AutoGPT Autonomer Agent

Setzen Sie AutoGPT auf Clore.ai ein — betreiben Sie die ursprüngliche autonome KI-Agentenplattform mit Web-Browsing, Code-Ausführung und langfristiger Aufgabenautomatisierung.

Überblick

AutoGPT ist die wegweisende Open-Source-Plattform für autonome KI-Agenten, mit 175K+ GitHub-Sternen — eines der am meisten mit Sternen versehenen Repositories auf GitHub. Ursprünglich ein Python-CLI-Tool, das 2023 viral ging, hat sich AutoGPT zu einer voll ausgestatteten Plattform mit Web-Frontend, visuellem Workflow-Builder, Multi-Agent-Orchestrierung und einer sich selbst verbessernden Agenten-Benchmark-Suite entwickelt.

Die aktuelle AutoGPT-Plattform besteht aus:

• Frontend — Next.js visueller Agenten-Builder (Port 3000)

• Backend / API — FastAPI-Service, der die Agentenausführung übernimmt (Port 8000)

• Agenten-Ausführer — Python-Worker, die autonome Aufgaben-Schleifen ausführen

• Postgres — persistenter Speicher für Agentenzustand und Ausführungen

• Redis — Job-Queue und Pub/Sub

• Minio — S3-kompatibler Objektspeicher für Agenten-Artefakte

An Clore.ai, AutoGPT läuft vollständig auf der CPU (es delegiert LLM-Aufrufe an Cloud-APIs), wodurch es erschwinglich ist bei 0,05–0,20 $/Std.. Optional können lokale Modelle über die OpenAI-kompatible Provider-Unterstützung integriert werden.

Wesentliche Funktionen:

• 🤖 Autonome Agenten — Agenten zerlegen Aufgaben in Teilziele und führen sie iterativ aus

• 🌐 Web-Browsing — Agenten können das Web durchsuchen, Seiten scrapen und Informationen synthetisieren

• 💻 Code-Ausführung — sandboxed Python-Ausführungsumgebung für Coding-Agenten

• 📁 Dateioperationen — lesen, schreiben und verwalten von Dateien als Teil der Aufgabenausführung

• 🔗 Multi-Agent — spezialisierte Unteragenten erzeugen und hierarchisch orchestrieren

• 🧠 Langzeitgedächtnis — vektorbasiertes Gedächtnis, das über Sitzungen hinweg persistiert

• 📈 Agenten-Benchmarking — eingebaute AgentBenchmark-Suite zur Bewertung der Agentenleistung

---

Anforderungen

Die Compute-Anforderungen von AutoGPT hängen davon ab, ob Sie Cloud-LLM-APIs (Standard) oder lokale Modelle verwenden. Die Plattform selbst ist leichtgewichtig.

Konfiguration	GPU	VRAM	System-RAM	Festplatte	Clore.ai-Preis
Minimal (Cloud-APIs)	Keine / CPU	—	4 GB	20 GB	~0,05 $/Std. (CPU)
Standard	Keine / CPU	—	8 GB	40 GB	~0,08 $/Std.
Empfohlen	Keine / CPU	—	16 GB	60 GB	~0,12 $/Std.
+ Lokales LLM (Ollama)	RTX 3090	24 GB	16 GB	80 GB	~$0.20/Stunde
+ Großes lokales LLM	A100 40 GB	40 GB	32 GB	100 GB	~0,80 $/Std.

Hinweis: AutoGPT verwendet standardmäßig API-basierte LLMs (OpenAI GPT-4, Anthropic Claude usw.). Eine GPU ist nur nützlich, wenn Sie einen lokalen Modellendpunkt über Ollama oder einen anderen OpenAI-kompatiblen Server konfigurieren.

