@

准备

• 一台 macOS Monterey 以上的电脑
• 安装 XCode13.3 以上
• 安装 Visual Studio Code

安装扩展

打开Visual Studio Code，按下
Command + Shift + P
，输入
install
，选择
Extensions: Install Extensions
，搜索
MAUI
，安装
.NET MAUI
扩展。

安装 .NET

安装 .NET 8
https://dotnet.microsoft.com/zh-cn/download/dotnet

安装工作负载

打开终端，输入以下命令：

dotnet workload install maui

安装 Xcode 命令行工具

打开终端，输入以下命令：

sudo xcode-select --install

至此，应该可以调试iOS应用了。

调试安卓应用

若要在 Visual Studio Code 中调试 Android 应用，请执行以下操作：

安装 JDK

下载最新版本的 JDK：

https://learn.microsoft.com/zh-cn/java/openjdk/download

安装 JDK：

安装 Android SDK

创建新的 .NET MAUI 项目，在合适的位置打开终端，输入以下命令：

dotnet new maui

在项目文件夹中，打开终端，输入以下命令：

dotnet build -t:InstallAndroidDependencies -f:net8.0-android -p:AndroidSdkDirectory="<ANDROID SDK DIRECTORY>" -p:AcceptAndroidSDKLicenses=True

在 macOS 上，建议的 Android SDK 目录值为 $HOME/Library/Android/sdk

Android SDK 将自动被创建

安装 Android 模拟器

此时已可以真机调试 Android 应用，如果真机调试不方便，我们需要安装 Android 模拟器。

安装模拟器

前往 Android SDK Manager 所在目录，默认为 $HOME/Library/Android/sdk/cmdline-tools/11.0/bin，打开终端，输入以下命令：

./sdkmanager --install emulator

安装镜像

./sdkmanager "emulator" "system-images;android-34;google_apis;x86_64"

创建虚拟机

./avdmanager create avd -n Pixel5-API34 -k "system-images;android-34;google_apis;x86_64"

另外可以通过切换调试目标中的菜单，查看可用的镜像，选择一个镜像，或创建一个新的镜像。

CMD+SHIFT+P 或 查看->命令面板

选择“创建Android Emulator”

根据提示完成创建

同意许可条款

打开终端，输入以下命令：

./sdkmanager --licenses --verbose

按照提示输入
y
同意许可条款。

创建 MAUI 项目

若要创建新的 .NET MAUI 应用，请执行以下操作：

1. 在资源管理器中，单击“创建 .NET 项目”或按 CMD+SHIFT+P> 选择“.NET: New Project...”。
2. 选择“.NET MAUI 应用”或“.NET MAUI Blazor 应用”。
3. 选择空文件夹。 如果文件资源管理器弹出窗口再次打开，则文件夹不为空。
4. 为项目命名。
5. 确保项目在解决方案资源管理器中成功加载，然后打开 C# 或 XAML 文件。
6. 也可以通过单击“文件”>“打开...”在 Visual Studio Code 中打开现有的 .NET MAUI 项目。

调试 MAUI 应用

在 Visual Studio Code 中，按 F5 键或单击“运行”>“启动调试”以调试 .NET MAUI 应用。

调试器选择器将显示可用的调试器。 选择“ .NET MAUI”以启动调试会话。

切换调试目标

在 Visual Studio Code 的资源管理器中，打开项目sln文件，

此时在任务栏出现大括号
{}
，点击选择调试目标。

参考资料

扩展主页：
https://marketplace.visualstudio.com/items?itemName=ms-dotnettools.dotnet-maui

扩展仓库：
https://github.com/microsoft/vscode-dotnettools

官方文档：
https://learn.microsoft.com/zh-cn/dotnet/maui/get-started/installation?view=net-maui-8.0&tabs=visual-studio-code

