Descarga de agent builder api - Descargar código fuente de agent builder api

agent builder api

Otro código fuente

1.0.0

Descargar

API de agente constructor

Comienzo rápido

Puede iniciar el servidor API utilizando contenedores Docker o clonación manual y construyendo este repositorio.

Configuración manual: Clone este repositorio en su máquina local e inicie el servidor de API Fast Python. Opcionalmente, instale y configure Mongo DB.

Configuración de contenedores de Dev: los contenedores de desarrollo le permiten automatizar la configuración del entorno. Use esta configuración para instalar y ejecutar servicios de contenedores en un entorno aislado con extensiones preinstaladas. También puede abrir los espacios de códigos GitHub en un entorno/navegador remoto utilizando secretos para pasar las teclas API del modelo.

Configuración manual

Configurar un Python VirtualEnv e Instalar Dependencias

python -m venv --prompt agent-builder-api venv
source venv/bin/activate
# venv/Scripts/activate (Windows)
pip install -r requirements.txt

Establezca el nombre del modelo y la clave API en el archivo .env
```
 OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "
```
Inicie el servidor en el nuevo terminal
```
python -m agentbuilder.main
```

[Opcional] Comience a usar poesía

Para la gestión de dependencia de grano fino, use poesía para elegir paquetes de dependencia en función de su proveedor de modelos LLM y características de herramienta.

Siga la guía de instrucción oficial para instalar poesía.

Elija y elija paquetes de dependencia para instalar.

poetry install --extras " openai gemini cohere anthropic mongodb vectordb langgraph "

Establezca el nombre del modelo y la clave API en el archivo .env
```
 OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "
```
Inicie el servidor en el nuevo terminal
```
poetry run start-server
```

Nota

La poesía creará un entorno virtual para nosotros.

[Opcional] Habilitar MongoDB

Por defecto, los datos se almacenan como archivos JSON. Habilite el almacenamiento en Mongo DB estableciendo URL utilizando la variable de entorno.

 MONGODB_URL = " mongodb://localhost:27017/llmdb "

Configuración de contenedores de desarrollo

Habilite los contenedores de desarrollo en VScode siguiendo los pasos en la documentación oficial.
Haga clic en la insignia a continuación para ejecutar los servicios en un entorno de contenedores aislado en una máquina local.
Esto clonará el repositorio e iniciará los servicios de contenedores API y Mongo DB.

Consejo

Use URL MongoDB: // MongoDB: 27017/LLMDB en Mongo DB VScode Extension para ver los datos de almacenamiento.

Ejecutar contenedores F1> Dev: adjunte a la ejecución del contenedor ... y seleccione Agent-Builder-Conseiner .

Establezca el nombre del modelo y la clave API en el archivo .env

 OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "

Personalización

Paquetes de dependencia y configuración del entorno

Los paquetes de dependencia permiten instalaciones de paquetes de grano fino en función de sus requisitos. Use la variable de entorno extra_deps en el archivo Docker-compuesto para actualizar.

Install-Extra-Deps.sh script se puede usar en el modo de contenedor Dev si Docker-Compose no está disponible.

Por ejemplo, la siguiente configuración del entorno instalará dependencias para el modelo Gemini, Mongo DB, Langchain Graph y VectordB

 EXTRA_DEPS : " gemini,mongodb,langgraph,vectordb "

Consejo

Comience con un paquete de dependencia básico para admitir su modelo y agregue otras funciones de forma incremental

Los siguientes modelos son compatibles con su paquete de dependencia

Modelo	Paquete de dependencia	Nombre de la llave env envado
Abierta ai	opadai	OPERAI_API_KEY
GÉMINIS	Géminis	Google_api_key
ADHERIRSE	adherirse	Cohere_api_key
Antrópico	antrópico	Anthropic_api_key

Algunas herramientas preconfiguradas requieren dependencias adicionales o claves API para habilitarse.

Herramienta	Paquete de dependencia	Nombre de la llave env envado
Internet_search	-	Tavily_api_key
vectorstore_search	vectordb	Embed_model_name

Agregar herramientas

Agregue herramientas o kits de herramientas personalizados utilizando el módulo de fábrica de herramientas ( AgentBuilder/Factory/Tool_Factory ).

