fragaria

Fragaria - von 'R in Erdbeer bis zu komplexer Problemlösungski

Fortgeschrittene Kette von Gedanken (COT) Argumentation API mit Verstärkungslernen (RL)

Fragaria ist eine leistungsstarke und flexible Kette von Denkweise (COT) Argumentation -API, die verschiedene Sprachmodellanbieter (LLM) nutzt und RL -Techniken (Verstärkungslernen) einbezieht, um komplexe Probleme zu lösen und komplizierte Fragen zu beantworten. Fragaria wurde nach der botanischen Gattung der Erdbeeren benannt und huldigt den berühmten "Wie viele" in Erdbeere? " Problem, symbolisiert seine Fähigkeit, sowohl einfache als auch komplexe Abfragen mit gleicher Finesse zu bekämpfen.

Inhaltsverzeichnis

• Merkmale
• Installation
• Konfiguration
• Verwendung
• API -Dokumentation
• Beispiele
• Beitragen
• Lizenz

Merkmale

• Support für Multi-Antrieber : Wechseln Sie nahtlos zwischen OpenAI, GROQ und Together.ai als LLM-Anbieter.
• Kette des Denkens : Verwenden Sie ausgefeilte COT -Techniken, um komplexe Probleme zu lösen und zu lösen.
• Verstärkungslernen : Verwenden Sie RL-Algorithmen, um die Problemlösungsstrategien kontinuierlich zu verbessern und sich an neue Herausforderungen anzupassen.
• Adaptives Lernen : Verbessern Sie die Leistung im Laufe der Zeit durch ein in SQLite-basiertes Bewertungssystem, das in RL-Techniken integriert ist.
• Konfigurierbar : Einfach zu update YAML-Konfigurationsdatei für eine flexible Einrichtung von LLM- und RL-Parametern.
• OpenAPI -Dokumentation : Umfassende API -Dokumentation mit der Swagger UI und Redoc.
• CORS-Unterstützung : Integrierte Cross-Origin-Ressourcenfreigabe für eine einfache Integration in Webanwendungen.

Installation

1. Klonen Sie das Repository:

    git clone https://github.com/terraprompt/fragaria.git
   cd fragaria
   

2. Erstellen Sie eine virtuelle Umgebung (optional, aber empfohlen):

    python -m venv venv
   source venv/bin/activate  # On Windows, use `venvScriptsactivate`
   

3. Installieren Sie die erforderlichen Abhängigkeiten:

    pip install -r requirements.txt
   

Konfiguration

1. Kopieren Sie die Datei config.yaml.example in config.yaml :

    cp config.yaml.example config.yaml
   

2. Öffnen Sie config.yaml und aktualisieren Sie die folgenden Einstellungen:

   • Setzen Sie Ihren bevorzugten llm_provider (OpenAI, GROQ oder zusammen)
   • Fügen Sie Ihre API -Schlüssel für die jeweiligen Anbieter hinzu
   • Passen Sie die Modellnamen gegebenenfalls an
   • Ändern Sie bei Bedarf die Datenbankpfad- und Servereinstellungen

Verwendung

1. Starten Sie den Fragaria -API -Server:

    python main.py
   

2. Die API ist unter http://localhost:8000 (oder dem in Ihrer Konfiguration angegebenen Host/Port) erhältlich.

3. Sie können jetzt Postanfragen an http://localhost:8000/v1/chat/completions senden, um die Kette der Denkweise zu verwenden.

API -Dokumentation

Fragaria liefert eine umfassende API -Dokumentation:

• Swagger UI: http://localhost:8000/docs
• Redoc: http://localhost:8000/redoc
• OpenAPI JSON Schema: http://localhost:8000/openapi.json

Beispiele

Hier sind einige Beispielprobleme, die Sie mit Fragaria lösen können:

1. Das klassische Strawberry -Problem:

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " How many 'r's in strawberry? " }
     ]
   }

2. Ein komplexeres altersbedingteres Puzzle:

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " A princess is as old as the prince will be when the princess is twice as old as the prince was when the princess's age was half the sum of their present age. What is the age of prince and princess? Provide all solutions to that question. " }
     ]
   }

Um diese Probleme zu lösen, senden Sie eine Postanforderung an /v1/chat/completions mit den oben genannten JSON -Nutzlasten.

Wie es funktioniert

Fragaria verwendet eine anspruchsvolle Kette von Denkkette (COT) Argumentationsprozess, die durch Verstärkungslernen verstärkt wird:

1. Problemklassifizierung : Kategorisiert das Eingabeproblem in bekannte oder neue Problemtypen.
2. COT -Pfaderzeugung : Erzeugt mehrere Argumentationsansätze für den Problemtyp, beeinflusst von der vergangenen Leistung.
3. Parallele Ausführung : Wendet jeden COT -Pfad gleichzeitig auf das Problem an.
4. Ergebniskombination : synthetisiert die Ergebnisse von verschiedenen Pfaden.
5. Bewertung : Bewertet die Wirksamkeit jedes Ansatzes.
6. Update für Verstärkungslernen : Verwendet die Bewertungsbewertungen als Belohnung, um die RL -Richtlinie zu aktualisieren und zukünftige Pfadauswahlen und Generationen zu beeinflussen.
7. Adaptives Lernen : Aktualisiert die Bewertungsdatenbank und das RL -Modell, um die zukünftige Leistung zu verbessern.

Dieser RL-verstärkte Prozess ermöglicht es Fragaria, nicht nur eine breite Palette von Problemen anzugehen, sondern auch seine Strategien im Laufe der Zeit zu lernen und anzupassen, was immer effizienter darin wird, sowohl bekannte als auch neuartige Problemtypen zu lösen.

Beitragen

Wir begrüßen Beiträge zu Fragaria! Bitte befolgen Sie diese Schritte, um einen Beitrag zu leisten:

1. Geben Sie das Repository auf.
2. Erstellen Sie eine neue Filiale für Ihre Funktion oder Ihre Fehlerbehebung.
3. Nehmen Sie Ihre Änderungen vor und verpflichten Sie sie mit klaren, beschreibenden Nachrichten.
4. Drücken Sie Ihre Änderungen in Ihre Gabel.
5. Senden Sie eine Pull -Anfrage an das Hauptfragaria -Repository.

Bitte stellen Sie sicher, dass Ihr Code die Codierungsstandards des Projekts hält und Tests für neue Funktionen eingeben.

Lizenz

Fragaria wird unter der MIT -Lizenz veröffentlicht. Weitere Informationen finden Sie in der Lizenzdatei.

Zitat

Wenn Sie Fragaria in Ihrer Forschung verwenden oder sich in Ihren Veröffentlichungen darauf verweisen möchten, verwenden Sie bitte den folgenden Bibtex -Eintrag:

 @software { fragaria2024 ,
  author       = { {Dipankar Sarkar} } ,
  title        = { Fragaria: Advanced Chain of Thought Reasoning API with Reinforcement Learning } ,
  year         = 2024 ,
  publisher    = { GitHub } ,
  journal      = { GitHub repository } ,
  howpublished = { url{https://github.com/terraprompt/fragaria} } ,
}

Für akademische Papiere können Sie Fragaria zitieren wie:

Dipankar Sarkar. (2024). Fragaria: Fortgeschrittene Kette der Denkweise API mit Verstärkungslernen [Computersoftware]. https://github.com/terraprompt/fragaria

---

Fragaria wird vom TerraPrompt -Team aufrechterhalten. Für Fragen oder Unterstützung öffnen Sie bitte ein Problem im Github -Repository.