LLM agents with docker

Readme

Sehen Sie sich die Demo an: https://www.youtube.com/watch?v=ugqmn2xdu54

Dieses Repository basiert auf dem Code aus Langchains Azure Container Apps Dynamic Sessions Data Analyst Notebook (https://github.com/langchain-ai/langchain/blob/master/cookbook/azure_container_apps_dynamic_dataNalysed.ipynb). Speichert es in einer CSV -Datei und führt Code basierend auf der CSV -Datei aus, z. B. ein Diagramm.

Die Hauptmerkmal des Codes war, dass der Code in einem Container mithilfe von Azure Container -Apps dynamischen Sitzungen ausgeführt wurde.

Dieses Projekt ersetzt die dynamischen Sitzungen von Azure Container Apps durch Docker. Wenn der Agent den Code ausführt, wird ein Docker -Container erstellt, den Code ausgeführt und dann den Container entfernen. Dies stellt sicher, dass der Host -Computer vor dem willkürlichen Code des Agenten sicher ist.

Die Agentenarchitektur lautet wie folgt:

Nachdem der Knoten execute_sql_query ausgeführt wurde, werden die Daten als CSV auf dem Host -Computer gespeichert. Der Docker-Container verfügt dann über schreibgeschützte Erlaubnis, auf diesen CSV zuzugreifen. Wenn es etwas plant, wird das Bild über eine Base64 -String an den Host -Computer weitergegeben.

Setup -Anweisungen

1. Klonen Sie das Repository:

 git clone https : // github . com / paulomuraroferreira / LLM - agents - with - docker . git
cd LLM - agents - with - docker

2. Abhängigkeiten installieren:

$ pip install - e .

Stellen Sie außerdem sicher, dass Sie Docker installiert und ausgeführt haben.

3. Umgebungskonfiguration:

Erstellen Sie eine .env -Datei und füllen Sie die folgenden Umgebungsvariablen aus:

 OPENAI_API_KEY = your_openai_api_key
DATABASE_URL = your_postgres_url
LLM_MODEL = i am using 'gpt-4o'

4. Führen Sie die Anwendung aus:

Führen Sie das Hauptskript aus, um den Workflow zu initialisieren und Benutzeranfragen zu behandeln:

 python main . py