Crea tu herramienta

AgentBuilder/Tools/My_Custom_Tool.py

 from pathlib import Path
from langchain_core . tools import tool
from pydantic import BaseModel , Field

@ tool
def my_custom_tool ( a : int , b : int ):
"""Custom Tool Description"""
return a + b

my_custom_tool . name = "custom_tool_name"
my_custom_tool . description = "Custom Tool Description"

class field_inputs ( BaseModel ):
a : int = Field ( description = "First input" )
b : int = Field ( description = "Second input" )

my_custom_tool . args_schema = sum_inputs
my_custom_tool . metadata = { "file_path" : str ( Path ( __file__ ). absolute ())}

Agregue su herramienta en el método get_all_tools en el módulo Tool_Factory.

AgentBuilder/Factory/Tool_Factory.py

def get_all_tools()->Sequence[BaseTool]:

    return get_vectordb_tools()+ get_websearch_tools() + json_tools + [
            directly_answer_tool,
            weather_clothing_tool,
            temperature_tool,
            temperature_sensor_tool,
            sum_tool,greeting_tool,
            git_diff_tool,
            repl_tool,
+           my_custom_tool
            ]

Agregar agentes

Los agentes se pueden crear utilizando la interfaz de usuario de Extension o declararse en el código. Agregue sus agentes usando el módulo de fábrica de agentes ( agenteBuilder/factory/agente_factory ).

Crea tu agente

 def my_agent ():
  return AgentParams (
        name = "my_agent" ,
        preamble = "You are a powerful agent that uses tools to answer Human questions" ,
        tools =  [ "my_custom_tool" ],
        agent_type = 'tool_calling'
  )

Agregue su agente en el método get_all_agents .

def get_all_agents():
return [
        default_agent(),
        weather_agent(),
        python_agent(),
        git_agent(),
+       my_agent()
]

Constructor de agentes personalizados y gráficos

Personalice el flujo de trabajo de su agente utilizando indicaciones y gráficos personalizados. Filtre el agente usando el nombre del agente para aplicar personalizaciones.

Por ejemplo, el siguiente código aplica el flujo de trabajo de Graph Builder para el agente llamado "Graph_Agent"

 def get_agent_builder ( params : AgentBuilderParams ):
    agent_name = params . name
    match agent_name :
        case "graph_agent" :
            from agentbuilder . agents . BaseGraphAgentBuilder import BaseGraphAgentBuilder
            return BaseGraphAgentBuilder ( params )
        case _ :
            return BaseAgentBuilder ( params )

Importante

El "Langgraph" del paquete de dependencia debe instalarse para BaseGraphagentBuilder.

Configuración de modelos

Actualice la configuración del modelo utilizando variables de entorno.

Admite formato {proveedor}/{modelName}

Géminis

Crear claves API https://aistudio.google.com/app/apikey

 MODEL_NAME = " gemini/gemini-pro "
 EMBED_MODEL_NAME = " gemini/embedding-001 "
 GOOGLE_API_KEY = <GOOGLE_API_KEY>

Adherirse

Crear claves API https://dashboard.cohere.com/api-keys

 MODEL_NAME = " cohere/command "
 EMBED_MODEL_NAME = " cohere/embed-english-v3.0 "
 COHERE_API_KEY = <COHERE_API_KEY>

Abierta ai

Crear claves API https://platform.openai.com/docs/quickstart/account-setup

 MODEL_NAME = " openai/gpt-4o "
 EMBED_MODEL_NAME = " openai/text-embedding-3-large "
 OPENAI_API_KEY = <OPENAI_API_KEY>

Antrópico

Crear claves API https://www.anthropic.com/ y https://www.voyageai.com/

 MODEL_NAME = " anthropic/claude-3-opus-20240229 "
 EMBED_MODEL_NAME = " voyageai/voyage-2 "
 ANTHROPIC_API_KEY = <ANTHROPIC_API_KEY>
 VOYAGE_API_KEY = <VOYAGE_API_KEY>