Agent AutoGPT LLM如何成功

当天咱们来聊聊一个超酷的物品——经常使用AutoGPT创立的智能Agent。构想一下，你有一个宏大的在线商城数据库，外面存储了海量的用户和买卖数据。你想知道有多少生动用户？一个AutoGPT Agent就能帮你秒查进去，而且，它还能写出正确的SQL查问，不会出错的那种。

首先，咱们须要给AutoGPT预备一个“大脑”，也就是向量存储，用来保留它的记忆。而后，咱们还须要定义一些工具，让Agent知道如何口头SQL查问、失掉表结构等。代码大抵长这样：（冗余函数在前几天的《ReAct Agent：LLM如何成功？》中，不复制上来了）

from langchain_experimental.autonomous_agents import AutoGPT# 性能向量存储embedding = OpenAIEmbeddings()vectordb = Chroma(persist_directory='autogpt', embedding_function=embedding)# 定义一些SQL关系的工具def get_tables():return ['ecommerce.users', 'ecommerce.sessions']# 创立AutoGPT Agentanalyst_agent_autogpt = AutoGPT.from_llm_and_tools(ai_name="Harry",ai_role="Assistant",tools=[execute_sql, get_table_columns, get_table_column_distr, get_tables],llm=ChatOpenAI(temperature=0.1, model='gpt-4-1106-preview'),memory=vectordb.as_retriever(),)analyst_agent_autogpt.run(["咱们有多少来自上海的生动客户？"])

用这个Agent，咱们就像是在和一个智能助手对话。你问它疑问，比如“咱们有多少来自上海的生动客户？”它就会自己想方法找到答案。而且，它还会用人造言语通知你它是怎样想的，怎样一步步处置疑问的。比如，“我得用get_tables命令列出一切可用的表，而后失掉'ecommerce.users'表的结构，最后口头SQL查问来计算数字。”

就像人类剖析师一样，AutoGPT Agent会先了解数据库的结构，而后再启动查问。而且，它还会自我批判，确保它用最优的模式来成功义务。测试最后，Agent找到了答案：“上海有469个生动用户。” 这整个环节，它都是在没有人类协助的状况下独立成功的。这就是AutoGPT Agent的魔力——一个能自己思索、查问、还能自我反省的智能体。

本文转载自​​，作者：