Auto-GPT

🎯 学习目标

• 理解早期 Auto-GPT 架构：目标 → 分解 → 循环执行
• 用 VectorStore Memory + OutputParser 实现 mini 版
• 总结为何完全自主难以生产，需 Harness 约束

引言

Auto-GPT 是自主 Agent 的「启蒙项目」。复现其结构是为了知道现代生产 Agent 改进了什么。

章节正文

第 1 步：第 1 步：核心循环

Goal → LLM 生成 next_task → 选 tool → 执行 → 写入 Memory → 是否完成？

class NextAction(BaseModel):
    thoughts: str
    tool: str
    tool_input: str
    done: bool

第 2 步：第 2 步：Memory

• 短期：messages 列表
• 长期：VectorStore 存 task 结果摘要，供后续 retrieve

vectorstore.add_texts([f"Task: {task}\nResult: {result}"])

第 3 步：第 3 步：现代对照

Auto-GPT 问题：无限循环、成本高、难审计。

现代做法（本课程主线）：

• Harness：max_iterations、权限、Kill Switch（5.8）
• 明确工具集，而非开放 ended shell
• 人工审批敏感步骤（LangGraph interrupt）
• Eval + Trace（第 7 模块）

实验性自主研究可用；生产用 bounded agent。

动手练习

1. 实现 3 步以内完成「调研某公司产品并写 200 字摘要」的 mini Auto-GPT
2. 不设上限观察循环失控，再加 max_iterations=5

本节小结

Auto-GPT 展示自主循环与 Memory；生产需 Harness、审批、Eval，禁止无界自主。