【AutoGPT系列】快速上手 – 运行原生AutoGPT or 利用AutoGPT框架开发自己的Agent

大家好，欢迎来到IT知识分享网。

在上篇文章中，我们了解了AutoGPT的概念和原理。今天，我们来学习如何上手使用AutoGPT。

AutoGPT目前好像没有了利用 pip install 来安装python包的使用方式？

0. 环境搭建

我是Windows系统，需要使用 wsl 进行安装，Linux或者Mac直接用命令行即可。

0.1 Windows系统安装方式

（1）将AutoGPT clone到电脑WSL系统内部某个文件夹内，而不是clone到Windows系统的某个文件夹内（这个容易失败，后面2.2为此种失败的尝试） 。在某个路径文件夹下执行：

python 复制代码 git clone https://github.com/Significant-Gravitas/AutoGPT.git 

（2）进入你的本地目录

python 复制代码 cd xxx/AutoGPT 

（3）找到.env.template.文件，复制一份重命名为.env文件，将API Key和Base URL代理服务地址填上。

（4）按下面图片步骤生成GitHub的access token，并填到AutoGPT的配置文件中

• 进入 github.com/settings/to… 网页

• 填表，生成token

• 粘贴token到AutoGPT的.github_acess_token文件中

（5）配置github

python 复制代码 git config --global user.name "Your Name" git config --global user.email "" 

如果上面GitHub设置不成功，则会出现下面的错误：

（6）执行 ./run setup，安装成功显示如下：

0.2 失败的尝试 – 如果你失败了，可以看下是否是跟我一样的方式，帮你避坑

（1）将AutoGPT clone到电脑本地：在某个路径文件夹下执行：

python 复制代码 git clone https://github.com/Significant-Gravitas/AutoGPT.git 

（2）进入你的本地目录

python 复制代码 cd /mnt/d/GitHub/AutoGPT_ZH 

（3）找到.env.template.文件，复制一份重命名为.env文件，将API Key和Base URL代理服务地址填上。

（4）执行 ./run setup

（5）可能遇到如下错误：

解决此错误：

python 复制代码 sudo apt update sudo apt install dos2unix dos2unix ./run 

然后重新运行 ./run setup

（6）还有错误：

1. 运行AutoGPT

（1）在 AutoGPT/autogpts/autogpt 目录下运行AutoGPT命令：

python 复制代码 python -m autogpt 

运行成功如下：

注意运行命令的目录，如果不是在该目录下，可能会出现以下错误：

（2）运行成功输入你的需求或问题后，后面的过程需要人工干预（确认一些前置条件，如限制条件、最佳实践例子，数据来源等） （3）确认好上面的信息后，AutoGPT才开始正式工作，思考、制定计划，根据限制条件等组织答案回复给用户。最后还需要用户干预，授权执行程序，然后才能得到最终结果。 从这个运行过程，可以看到AutoGPT是半自动化的，虽然它在ChatGPT的基础上增加了独立思考和计划行动的能力，但中间仍需要人工的干预。

并且这种方法使用的是开源AutoGPT中已有的能力。AutoGPT虽然提供了一个完整的框架和可用的全功能，但它不是一个已经把各种问题解决的很好、拿来就能用的具体工具。目前来看，它更适合用来当作一个架构，让大家在此基础上开发专门解决具体问题的Agent。下面我们来看下怎样在此架构的基础上开发属于我们自己的Agent。

2. 创建并运行你自己的Agent

（1）创建一个自己的AutoGPT

python 复制代码 ./run agent create YOUR_AUTOGPT_NAME 

创建成功后，在代码目录下会出现你自定义的AutoGPT目录：

（2）运行自己的AutoGPT

python 复制代码 ./run agent start YOUR_AUTOGPT_NAME 

（3）可能遇到的报错：

• 解决方案，命令行执行下命令：

python 复制代码 export PATH="$HOME/.local/bin:{$PATH}" 

（4）再运行，首次启动会安装一些依赖

（5）成功启动后的界面

（6）打开网址，登录GitHub授权

（7）最终界面

至此，你自己的AutoGPT环境就搭建成功了，可以在此基础上定义自己的AutoGPT逻辑了。注意，上面的仅是环境和代码框架搭建成功，虽然有界面，但是并不具备大模型应用的能力，需要自己填充逻辑。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    – L1.4.1 知识大模型
    – L1.4.2 生产大模型
    – L1.4.3 模型工程方法论
    – L1.4.4 模型工程实践
    
    
    
    
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    – L2.1.1 OpenAI API接口
    – L2.1.2 Python接口接入
    – L2.1.3 BOT工具类框架
    – L2.1.4 代码示例
    
    
    
    
  • L2.2 Prompt框架
    – L2.2.1 什么是Prompt
    – L2.2.2 Prompt框架应用现状
    – L2.2.3 基于GPTAS的Prompt框架
    – L2.2.4 Prompt框架与Thought
    – L2.2.5 Prompt框架与提示词
    
    
    
    
    
  • L2.3 流水线工程
    – L2.3.1 流水线工程的概念
    – L2.3.2 流水线工程的优点
    – L2.3.3 流水线工程的应用
    
    
    
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    – L3.1.1 Agent模型框架的设计理念
    – L3.1.2 Agent模型框架的核心组件
    – L3.1.3 Agent模型框架的实现细节
    
    
    
  • L3.2 MetaGPT
    – L3.2.1 MetaGPT的基本概念
    – L3.2.2 MetaGPT的工作原理
    – L3.2.3 MetaGPT的应用场景
    
    
    
  • L3.3 ChatGLM
    – L3.3.1 ChatGLM的特点
    – L3.3.2 ChatGLM的开发环境
    – L3.3.3 ChatGLM的使用示例
    
    
    
  • L3.4 LLAMA
    – L3.4.1 LLAMA的特点
    – L3.4.2 LLAMA的开发环境
    – L3.4.3 LLAMA的使用示例
    
    
    
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