1.概述

人工智能（AI）的能力持续在全球范围内引起轰动，并对我们日常生活和职业生涯带来重大变革。随着像ChatGPT这样的先进生成型AI模型以及从GPT-3到GPT-4的加速，我们在高级推理、理解更长上下文和输入设置方面看到了重大改进。像ChatGPT这样的工具要求用户编写Prompt，以获得所需的输出。然而，一种更先进且更强大的AI工具已经进入游戏，只需用户解释需要的目标，之后工具会为您完成一切。本篇博客笔者将给大家介绍AutoGPT的一些使用实战心得。

2.内容

开发人员现在正在研究自主AI代理，这是对人工通用智能（AGI）的初步展望，这是一种能够通过其自身的过程、智力和推理执行人类水平智力任务的AI类型。

2.1 什么是AutoGPT

Auto-GPT的强大文本生成能力使其在用户中迅速赢得口碑。相比于之前的版本，GPT-4在高级推理、对更长上下文的理解以及输入设置方面都实现了显著的改进。这使得Auto-GPT成为撰写文章、创作故事，甚至解决复杂问题的理想选择。
更令人印象深刻的是，Auto-GPT相较于传统的ChatGPT等工具更为智能化。不再需要繁琐的提示草稿，只需简单解释您的目标，Auto-GPT即可为您完成所有繁重的工作。这标志着人工智能领域向着实现人工通用智能（AGI）迈出了更为重要的一步。

2.2 AutoGPT如何工作

Auto-GPT基于自主AI机制工作，将任务分解为多个子任务，并创建不同的AI代理来满足和完成这些任务。

这些人工智能代理包括：

• 任务创建代理
  ：当您向 Auto-GPT 提供目标时，第一个与您交互以启动处理任务的过程的代理是任务创建代理。该代理根据您的最终目标创建任务列表以及实现这些目标的步骤，并将其发送给优先级代理。
• 任务优先级代理
  ：一旦优先级代理收到任务列表，它会确保其正确的顺序具有逻辑意义并将其发送到执行代理。
• 任务执行代理
  ：一旦设置了子任务优先级，执行代理就开始一一完成这些任务，利用互联网、GPT-4 和完成任务所需的其他工具。

如果任务未完成，这三个代理还会相互通信。

例如，一旦执行代理完成了步骤，但结果不符合预期，它就会与任务创建代理进行通信，任务创建代理可以创建一个新的任务列表来满足最终目标。此过程在所有三个代理之间创建交互循环，直到它们可以生成用户定义的输出。

当这些人工智能代理执行任务时，他们的操作会显示在用户界面上，分为四个类别，即：

• 想法：人工智能代理在完成每项任务后分享他们的想法。
• 推理：人工智能代理解释其行为背后的推理，回答执行每个步骤背后的原因。
• 计划：系统然后提供完成给定任务的战略计划。
• 批评：然后系统会提供批评，允许人工智能代理克服错误并纠正错误（如果有）。

因此，这种计算流程使 Auto-GPT 能够深入了解解决特定问题的步骤并纠正错误，而无需人工干预。

2.3 安装AutoGPT的依赖环境

以下是在计算机上安装Auto-GPT的关键要求：

➡️ 适用计算机：
您不需要一台先进或功能强大的计算机，但一台具备基本性能的计算机即可安装Auto-GPT，因为大多数繁重的工作由云上的OpenAI API执行。