API-Schlüssel erforderlich

Sie benötigen mindestens einen der folgenden:

• OpenAI-API-Schlüssel (GPT-4o empfohlen für beste Agentenleistung)

• Anthropic-API-Schlüssel (Claude 3.5 Sonnet ist ausgezeichnet für Agenten)

• Google AI-Schlüssel (Gemini-Modelle unterstützt)

---

Schnellstart

1. Miete einen Clore.ai-Server

Melden Sie sich an bei clore.ai und starten Sie einen Server mit:

• 2+ CPU-Kerne, 8 GB RAM Minimum

• Freigegebene Ports 8000 (Backend-API) und 3000 (Frontend)

• SSH-Zugriff aktiviert

• 20+ GB Festplattenspeicher

2. Verbinden Sie sich mit dem Server

ssh root@<clore-server-ip> -p <ssh-port>

# Pakete aktualisieren
apt-get update && apt-get upgrade -y

# Docker und Compose überprüfen
docker --version
docker compose version   # Muss v2.x sein

3. AutoGPT klonen und konfigurieren

# Repository klonen
git clone https://github.com/Significant-Gravitas/AutoGPT.git
cd AutoGPT/autogpt_platform

# Umgebungs-Template kopieren
cp .env.example .env

# Die Umgebungsdatei bearbeiten
nano .env

4. Erforderliche Umgebungsvariablen setzen

# Minimum erforderlich in .env:

# ── LLM Provider (wählen Sie mindestens einen) ────────────────────────────────────────
OPENAI_API_KEY=sk-...
# ANTHROPIC_API_KEY=sk-ant-...

# ── Geheime Schlüssel (DIESE ÄNDERN) ──────────────────────────────────────────────
APP_SECRET_KEY=$(openssl rand -hex 32)
JWT_SECRET_KEY=$(openssl rand -hex 32)

# ── Datenbank ─────────────────────────────────────────────────────────────────
DATABASE_URL=postgresql://postgres:password@db:5432/autogpt

# ── Backend-URL (auf Ihre Clore-Server-IP setzen) ────────────────────────────────
NEXT_PUBLIC_AGPT_SERVER_URL=http://<clore-server-ip>:8000/api

5. Build und Start

# Images bauen und alle Services starten (erster Lauf dauert 5–10 Minuten)
docker compose up -d --build

# Build- und Startfortschritt beobachten
docker compose logs -f

# Nach dem Start überprüfen, ob alle Container laufen
docker compose ps

6. Überprüfen, ob Services gesund sind

# Jeden Service prüfen
docker compose ps

# Erwartete laufende Services:
# autogpt_platform-db-1        Up (healthy)
# autogpt_platform-redis-1     Up
# autogpt_platform-minio-1     Up
# autogpt_platform-backend-1   Up
# autogpt_platform-frontend-1  Up
# autogpt_platform-executor-1  Up

# Backend-API testen
curl http://localhost:8000/api/health
# Erwartet: {"status": "ok"}

7. Auf AutoGPT zugreifen

Öffnen Sie Ihren Browser:

• Frontend: http://<clore-server-ip>:3000

• Backend-API: http://<clore-server-ip>:8000

• API-Dokumentation (Swagger): http://<clore-server-ip>:8000/docs

Erstellen Sie ein Konto im Frontend, konfigurieren Sie Ihren LLM-Provider in den Einstellungen und beginnen Sie mit dem Erstellen von Agenten.

---

Konfiguration

Vollständig .env Referenz

# ── Anwendung ──────────────────────────────────────────────────────────────
ENVIRONMENT=production
APP_SECRET_KEY=<mit-openssl-rand-hex-32-generieren>
JWT_SECRET_KEY=<mit-openssl-rand-hex-32-generieren>
ALLOWED_ORIGINS=http://<clore-server-ip>:3000

# ── LLM-Provider ────────────────────────────────────────────────────────────
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
GROQ_API_KEY=gsk_...

# ── OpenAI-kompatibel (für lokale Modelle via Ollama/vLLM) ────────────────────
OPENAI_API_BASE=http://localhost:11434/v1   # Ollamas OpenAI-kompatibler Endpunkt
OPENAI_API_KEY=ollama                        # Platzhalter-Schlüssel für Ollama

# ── Datenbank ─────────────────────────────────────────────────────────────────
DATABASE_URL=postgresql://postgres:password@db:5432/autogpt
POSTGRES_USER=postgres
POSTGRES_PASSWORD=password    # In Produktion ändern!
POSTGRES_DB=autogpt

# ── Redis (Job-Queue) ────────────────────────────────────────────────────────
REDIS_URL=redis://redis:6379/0

# ── Minio (Objektspeicher) ──────────────────────────────────────────────────
MINIO_ROOT_USER=minioadmin
MINIO_ROOT_PASSWORD=minioadmin   # In Produktion ändern!
MINIO_URL=http://minio:9000

