疑。2. 每一次都是从 0 开始，单次费用老本特地高（预计 $1 - $15），一次上来烧的都是真金白银的刀乐，我用的是还是 GPT3 模型，而 GPT4 更贵。收费额度（$5）用完后，很难再继续维系上来。3. 重复性的动作特地多，这些动作会减少工作耗时，同时耗费你的 OpenAI 费用额度，在某些状况下还会陷入死循环。4. 中文反对仅限于第一句，后续都是英文，对英文浏览程度有要求。最初，我的论断是：
这是一个初见感觉很惊艳的产品，然而实际上手后会发现，目前来说它可能只是个充斥科技感的高级“玩具”，并不能给你的工作带来更多实质性的帮忙。
最初一件事
如果您曾经看到这里了，心愿您还是点个赞再走吧~
您的点赞是对作者的最大激励，也能够让更多人看到本篇文章！
如果感觉本文对您有帮忙，请帮忙在 github 上点亮 star 激励一下吧！