➡️ Python版本：
安装Auto-GPT需要Python 3.8或更高版本。

➡️ GPT-4 API访问：
为了获得更出色的性能、推理能力，并降低生成虚假信息的风险，您需要访问GPT-4 API。

➡️ Git：
安装过程中需要Git，确保已安装并配置。

➡️ Visual Studio Code：
推荐使用Visual Studio Code作为集成开发环境，以便更便捷地进行代码编辑和管理。

➡️ OpenAI API密钥：
为了使用Auto-GPT，您需要获得OpenAI API密钥。确保您的密钥有效并按照安装过程中的指导进行正确配置。

这些要求将确保您能够顺利安装和使用Auto-GPT，充分发挥其强大的文本生成能力。

2.4 如何安装AutoGPT

与ChatGPT等只需简单登录即可访问和使用的工具不同，使用Auto-GPT需要进行本地设备上的多个软件安装，以满足其运行的要求。

因此，如果您希望充分利用Auto-GPT的功能，请按照以下步骤在本地设备上安装该工具。

2.4.1 安装必备软件

Auto-GPT的安装涉及到三个主要软件：Python、Git和Visual Studio Code。

2.4.2 下载AutoGPT源代码

前往最新的
GitHub Auto-GPT 发布页面
，向下滚动并单击“源代码 (zip)”链接以下载 zip 文件。

现在解压缩此 zip 文件并复制 Auto-GPT 文件夹，将其粘贴到您所需的位置或硬盘驱动器上。 同时，您可以从 GitHub Auto-GPT 发布页面复制项目的链接。为此，请单击窗口左侧的“代码” ，然后再次单击绿色的“代码”按钮。然后，复制屏幕上提示的 HTTPS URL。

2.4.3 安装Python

打开 Visual Code Studio 并在 VCS 编辑器中打开 Auto-GPT 文件。单击“打开文件夹”链接并在编辑器中打开 Auto-GPT 文件夹。

为了尽可能轻松地使用存储库提供的所有工具，存储库的根目录中包含一个 CLI：

$ ./run

Usage: cli.py [OPTIONS] COMMAND [ARGS]...



Options:--help Show this message andexit.



Commands:

agent Commands to create, startandstop agents

arena Commands to enter the arena

benchmark Commands to start the benchmarkand list tests andcategories

setup Installs dependencies neededfor your system.

只需克隆存储库，使用 安装依赖项./run setup，就可以开始了！

2.4.4 重命名配置文件

当您在 VCS 编辑器中向上滚动文件列表时，您将看到 .env.template 文件。右键单击该文件，然后单击“重命名”选项。通过删除“.template”来重命名该文件。

最后，配置好OPENAI_API_KEY就可以启动AutoGPT了。

3.AutoGPT与ChatGPT

尽管ChatGPT和Auto-GPT都是由OpenAI训练的大型语言模型（LLM），但它们在服务不同目的的同时也存在一些区别。这两种工具分别在不同的数据集上训练，并针对执行不同任务进行了优化。

以下是Auto-GPT与ChatGPT的几个区别：

1.训练数据

ChatGPT 主要基于从网络、社交媒体帖子、书籍、博客和文章检索的大量文本进行训练。因此，它在理解人类语言方面更有能力、更通用。

另一方面，Auto-GPT 是在来自 StackOverflow、GitHub 和类似代码存储库的大量代码集合上进行训练的。该训练数据集使 Auto-GPT 专门用于理解编程语言、结构和语法。

因此，由于 Auto-GPT 对特定代码的编写方式有更深入的了解，因此它可以生成准确且高效的代码，从而加快组织的代码开发过程并降低软件错误的风险。

2.实时洞察

ChatGPT 最新的 GPT-4 模型是在相同的 GPT-3.5 数据上训练的；然而，它只到2021年9月。因此，ChatGPT无法提供最新信息和实时见解，因为它不允许您访问在线平台或网站来提取信息。

相反，Auto-GPT提供访问互联网、联网搜索、验证数据源是否合法的功能。此外，Auto-GPT 可以访问任何网站或在线平台来执行给定任务。例如，根据您向 Auto-GPT 提供的目标，它可以进入星巴克网站并订购您的饮料，还可以根据指示起草电子邮件并将其发送给潜在客户。

3.文字转语音

Auto-GPT 允许您通过在命令行中键入命令python -m autogpt -speak来启用文本转语音。但是，每次您希望通过语音与 Auto-GPT 交互时，它都要求您输入此命令。

4.图像生成

与 ChatGPT 等 AI 模型不同，Auto-GPT 可以生成图像，因为该工具使用 DALL-E。您必须提供对 DALL-E 的 API 访问权限，才能为您的 AI 代理启用图像生成功能。

