众所周知，今天GPT发布了王炸级更新，主要功能有：新函数式调用功能、16K上下文、更低的价格等。在ChatGPT引领的AI浪潮下，涌现了一大批优秀的AI应用，AI正在不断地重塑一个又一个行业。在基于AI大模型构建应用时，大家应该也都逐渐意识到，一个好的prompt对于基于大模型的AI应用的重要性。本文将从今日居github热榜榜首的gpt-engineer出发，引申出对与该项目比较相关的Reflexion项目的介绍。相信大家能够从这两篇文章中学习到如何基于GPT进行工程开发以及如何构建一套提示词模型系统。
指定你想要构建的内容，AI会询问澄清问题，然后进行构建。
GPT Engineer的设计初衷是易于适应、扩展，并让你的代理学习你希望代码看起来的样子。它可以根据提示生成整个代码库。
项目理念
•简单获取价值
•灵活且易于添加新的"AI步骤"。请参见steps.py。
•逐步构建以下用户体验：1.高级提示2.向AI提供反馈，让它随着时间的推移记住这些反馈 •AI和人类之间的快速交接 •简单性，所有的计算都是"可恢复的"并持久化到文件系统
使用方法
设置 ：
•
pip install -r requirements.txt
•export OPENAI_API_KEY=[你的api密钥] 使用具有GPT4访问权限的密钥
运行 ：
•创建一个新的空文件夹，并创建一个main_prompt文件（或复制示例文件夹cp example -r my-new-project）
•在你的新文件夹中填写main_prompt
•运行python main.py my-new-project
结果 ：
•查看在my-new-project/workspace中生成的文件
限制
实现额外的思维链提示，例如Reflexion[1]，应该能够使其更加可靠，不会在主提示中遗漏请求的功能。
欢迎贡献者！如果你不确定要添加什么，可以查看GitHub仓库中的Projects标签页中列出的想法。
特性
你可以通过编辑identity文件夹中的文件来指定AI代理的"身份"。
编辑身份，并发展主提示，目前是你在项目之间让代理记住事情的方式。
steps.py中的每一步都会将其与GPT4的通信历史存储在日志文件夹中，并可以通过scripts/rerun_edited_message_logs.py重新运行。
演示
演示视频链接[2]
这个仓库包含了由Noah Shinn, Federico Cassano, Beck Labash, Ashwin Gopinath, Karthik Narasimhan, Shunyu Yao撰写的Reflexion：使用口头强化学习的语言代理[7]的代码、演示和日志。
我们在这里[8]发布了LeetcodeHardGym。
运行：推理（HotPotQA）
我们提供了一套笔记本，方便您轻松运行、探索和与推理实验的结果进行交互。每个实验都包含了HotPotQA distractor数据集中随机抽取的100个问题的样本。样本中的每个问题都由具有特定类型和反射策略的代理尝试。
设置
开始之前：
1.克隆此仓库并移动到HotPotQA目录：
git clone https://github.com/noahshinn024/reflexion && cd ./hotpotqa\_runs
2.将模块依赖项安装到您的环境中：
pip install -r requirements.txt
3.将OPENAI_API_KEY环境变量设置为您的OpenAI API密钥：
export OPENAI\_API\_KEY=<your key>
代理类型
代理类型由您选择运行的笔记本确定。可用的代理类型包括：
•ReAct - ReAct 代理
•CoT_context - CoT 代理，给出关于问题的支持性上下文
•CoT_no_context - CoT 代理，不给出关于问题的支持性上下文
每种代理类型的笔记本都位于./hotpotqa_runs/notebooks目录中。
反射策略
每个笔记本都允许您指定代理使用的反射策略。可用的反射策略（在Enum中定义）包括：
•ReflexionStrategy.NONE - 代理没有得到关于其最后一次尝试的任何信息。
•ReflexionStrategy.LAST_ATTEMPT - 代理得到了其最后一次尝试问题的推理追踪作为上下文。
•ReflexionStrategy.REFLEXION - 代理得到了其对最后一次尝试的自我反思作为上下文。
•ReflexionStrategy.LAST_ATTEMPT_AND_REFLEXION - 代理得到了其推理追踪和自我反思作为上下文。
运行：决策制定（AlfWorld）
克隆此仓库并移动到AlfWorld目录
git clone https://github.com/noahshinn024/reflexion && cd ./alfworld\_runs
在./run_reflexion.sh中指定运行参数。 num_trials：迭代学习步骤的数量 num_envs：每次试验的任务-环境对的数量 run_name：此次运行的名称 use_memory：使用持久内存来存储自我反思（关闭以运行基线运行） is_resume：使用日志目录恢复以前的运行 resume_dir：从中恢复以前运行的日志目录 start_trial_num：如果恢复运行，那么开始的试验编号
运行试验
./run\_reflexion.sh
日志将被发送到./root/<run_name>。
另一项注意事项
由于这些实验的性质，个别开发者可能无法重新运行结果，因为GPT-4的访问权限有限，且API收费显著。所有来自论文的运行和额外结果都记录在./alfworld_runs/root（决策制定）、./hotpotqa_runs/root（推理）和./programming_runs/root（编程）。
其他注意事项
查看原始草稿的代码这里[9]
阅读原始博客这里[10]
查看一个有趣的类型推断实现：OpenTau[11]
对所有问题，请联系noahshinn024@gmail.com
引用
@misc{shinn2023reflexion,
title={Reflexion: Language Agents with Verbal Reinforcement Learning},
author={Noah Shinn and Federico Cassano and Beck Labash and Ashwin Gopinath and Karthik Narasimhan and Shunyu Yao},
year={2023},
eprint={2303.11366},
archivePrefix={arXiv},
primaryClass={cs.AI}
}
本文翻译整理自：https://github.com/AntonOsika/gpt-engineer和https://github.com/noahshinn024/reflexion
References
[1] Reflexion: https://github.com/noahshinn024/reflexion
[2] 演示视频链接: https://github.com/AntonOsika/gpt-engineer/assets/4467025/6e362e45-4a94-4b0d-973d-393a31d92d9b
[3] Reflexion：使用口头强化学习的语言代理: https://arxiv.org/abs/2303.11366
[4] 这里: https://github.com/GammaTauAI/leetcode-hard-gym
[5] Reflexion：使用口头强化学习的语言代理: https://arxiv.org/abs/2303.11366
[6] 这里: https://github.com/GammaTauAI/leetcode-hard-gym
[7] Reflexion：使用口头强化学习的语言代理: https://arxiv.org/abs/2303.11366
[8] 这里: https://github.com/GammaTauAI/leetcode-hard-gym
[9] 这里: https://github.com/noahshinn024/reflexion-draft
[10] 这里: https://nanothoughts.substack.com/p/reflecting-on-reflexion
[11] OpenTau: https://github.com/GammaTauAI/opentau