openagi

Openagi

Haciendo que el desarrollo de agentes autónomos de un humano sea accesible para todos

Openagi tiene como objetivo hacer que los agentes humanos sean accesibles para todos, allanando así el camino hacia agentes abiertos y, eventualmente, AGI para todos. Creemos firmemente en el poder transformador de la IA y confiamos en que esta iniciativa contribuirá significativamente a resolver muchos problemas de la vida real. Actualmente, OpenAgi está diseñado para ofrecer a los desarrolladores un marco para crear agentes autónomos similares a los humanos.

¡Únete a nuestra comunidad de Discord!

Instalación

1. Configurar un entorno virtual.

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

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

2. Instale el OpenAgi

pip install openagi

o

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

Ejemplo (ejecución del agente manual)

Los trabajadores se utilizan para crear una arquitectura de múltiples agentes.

Siga este ejemplo para crear un agente de planificador de viaje que lo ayude a planificar el itinerario para SF.

 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 )

Ejemplo (ejecución autónoma de múltiples agentes)

Vamos a construir un agente deportivo ahora que puede funcionar de manera autónoma sin ningún trabajador.

 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 )

Memoria a largo plazo como nunca antes

Con LTM, los agentes de Openagi ahora pueden:

• Recuerde las interacciones pasadas para proporcionar continuidad en las conversaciones.
• Aprenda y adapte según las entradas de los usuarios con el tiempo.
• Entregar respuestas contextualmente relevantes haciendo referencia a conversaciones anteriores.
• Mejorar su precisión y eficiencia con cada interacción sucesiva.

 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 )

Documentación

Para obtener más consultas, encuentre documentación para Openagi en Openagi.aiplanet.com

Casos de uso:

• Educación: en educación, los agentes pueden proporcionar experiencias de aprendizaje personalizadas. Se adaptan y adaptan el contenido de aprendizaje basado en el progreso, el rendimiento y los intereses del estudiante. Puede extenderse a la automatización de otras tareas administrativas y ayudar a los maestros a mejorar su productividad.
• Finanzas y banca: los servicios financieros pueden usar agentes para la detección de fraude, evaluación de riesgos, asesoramiento bancario personalizado, automatización de comercio y servicio al cliente. Ayudan a analizar grandes volúmenes de transacciones para identificar actividades sospechosas y ofrecen asesoramiento de inversión personalizado.
• Atención médica: los agentes se pueden implementar para monitorear a los pacientes, proporcionar recomendaciones de salud personalizadas, administrar datos de pacientes y automatizar tareas administrativas. También pueden ayudar a diagnosticar enfermedades basadas en síntomas e historial médico.

Ponerse en contacto

Para cualquier consulta/sugerencia/soporte, Conéctanos a [email protected]

Pautas de contribución

Openagi prospera en el paisaje en rápida evolución de proyectos de código abierto. Agradecemos de todo corazón contribuciones en diversas capacidades, ya sea a través de características innovadoras, infraestructura mejorada o documentación refinada.

Para obtener una guía completa sobre el proceso de contribución, haga clic aquí.