5.优化

OpenAI 优化了 ChatGPT，以实现生成类似人类的文本输出的连贯性和自然性，而 Auto-GPT 则针对代码生成的速度和准确性进行了优化，从而减少了时间以及软件中的错误和漏洞。

6.应用领域

您可以使用 Auto-GPT 执行代码优化、自动代码完成和代码摘要等任务。另一方面，ChatGPT 广泛用于完成文本生成、语言翻译和聊天机器人等任务。因此，ChatGPT 的应用程序专注于提高机器与人类之间的效率和通信，而 Auto-GPT 的应用程序专注于提高代码开发过程的准确性和效率。

4.自动 GPT 的优点

Auto-GPT 是一种以最少的人力输入生成高质量输出的工具，与传统人工智能聊天机器人相比，具有多种优势，包括：

1. 无缝定制：您可以根据您的特定业务或行业需求轻松定制 Auto-GPT。开发人员可以轻松修改源代码以改进现有功能，或将新功能添加到相关的产品内容中，并根据目标受众和项目的需求进行定制。
2. 自主性： Auto-GPT 的自主性是其最独特的功能之一，使其与其他传统人工智能机器人区分开来。由于它可以自行识别完成目标所需的提示以提供高质量的输出，因此 Auto-GPT 成为高度可靠且高效的人工智能工具。
3. 速度： Auto-GPT 可以轻松分析大量数据并比人类更快地生成准确的结果。
4. 灵活性： Auto-GPT可以学习新技能并执行广泛的任务；因此，它不仅仅局限于特定的任务或领域，使其成为一个高度通用的工具。
5. 一致性： Auto-GPT 可以在多个内容片段中保持风格、语气和语音的一致性。此功能使 Auto-GPT 成为企业和机构定期生成大量内容的出色工具。

5.总结

Auto-GPT是一种多功能的创新工具，极大地改变了我们与人工智能模型的互动方式。其引入了多样化的用例，使我们能够以更迅速的速度执行任务，并且具备更高的准确性和效率。

这一特性使得Auto-GPT在希望生成准确、迅速代码的人工智能爱好者和代码开发人员中成为理想的工具。其优越的文本生成能力不仅简化了创作过程，还提高了任务执行的效率，为用户提供了一种更智能、更便捷的体验。

6.结束语

这篇博客就和大家分享到这里，如果大家在研究学习的过程当中有什么问题，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！

另外，博主出书了《Kafka并不难学》和《Hadoop大数据挖掘从入门到进阶实战》，喜欢的朋友或同学， 可以在公告栏那里点击购买链接购买博主的书进行学习，在此感谢大家的支持。关注下面公众号，根据提示，可免费获取书籍的教学视频。

总结/朱季谦

在日常开发或者编程当中，经常需要用到redis集群，若是按照传统的方式，一个机器一个机器搭建，难免过于繁琐，故而可以通过dock er-compose编排方式，快速搭建。我在搭建过程当中，将操作记录下来，方便以后需要搭建三主三从节点时，可以基于以前的成功经验，快速搭建起来。

一、环境准备

准备三台机器，在每台机器上，计划安装一个Redis主节点和一个Redis从节点。

二、文件准备

2.1、创建Redis节点目录

分别在192.168.31.130、192.168.31.131、192.168.31.132机器上，执行以下命令，创建Redis主从节点文件目录——

for dir in redis-master/data redis-slave/data; do mkdir -p "/opt/docker/redis-cluster/$dir";done

