当我们使用ChatGPT完成某些工作的时候，往往需要多轮对话，比如让ChatGPT分析、翻译、总结一篇网上的文章或者文档，再将总结的结果以文本的形式存储在本地。过程中免不了要和ChatGPT“折冲樽俎”一番，事实上，这个“交涉”的过程也可以自动化，AutoGPT可以帮助我们自动拆解任务，没错，程序能做到的事情，人类绝不亲力亲为。

我们唯一需要做的，就是告诉AutoGPT一个任务目标，AutoGPT会自动根据任务目标将任务拆解成一个个的小任务，并且逐个完成，简单且高效。

配置AutoGPT

先确保本地环境安装好了Python3.10.9[1]。

接着运行Git命令拉取项目：

随后进入项目的目录：

安装相关的依赖库：

安装成功后，复制一下项目的配置文件：

这里通过cp命令将配置文件模版.env.template复制成为一个新的配置文件.env。

随后将Openai的秘钥填入配置文件：

除了Openai官方的接口秘钥，AutoGPT也支持微软Azure的接口。

接着将微软Azure服务的秘钥填入azure.yaml即可。

由于微软Azure接入Openai接口需要极其复杂的申请流程，这里还是直接使用OpenAI官方的接口。

当然了，如果不想在本地装那么多依赖，也可以通过Docker来构建[2]Auto-GPT的容器：

这里Docker会自动读取项目中的Dockerfile配置文件进行构建，相当方便。

至此，Auto-GPT就配置好了。

运行Auto-GPT

在项目根目录运行命令：

即可启动AutoGPT:

首先创建AutoGPT机器人的名字：

创建好名字以后，Auto-GPT就可以随时为您效劳了。

首先为AutoGPT设置目标：

这里我们要求AutoGPT分析并且总结v3u.cn/a_id_303[3]这篇文章，并且将分析结果写入本地的goal.txt文件。

程序返回：

AutoGPT会告诉你可以最多拆解为五个任务，我们可以自己拆解，也可以让机器人帮助我们拆解，直接按回车，让AutoGPT自动拆解任务即可。

接着程序会自动爬取这篇文章的内容，然后使用gpt-3.5-turbo模型来进行分析：

最后将分析结果写入goal.txt文件：

一气呵成，流畅丝滑。

结语

AutoGPT和其他 AI 程序的不同之处在于，它专门专注于在无需人工干预的情况下生成提示和自动执行多步骤任务。它还具有扫描互联网或在用户计算机上执行命令以获取信息的能力，这使其有别于可能仅依赖于预先存在的数据集的其他人工智能程序。

AutoGPT的底层逻辑并不复杂：先通过搜索引擎检索任务，然后把结果和目标丢给gpt让它给出序列化方案json，再把方案分段丢给gpt，最后用shell去创建Python文件+json.load并且执行，是一个反复递归的过程。

不能否认的是，虽然实现逻辑简单，但这无疑是一种“自我进化”的过程，相信随着时间的推移，AutoGPT可以更好地处理愈加复杂的任务。

引用链接

安装好了Python3.10.9: https://v3u.cn/a_id_200

Docker来构建: https://v3u.cn/a_id_185

v3u.cn/a_id_303: https://v3u.cn/a_id_303