AdalFlow

⚡ Die Bibliothek zum Erstellen und Autooptimieren von LLM-Anwendungen ⚡ ⚡

Alle Dokumentation | Modelle | Retrievers | Agenten | LLM -Bewertung | Trainer & Optimierer

Für KI -Forscher, Produktteams und Software -Ingenieure, die den KI -Weg lernen möchten.

Schneller Start

Installieren Sie Adalflow mit PIP:

pip install adalflow

Weitere Informationen finden Sie im vollständigen Installationshandbuch.

• Probieren Sie das Gebäude QuickStart in Colab aus, um zu sehen, wie Adalflow die Task -Pipeline erstellen kann, einschließlich Chatbot, Rag, Agent und strukturierter Ausgabe.
• Versuchen Sie den Optimization QuickStart, um zu sehen, wie Adalflow die Task -Pipeline optimieren kann.

Warum Adalflow

1. Adalflow ist leistungsfähig, modular und robust. Adalflow bietet Model-agnostic Bausteine ​​zum Erstellen von LLM-Taskpipelines, die von Lappen, Agenten bis hin zu klassischen NLP-Aufgaben wie Textklassifizierung und benannter Entitätserkennung reichen. Es ist einfach, nur mit manueller Aufforderung eine hohe Leistung zu erzielen.
2. AdalFlow bietet ein einheitliches automatisches Differentiativ-Framework sowohl für die Null-Shot-Eingabeaufforderungoptimierung als auch für wenige Schussoptimierung. Es fördert die vorhandene automatische Optimierungsforschung, einschließlich Text-Grad und DsPy . Durch unsere Forschung, Text-Grad 2.0 und Learn-to-Reason Few-shot In Context Learning erreicht der Adalflow- Trainer die höchste Genauigkeit und ist der tokeneffizienteste.

Hier finden Sie eine Optimierungsdemonstration einer Textklassifizierungsaufgabe:

Unter allen Bibliotheken erreichte Adalflow die höchste Genauigkeit mit manueller Aufforderung (ab 82%) und die höchste Genauigkeit nach der Optimierung.

Weitere Lektüre: Klassifizierung optimieren

Licht-, modular- und Modell-agnostische Taskpipeline

LLMs sind wie Wasser; Adalflow helfen Ihnen bei der schnellen Formung von Anwendungen, von Genai -Anwendungen wie Chatbots, Übersetzung, Zusammenfassung, Codegenerierung, Lappen und autonomen Agenten bis hin zu klassischen NLP -Aufgaben wie Textklassifizierung und benannter Entitätserkennung.

Adalflow verfügt über zwei grundlegende, aber leistungsstarke Basisklassen: Component für die Pipeline und DataClass für die Dateninteraktion mit LLMs. Das Ergebnis ist eine Bibliothek mit minimaler Abstraktion, die den Entwicklern eine maximale Anpassungsfähigkeit bietet.

Sie haben die vollständige Kontrolle über die Eingabeaufforderungsvorlage, das von Ihnen verwendete Modell und die Ausgabe an Ihre Task -Pipeline.

Viele Anbieter und Modelle, die über dieselbe Schnittstelle zugänglich sind:

Alle verfügbaren Modellanbieter

Weitere Lektüre: Wie wir anfingen, Designphilosophie und Klassenhierarchie.

Einheitlicher Framework für die automatische Optimierung

Adalflow bietet tokeneffiziente und leistungsstarke Eingabeaufforderungoptimierung innerhalb eines einheitlichen Frameworks. Um Ihre Pipeline zu optimieren, definieren Sie einfach einen Parameter und geben Sie ihn an Generator von Adalflow weiter. Unabhängig davon, ob Sie Aufgabenanweisungen optimieren oder einige wenige Schussdemonstrationen ausführen müssen, bietet das einheitliche Framework von Adalflow eine einfache Möglichkeit, Ihre Pipeline zu diagnostizieren , zu visualisieren , zu debuggen und zu trainieren .

Dieser dynamische Berechnungsdiagramm zeigt, wie unsere automatische Differenzierung und die dynamische Berechnungsgrafik funktionieren.

Adalflow ist nicht manuell definierte Knoten und Kanten, sondern verfolgt das Berechnungsdiagramm für Sie automatisch.

Trainingbare Aufgabenpipeline

Definieren Sie es einfach als Parameter und geben Sie es an Generator von Adalflow weiter.

Adalcomponent & Trainer

AdalComponent fungiert als "Dolmetscher" zwischen Task -Pipeline und Trainer, definiert Trainings- und Validierungsschritte, Optimierer, Evaluatoren, Verlustfunktionen, Rückwärtsmotor für Textgradienten oder Verfolgung der Demonstrationen, dem Lehrergenerator.

Dokumentation

ADALFLOW Vollständige Dokumentation erhältlich bei adalflow.sylph.ai:

• Wie wir angefangen haben
• Einführung
• Vollständiger Installationshandbuch
• Designphilosophie
• Klassenhierarchie
• Tutorials
• Unterstützte Modelle
• Unterstützte Retriever
• API -Referenz

Adalflow: Eine Hommage an Ada Lovelace

Adalflow ist zu Ehren von Ada Lovelace benannt, dem wegweisenden weiblichen Mathematiker, der erstmals erkannte, dass Maschinen nur Berechnungen übergehen könnten. Als Team, das von einer Gründerin geleitet wird, wollen wir mehr Frauen dazu inspirieren, Karrieren in der KI zu verfolgen.

Community & Mitwirkende

Der Adalflow ist ein Community-gesteuertes Projekt, und wir begrüßen alle, die uns mit uns die Zukunft von LLM-Anwendungen aufbauen.

Treten Sie unserer Discord -Community bei, um Fragen zu stellen, Ihre Projekte zu teilen und Updates zu Adalflow zu erhalten.

Um einen Beitrag zu leisten, lesen Sie bitte unseren Mitwirkendenhandbuch.

Mitwirkende

Anerkennung

Viele vorhandene Werke inspirierten die Adalflow Library sehr! Hier ist eine nicht exexhustive Liste:

• Pytorch für Designphilosophie und Designmuster von Component , Parameter , Sequential .
• Micrograd: Ein winziger Autograd-Motor für unsere automatisch-differentiative Architektur.
• Textverschluss für den Textual Gradient Descent Optimierer des Textverlaufs.
• DSPY für die Inspiration der __{input/output}__fields in unserem DataClass und den Bootstrap Few-Shot-Optimierer.
• OPRO zum Hinzufügen früherer Textanweisungen sowie der Genauigkeit im Textoptimierer.
• Pytorch Lightning für das AdalComponent und Trainer .

Zitat

 @software { Yin2024AdalFlow ,
  author = { Li Yin } ,
  title = { {AdalFlow: The Library for Large Language Model (LLM) Applications} } ,
  month = { 7 } ,
  year = { 2024 } ,
  doi = { 10.5281/zenodo.12639531 } ,
  url = { https://github.com/SylphAI-Inc/AdalFlow }
}