2.2、创建节点配置文件redis.conf

分别在192.168.31.130、192.168.31.131、192.168.31.132机器上的/opt/docker/redis-cluster/redis-master/与/opt/docker/redis-cluster/redis-slave/目录下，创建一个redis.conf文件，文件内容包括以下属性——

port 6379 #指定 Redis 服务器监听的端口号，这是客户端与 Redis 服务器进行通信的端口。
save 900 1#在给定时间间隔内有多少次写操作时，Redis 将执行自动的快照（生成 RDB 文件）。
save 300 10
save 60 10000
dbfilename dump.rdb#指定生成的 RDB 文件的名称。
dir /data #指定持久化文件的存储目录。
appendonly yes #启用 AOF（Append-Only File）持久化模式。
appendfilename "appendonly.aof" #指定 AOF 文件的名称。
appendfsync everysec #控制 AOF 缓冲区的内容何时同步到硬盘。这里的选项 everysec 表示每秒同步一次
cluster-enabled yes #启用 Redis 集群功能。
cluster-config-file nodes.conf #指定保存集群拓扑信息的配置文件名。
cluster-node-timeout 5000 #设置节点间通信的超时时间，单位为毫秒。

快捷指令，直接在linux运行——

for dir in redis-master redis-slave; do 
 if [ "$dir" == "redis-master" ]; then
    port=6379
  elif [ "$dir" == "redis-slave" ]; then
    port=6380
  fi
echo "port $port 
save 900 1
save 300 10
save 60 10000
dbfilename dump.rdb
dir /data 
appendonly yes 
appendfilename "appendonly.aof" 
appendfsync everysec 
cluster-enabled yes 
cluster-config-file nodes.conf 
cluster-node-timeout 5000" > /opt/docker/redis-cluster/$dir/redis.conf;done

运行完成后，在/opt/docker/redis-cluster/redis-master/以及/opt/docker/redis-cluster/redis-slave/生成一个data目录和一个redis.conf文件——

redis.conf文件里内容就是前面设置的。

三、编写docker-compose.yml编排文件

分别在三台机器的/opt/docker/redis-cluster/目录下，创建docker-compose.yml文件，内容如下：

version: '3.1'
services:
  redis-master:
    image: redis:5.0.8
    container_name: redis-master
    restart: always
    network_mode: "host" 
    volumes:
    - /opt/docker/redis-cluster/redis-master/data:/data
    - /opt/docker/redis-cluster/redis-master/redis.conf:/usr/local/etc/redis/redis.conf
    command: ["redis-server","/usr/local/etc/redis/redis.conf"]
  redis-slave:
    image: redis:5.0.8
    container_name: redis-slave
    restart: always
    network_mode: "host" 
    volumes:
      - /opt/docker/redis-cluster/redis-slave/data:/data
      - /opt/docker/redis-cluster/redis-slave/redis.conf:/usr/local/etc/redis/redis.conf
    command: [ "redis-server","/usr/local/etc/redis/redis.conf" ]

完成后，执行指令docker-compose up -d——

执行指令docker ps -a查看一下容器是否已经正常运行，如下现实证明没有问题——

四、执行指令组建redis集群

4.1、任意一台机器上，执行以下指令，进入到docker容器当中——

docker exec -it redis-master bash #redis-master对应的是docker ps -a查看到的容器名redis-master

4.2、创建集群

redis-cli --cluster create  192.168.31.130:6379  192.168.31.130:6380  192.168.31.131:6379 192.168.31.131:6380 192.168.31.132:6379 192.168.31.132:6380 --cluster-replicas 1

执行完成后，打印日志如下——

执行指令后，会出现提示“Can I set the above configuration? (type 'yes' to accept):”，这里输入yes，回车。出现以下情况话，就是已经成功创建redis集群了——

可以通过以下指令进入到redis客户端，查看集群情况——

root@hadoop1:/data# redis-cli -c -h 192.168.31.130 -p 6379

然后，执行指令cluster info查看集群状况，显示cluster_state:ok则表示集群已经正常创建。

当然，可以进一步通过cluster nodes指令，查看各节点状况，已经是三主三从的集群状况了——

以上，就是整个集群搭建过程。

若是之前没有玩过Docker的朋友，可以参考我之前的一篇Docker搭建记录文章《
CentOS7安装Docker遇到的问题笔记
》

Kernel Memory 入门系列：Semantic Kernel 插件

Kernel Memory 本身提供了完整的RAG能力，这部分能力如果通过Semantic Kernel Memory的话，也是可以实现的，但是整体的管理成本会比较高。
因此通过Kernel Memory 构建知识库管理，然后通过插件的方式，将Kernel Memory接入到Semantic Kernel 中，这样就可以有效的提升整体的使用效率。

