AdalFlow

⚡ La biblioteca para construir y optimizar automáticamente aplicaciones LLM ⚡

Toda la documentación | Modelos | Retrievers | Agentes | Evaluación de LLM | Entrenador y optimizadores

Para investigadores de IA, equipos de productos e ingenieros de software que desean aprender la forma de IA.

Comienzo rápido

Instale Adalflow con PIP:

pip install adalflow

Consulte la guía de instalación completa para obtener más detalles.

• Pruebe el edificio rápido en Colab para ver cómo Adalflow puede construir la tubería de tareas, incluyendo chatbot, trapo, agente y salida estructurada.
• Pruebe la optimización QuickStart para ver cómo Adalflow puede optimizar la tubería de tareas.

Por qué Adalflow

1. Adoptar un patrón de diseño similar a Pytorch, Adalflow es potente, ligero, modular y robusto. Adalflow proporciona bloques de construcción Model-agnostic para construir tuberías de tareas LLM, que van desde el trapo, los agentes hasta las tareas clásicas de la PNL como la clasificación de texto y el reconocimiento de entidades nombrado. Es fácil obtener un alto rendimiento solo utilizando la solicitud manual.
2. Adalflow proporciona un marco auto-diferenciativo unificado tanto para la optimización de inmediato de disparo cero como para la optimización de pocos disparos. Avanza la investigación existente de auto-optimización, incluida Text-Grad y DsPy . A través de nuestra investigación, Text-Grad 2.0 y Learn-to-Reason Few-shot In Context Learning , Adalflow Trainer logra la mayor precisión, al tiempo que es el más eficiente en el token.

Aquí hay una demostración de optimización en una tarea de clasificación de texto:

Entre todas las bibliotecas, Adalflow logró la mayor precisión con la solicitud manual (a partir del 82%) y la mayor precisión después de la optimización.

Lectura adicional: optimizar la clasificación

Ligera, modular y modelo

Los LLM son como agua; Adalflow lo ayuda a darlas rápidamente en cualquier aplicación, desde aplicaciones Genai como chatbots, traducción, resumen, generación de código, trapo y agentes autónomos hasta tareas clásicas de la PNL como la clasificación de texto y el reconocimiento de entidad nombrado.

Adalflow tiene dos clases base fundamentales, pero potentes,: Component para la tubería y DataClass para la interacción de datos con LLM. El resultado es una biblioteca con una abstracción mínima, que proporciona a los desarrolladores la máxima personalización .

Tiene control total sobre la plantilla de solicitud, el modelo que usa y el análisis de salida para su tubería de tareas.

Muchos proveedores y modelos accesibles a través de la misma interfaz:

Todos los proveedores de modelos disponibles

Lectura adicional: Cómo comenzamos, Diseño de filosofía y jerarquía de clases.

Marco unificado para la auto-optimización

Adalflow proporciona una optimización de inmediato de alto rendimiento y eficiente de token dentro de un marco unificado. Para optimizar su tubería, simplemente defina un Parameter y páselo al Generator de Adalflow. Ya sea que necesite optimizar las instrucciones de tareas o ejecutar algunas demostraciones de pocas disparos, el marco unificado de Adalflow ofrece una manera fácil de diagnosticar , visualizar , depurar y entrenar su tubería.

Este gráfico de cálculo dinámico demuestra cómo funcionan nuestra diferenciación automática y el gráfico de cálculo dinámico.

No es necesario definir los nodos y bordes definidos manualmente, Adalflow trazará automáticamente el gráfico de cálculo para usted.

Tubería de tareas capacitables

Simplemente definalo como un Parameter y pasarlo al Generator de Adalflow.

Adalcomponente y entrenador

AdalComponent actúa como el 'intérprete' entre la tubería de tareas y el entrenador, definiendo los pasos de capacitación y validación, optimizadores, evaluadores, funciones de pérdida, motor hacia atrás para gradientes textuales o rastreando las demostraciones, el generador de maestros.

Documentación

Documentación completa de Adalflow disponible en adalflow.sylph.ai:

• Cómo empezamos
• Introducción
• Guía de instalación completa
• Filosofía de diseño
• Jerarquía de clases
• Tutoriales
• Modelos compatibles
• Retrievers admitidos
• Referencia de API

Adalflow: un homenaje a Ada Lovelace

Adalflow se nombra en honor a Ada Lovelace, la matemática pionera que primero reconoció que las máquinas podrían ir más allá de los simples cálculos. Como equipo dirigido por una fundadora, nuestro objetivo es inspirar a más mujeres a seguir carreras en IA.

Comunidad y contribuyentes

Adalflow es un proyecto impulsado por la comunidad, y damos la bienvenida a todos para que se unan a nosotros para construir el futuro de las aplicaciones LLM.

Únase a nuestra comunidad de Discord para hacer preguntas, compartir sus proyectos y obtener actualizaciones sobre Adalflow.

Para contribuir, lea nuestra Guía de contribuyentes.

Colaboradores

Expresiones de gratitud

¡Muchos trabajos existentes inspiraron en gran medida la biblioteca Adalflow! Aquí hay una lista no exhaustiva:

• Pytorch para filosofía de diseño y patrón de diseño de Component , Parameter , Sequential .
• Microgrado: un pequeño motor Autograd para nuestra arquitectura automática de diferenciativas.
• Grado de texto para el optimizador de texto Textual Gradient Descent .
• DSPY para inspirar los __{input/output}__fields en nuestro DataClass y el optimizador de pocos disparos de Bootstrap.
• Opro para agregar instrucciones de texto anteriores junto con su precisión en el optimizador de texto.
• Pytorch Lightning para el AdalComponent y Trainer .

Citación

 @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 }
}