Вы когда-нибудь пробовали Auto-GPT для генерации кода? Да, я тоже. Но чаще всего он застревал в петлях — не весело. Если вас интересует настройка Auto-GPT, ознакомьтесь с моей статьей здесь. К счастью, затем я наткнулся на GPT-Engineer, и это изменило правила игры. В отличие от Auto-GPT, его легко использовать и адаптировать. Присоединяйтесь ко мне, и я поделюсь своим опытом работы с GPT-Engineer — инструментом, который меняет мир генерации кода на основе ИИ.
Начало работы с GPT Engineer
II использовал возможности GPT Engineer для создания конвейера машинного обучения с использованием библиотеки sklearn. Этот конвейер был разработан для прогнозирования продолжительности доставки, и мое приключение началось с набора данных от Doordash — вы можете получить к нему доступ по этой ссылке.
Шаг 1. Установка GPT Engineer
В целях разработки я клонировал репозиторий и следовал руководству по установке.
git clone https://github.com/AntonOsika/gpt-engineer.git cd gpt-engineer pip install -e . (or: make install && source venv/bin/activate)
Если вы выбираете стабильную версию, вы можете просто установить ее с помощью этой команды.
pip install gpt-engineer
Шаг 2. Установление соединения
Используя ключ API OpenAI (желательно с доступом GPT-4), я выполнил следующую команду. Если у вас нет доступа к GPT-4, вы можете переключить название модели на GPT-3.5 в gpt_engineer/main.py
export OPENAI_API_KEY=[your api key]
Шаг 3: Создание моего проекта
Я инициировал пустой проект, используя следующую команду в репозитории.
cp -r projects/example/ projects/doordash
Шаг 4: Адаптация подсказки
Я заполнил файл подсказки необходимыми данными. Этот шаг заложил основу для руководства GPT Engineer в понимании моих требований к кодированию.
We are going to analyze a dataset in the path "/data/historical_data.csv". Heres the structure of the data Data columns (total 16 columns): # Column Non-Null Count Dtype …