初始化插件

首先需要在Semantic Kernel 的项目中添加对应的Kernel Memory的Semantic Kernel Plugin包。

dotnet add package Microsoft.KernelMemory.SemanticKernelPlugin

然后就取出构建KernelMemory，构建的步骤和之前的方式一样，也可以使用Kernel Memory Service的 WebClient.

var memory = new KernelMemoryBuilder()
               //...
                 .Build<MemoryServerless>();
// OR

var memory = new MemoryWebClient("http://127.0.0.1:9001"); 

完成构建之后就可以Semantic Kernel 中导入插件了。

var memoryPlugin = kernel.ImportPluginFromObject(new MemoryPlugin(memory), "memory");

如果直接使用Kernel Memory Service的话，也可以通过快捷方式直接构建。

var memoryPlugin = kernel.ImportPluginFromObject(new MemoryPlugin("http://127.0.0.1:9001"), "memory");

如果有使用其中的ApiKey参数的话，也可以参考其中的参数说明进行配置。

另外还可以指定默认的 Index 和文档的 tags。

new MemoryPlugin(memory,
        defaultIndex: "default",
        defaultRetrievalTags: 
            new TagCollection()
            {
                {"user", "xbotter"}
            }
        );

插件的功能

MemoryPlugin 本身提供了近乎完整的Kernel Memory的功能，包括：

• Save
• SaveFile
• SaveWebPage
• Search
• Ask
• Delete
• WaitForDocumentReadiness

也就意味着如果在Semantic Kernel 中，通过插件功能的编排，可以实现动态的知识库管理。

当然也可以通过 plugin 直接调用其中的方法例如：

    var context = new KernelArguments
    {
        [MemoryPlugin.FilePathParam] = DocFilename,
        [MemoryPlugin.DocumentIdParam] = "NASA001"
    };
    await memoryPlugin["SaveFile"].InvokeAsync(kernel, context);

插件的使用

导入到Semantic Kernel 中的插件可以通过在提示词函数中直接使用，最常见的就是在提示词中使用
Ask
方法和
Search
方法。

var skPrompt = """
                Question to Kernel Memory: {{$input}}

                Kernel Memory Answer: {{memory.ask $input}}

                If the answer is empty say 'I don't know' otherwise reply with a preview of the answer, truncated to 15 words.
               """;

var askFunction = kernel.CreateFunctionFromPrompt(skPrompt);

和直接使用 MemoryClient 一样，调用 memory.ask 方法可以直接获取 Kernel Memory的回答，构成提示词的一部分。

如果只是需要检索相关的文档的话，可以使用
Search
方法。

var skPrompt = """
                Facts:
                {{memory.search $input}}
                ======
                Given only the facts above, provide a comprehensive/detailed answer.
                You don't know where the knowledge comes from, just answer.
                If you don't have sufficient information, reply with 'I don't know'.
                Question: {{$input}}
                Answer: 
                """;
var searchFunction = kernel.CreateFunctionFromPrompt(skPrompt);

这里其实就相当于是使用 PromptFunction 替换了 KernelMemory中的Ask方法。

另外其中的一些参数都可以通过
KernelArguments
进行配置，例如：

var args = new KernelArguments
{
    [MemoryPlugin.IndexParam ] = "default",
    [MemoryPlugin.LimitParam] = "10",
    [MemoryPlugin.MinRelevanceParam] = "0"
};

最后就是Kernel Function 的调用了：

var question = "any question";
var answer = await askFunction.InvokeAsync(kernel, question);

 // or 

args["input"] = question;
var result = await kernel.InvokeAsync(searchFunction,args);

参考

• SemanticKernelPlugin

2024，新年快乐