# ── Frontend ─────────────────────────────────────────────────────────────────
NEXT_PUBLIC_AGPT_SERVER_URL=http://<clore-server-ip>:8000/api
NEXTAUTH_SECRET=<mit-openssl-rand-hex-32-generieren>
NEXTAUTH_URL=http://<clore-server-ip>:3000

Anpassen der Agenten-Fähigkeiten

# Web-Browsing-Fähigkeit aktivieren
WEB_BROWSER_ENABLED=true
SELENIUM_CHROME_DRIVER_URL=http://selenium:4444/wd/hub

# Selenium zu docker-compose für Web-Browsing hinzufügen:
# services:
#   selenium:
#     image: selenium/standalone-chrome:latest
#     shm_size: 2gb
#     ports:
#       - "4444:4444"

# Zugriff auf das Dateisystem (Agenten-Arbeitsbereich)
WORKSPACE_PATH=/workspace
RESTRICT_TO_WORKSPACE=true

Verwalten der Skalierung des Agenten-Ausführers

# Executor-Worker für parallele Agentenläufe skalieren
docker compose up -d --scale executor=4

# Executor-Logs überwachen
docker compose logs -f executor

---

GPU-Beschleunigung

AutoGPT delegiert standardmäßig alle LLM-Inferenz an externe Provider. Um lokal GPU-beschleunigte Modelle zu verwenden:

Mit Ollama auf demselben Server verbinden

# Ollama auf dem Clore-Server installieren
curl -fsSL https://ollama.com/install.sh | sh

# Ein leistungsfähiges Modell ziehen (Llama 3 70B benötigt A100, 8B funktioniert auf RTX 3090)
ollama pull llama3:8b
# Für beste Agentenleistung:
ollama pull llama3.1:70b   # Erfordert A100 40GB+

# Ollama für Docker-Container zugänglich machen
OLLAMA_HOST=0.0.0.0 ollama serve &

# OpenAI-kompatiblen Endpunkt testen
curl http://localhost:11434/v1/models

In .env, richten Sie AutoGPT auf Ollama aus:

OPENAI_API_BASE=http://host.docker.internal:11434/v1
OPENAI_API_KEY=ollama
OPENAI_DEFAULT_MODEL=llama3.1:70b

Leistungshinweis: Autonome Agenten führen viele sequentielle LLM-Aufrufe aus. Lokale Modelle auf RTX 3090 (~30 Tok/s) funktionieren, aber A100 80GB ermöglicht schnellere Iteration. Siehe GPU-Vergleich.

Empfehlungen für lokale Modelle für Agenten

Modell	Agentenqualität	VRAM	Clore-GPU
Llama 3 8B	Akzeptabel	8 GB	RTX 3080
Llama 3.1 8B Instruct	Gut	8 GB	RTX 3080
Llama 3.1 70B	Ausgezeichnet	40 GB	A100 40GB
Mixtral 8x7B	Gut	24 GB	RTX 3090
Qwen 2.5 72B	Ausgezeichnet	40 GB	A100 40GB

---

Tipps & bewährte Methoden

Kostenmanagement auf Clore.ai

# Die größte Kostenquelle von AutoGPT sind oft LLM-API-Aufrufe, nicht die Rechenleistung
# Token-Budgetlimits in der Agentenkonfiguration setzen:
# MAX_TOKENS_PER_RUN=100000
# MAX_COST_PER_RUN=1.00   # USD

# Agentenzustand sichern, bevor die Clore-Instanz gestoppt wird
docker exec autogpt_platform-db-1 \
  pg_dump -U postgres autogpt | gzip > autogpt-backup-$(date +%Y%m%d).sql.gz

