openagi

Openagi

Die Entwicklung autonomer menschenähnlicher Agenten für alle zugänglich machen

OpenAgi zielt darauf ab, menschliche Agenten für alle zugänglich zu machen und so den Weg zu offenen Agenten und schließlich Agi für alle zu ebnen. Wir glauben fest an die transformative Kraft der KI und sind zuversichtlich, dass diese Initiative erheblich zur Lösung vieler Probleme im wirklichen Leben beitragen wird. Derzeit soll OpenAgi Entwicklern einen Rahmen für die Schaffung autonomer menschlicher Agenten bieten.

Treten Sie unserer Discord -Community bei!

Installation

1. Richten Sie eine virtuelle Umgebung ein.

 # For Mac and Linux users
python3 -m venv venv
source venv/bin/activate

# For Windows users
python -m venv venv
venv/scripts/activate

2. Installieren Sie den OpenAgi

pip install openagi

oder

 git clone https://github.com/aiplanethub/openagi.git
pip install -e .

Beispiel (Manual Agent Execution)

Arbeiter werden verwendet, um eine Multi-Agent-Architektur zu erstellen.

Befolgen Sie dieses Beispiel, um einen Trip Planer -Agenten zu erstellen, mit dem Sie die Reiseroute für SF planen können.

 from openagi . agent import Admin
from openagi . planner . task_decomposer import TaskPlanner
from openagi . actions . tools . ddg_search import DuckDuckGoSearch
from openagi . llms . openai import OpenAIModel
from openagi . worker import Worker

plan = TaskPlanner ( human_intervene = False )
action = DuckDuckGoSearch

import os
os . environ [ 'OPENAI_API_KEY' ] = "sk-xxxx"
config = OpenAIModel . load_from_env_config ()
llm = OpenAIModel ( config = config )

trip_plan = Worker (
        role = "Trip Planner" ,
        instructions = """
        User loves calm places, suggest the best itinerary accordingly.
        """ ,
        actions = [ action ],
        max_iterations = 10 )

admin = Admin (
    llm = llm ,
    actions = [ action ],
    planner = plan ,
)
admin . assign_workers ([ trip_plan ])

res = admin . run (
    query = "Give me total 3 Days Trip to San francisco Bay area" ,
    description = "You are a knowledgeable local guide with extensive information about the city, it's attractions and customs" ,
)
print ( res )

Beispiel (autonome Multi-Agent-Ausführung)

Lassen Sie uns jetzt einen Sportagenten bauen, der ohne Arbeitnehmer autonom ausgeführt werden kann.

 from openagi . planner . task_decomposer import TaskPlanner
from openagi . actions . tools . tavilyqasearch import TavilyWebSearchQA
from openagi . agent import Admin
from openagi . llms . gemini import GeminiModel

import os
os . environ [ 'TAVILY_API_KEY' ] = "<replace with Tavily key>"
os . environ [ 'GOOGLE_API_KEY' ] = "<replace with Gemini key>"
os . environ [ 'Gemini_MODEL' ] = "gemini-1.5-flash"
os . environ [ 'Gemini_TEMP' ] = "0.1"

gemini_config = GeminiModel . load_from_env_config ()
llm = GeminiModel ( config = gemini_config )

# define the planner
plan = TaskPlanner ( autonomous = True , human_intervene = True )

admin = Admin (
    actions = [ TavilyWebSearchQA ],
    planner = plan ,
    llm = llm ,
)
res = admin . run (
    query = "I need cricket updates from India vs Sri lanka 2024 ODI match in Sri Lanka" ,
    description = f"give me the results of India vs Sri Lanka ODI and respective Man of the Match" ,
)
print ( res )

Langzeitgedächtnis wie nie zuvor

Mit LTM können Openagi -Agenten jetzt:

• Erinnern Sie sich an frühere Interaktionen, um Kontinuität in Gesprächen zu bieten.
• Lernen und anpassen basierend auf den Benutzereingaben im Laufe der Zeit.
• Liefern Sie kontextbezogene Antworten, indem Sie frühere Gespräche verweisen.
• Verbessern Sie ihre Genauigkeit und Effizienz mit jeder aufeinanderfolgenden Interaktion.

 import os
from openagi . agent import Admin
from openagi . llms . openai import OpenAIModel
from openagi . memory import Memory
from openagi . planner . task_decomposer import TaskPlanner
from openagi . worker import Worker
from openagi . actions . tools . ddg_search import DuckDuckGoSearch

memory = Memory ( long_term = True )

os . environ [ 'OPENAI_API_KEY' ] = "-"
config = OpenAIModel . load_from_env_config ()
llm = OpenAIModel ( config = config )

web_searcher = Worker (
    role = "Web Researcher" ,
    instructions = """
    You are tasked with conducting web searches using DuckDuckGo.
    Find the most relevant and accurate information based on the user's query.
    """ ,
    actions = [ DuckDuckGoSearch ], 
)

admin = Admin (
    actions = [ DuckDuckGoSearch ],
    planner = TaskPlanner ( human_intervene = False ),
    memory = memory ,
    llm = llm ,
)
admin . assign_workers ([ web_searcher ])

query = input ( "Enter your search query: " )
description = f"Find accurate and relevant information for the query: { query } "

res = admin . run ( query = query , description = description )
print ( res )

Dokumentation

Weitere Fragen finden Sie unter OpenAgi unter OpenAgi.aiplanet.com

Anwendungsfälle:

• Bildung: In der Bildung können Agenten personalisierte Lernerfahrungen bereitstellen. Sie passen und passen Lerninhalte an, basierend auf den Fortschritten, Leistung und Interessen des Schülers. Es kann sich auf die Automatisierung verschiedener anderer Verwaltungsaufgaben erstrecken und den Lehrern bei der Verbesserung ihrer Produktivität unterstützen.
• Finanzen und Bankgeschäfte: Finanzdienstleistungen können Agenten zur Erkennung von Betrug, zur Risikobewertung, zur personalisierten Bankberatung, zur Automatisierung des Handels und des Kundendienstes nutzen. Sie helfen bei der Analyse großer Mengen an Transaktionen, um verdächtige Aktivitäten zu identifizieren und maßgeschneiderte Anlageberatung anzubieten.
• Gesundheitswesen: Agenten können eingesetzt werden, um Patienten zu überwachen, personalisierte Gesundheitsempfehlungen zu liefern, Patientendaten zu verwalten und Verwaltungsaufgaben zu automatisieren. Sie können auch bei der Diagnose von Krankheiten beitragen, die auf Symptomen und Anamnese aufgrund von Krankheiten beruhen.

Sich in Verbindung setzen

Für Fragen/Vorschläge/Support verbinden Sie uns unter [email protected]

Beitragsrichtlinien

Openagi gedeiht in der sich schnell entwickelnden Landschaft von Open-Source-Projekten. Wir begrüßen von ganzem Herzen Beiträge in verschiedenen Fähigkeiten, sei es durch innovative Merkmale, verbesserte Infrastruktur oder raffinierte Dokumentation.

Klicken Sie hier, um einen umfassenden Leitfaden zum Beitragsprozess zu erhalten.