# Auf lokale Maschine kopieren
scp -P <port> root@<ip>:autogpt-backup-*.sql.gz ./

AutoGPT aktualisieren

cd AutoGPT

# Neueste Änderungen ziehen
git pull origin master

cd autogpt_platform

# Mit neuem Code neu bauen
docker compose down
docker compose up -d --build

# DB-Migrationen ausführen, falls erforderlich
docker compose exec backend alembic upgrade head

Agentenläufe überwachen

# Backend-Logs für Agentenaktivität beobachten
docker compose logs -f backend executor

# Systemressourcen während Agentenläufen überwachen
htop
# oder
docker stats

# Agentenlauf-Historie über API anzeigen
curl http://localhost:8000/api/v1/runs | python3 -m json.tool

Sicherheits-Härtung

# Ports 8000/3000 niemals ohne Auth direkt ins Internet exponieren
# Verwenden Sie Nginx oder Caddy als Reverse-Proxy mit HTTPS:

# Caddyfile:
# autogpt.yourdomain.com {
#     reverse_proxy localhost:3000
# }
# api.autogpt.yourdomain.com {
#     reverse_proxy localhost:8000
# }

# Agentenzugriff auf das Dateisystem einschränken
RESTRICT_TO_WORKSPACE=true
WORKSPACE_PATH=/agent-workspace

# Benutzerregistrierung nach der Erstkonfiguration deaktivieren
ALLOW_SIGNUP=false

Build-Zeiten optimieren

# Der erste Build ist langsam (~10 Min); nachfolgende Builds nutzen den Cache
# BuildKit für schnellere Builds verwenden:
DOCKER_BUILDKIT=1 docker compose up -d --build

# Basis-Images vorab ziehen, um Builds zu beschleunigen
docker pull python:3.11-slim
docker pull node:20-alpine

---

Fehlerbehebung

Build schlägt mit Out-of-Memory-Fehler fehl

# Docker-Build benötigt ausreichend Speicher (4GB+)
# Swap-Speicher hinzufügen, falls nötig:
fallocate -l 8G /swapfile
chmod 600 /swapfile
mkswap /swapfile
swapon /swapfile

# Dauerhaft machen
echo '/swapfile none swap sw 0 0' >> /etc/fstab

Backend gibt 500 / "Database not ready" zurück

# DB-Gesundheit prüfen
docker compose ps db
docker compose logs db

# DB-Migrationen manuell ausführen
docker compose exec backend alembic upgrade head

# Wenn Migrationen fehlschlagen, prüfen Sie DATABASE_URL in .env
docker compose exec backend printenv DATABASE_URL

Frontend zeigt "Failed to connect to backend"

# Überprüfen Sie, ob NEXT_PUBLIC_AGPT_SERVER_URL korrekt gesetzt ist
grep NEXT_PUBLIC_AGPT_SERVER_URL .env

# Muss die öffentliche IP sein, nicht localhost (der Browser macht diese Anfrage)
NEXT_PUBLIC_AGPT_SERVER_URL=http://<clore-server-ip>:8000/api

# Frontend nach Änderung dieser Umgebungsvariablen neu bauen
docker compose up -d --build frontend

Agenten-Ausführer crasht / wird OOM-getötet

# Speicherverbrauch prüfen
docker stats autogpt_platform-executor-1

# Executor-Speicher begrenzen und Neustart-Policy hinzufügen
# In docker-compose.yaml:
#   executor:
#     mem_limit: 2g
#     restart: unless-stopped

# Oder gleichzeitige Agentenläufe reduzieren
MAX_CONCURRENT_RUNS=2

Redis-Verbindung verweigert

# Prüfen, ob Redis läuft
docker compose ps redis
docker compose logs redis

# Konnektivität vom Backend testen
docker compose exec backend redis-cli -h redis ping
# Erwartet: PONG

# Falls Redis Auth erfordert, setzen Sie:
REDIS_URL=redis://:password@redis:6379/0

Agent steckt in einer Schleife fest

# AutoGPT-Agenten können manchmal in Endlosschleifen geraten
# Maximale Zyklusanzahl setzen:
MAX_AGENT_CYCLES=50

# Oder einen laufenden Agenten über die API unterbrechen:
curl -X POST http://localhost:8000/api/v1/runs/<run-id>/stop

---

Weiterführende Lektüre

• Offizielle AutoGPT-Dokumentation

• AutoGPT GitHub-Repository

• AutoGPT Plattform-Einrichtungsanleitung

• Ollama auf Clore.ai ausführen

• vLLM auf Clore.ai ausführen

• Clore.ai GPU-Vergleich

• AutoGPT Discord-Community