synth_machine

Máquina de sintetizador

Los agentes de IA son máquinas de estado, no DAGS

Synth Machines permite a los usuarios crear y ejecutar máquinas de estado de agente de IA ( Synth ) al proporcionar una SynthDefinition para definir un flujo de trabajo de IA estructurado.
Las máquinas estatales son una construcción poderosa, ya que permiten a un experto en dominio deconstruir el problema en conjuntos de estados y transiciones.
Las transiciones entre los estados pueden llamar a una LLM, herramienta, proceso de datos o una mezcla de muchas salidas.

Instalación

Modelos API

Instale el paquete. pip install synth_machine[openai,togetherai,anthropic] o poetry add synth_machine[openai,togetherai,anthropic]

Agregue cualquiera de las claves de entorno de su proveedor de proveedores de API para las cuales

 # You only need to set the API providers you want to use.
export OPENAI_API_KUY=secret
export ANTHROPIC_API_KEY=secret
export TOGETHER_API_KEY=secret

(pronto) modelos locales

pip install synth_machine[vllm,llamacpp] o poetry add synth_machine[vllm,llamacpp]

Es probable que necesite configurar CUDA, VLLM o LLAMA.CPP para uso local.

Enlaces útiles:

• https://docs.vllm.ai/en/latest/getting_started/installation.html
• https://developer.nvidia.com/cuda-toolkit
• https://github.com/ggerganov/llama.cpp

Definir un sintetizador

 agent = Synth(
    config: dict[SynthDefinition], # Synth state machine defining states, transitions and prompts.
    tools=[], # List of tools the agent will use
    memory={}, # Any existing memory to add on top of any model_config.initial_memory
    rag_runner: Optional[RAG] = None # Define a RAG integration for your agent.
    postprocess_functions = [] # Any glue code functions
    store : ObjectStore = ObjectStore(":memory:") # Any files created by tools will automatically go to you object store    

SynthDefinition se puede encontrar en SynthDefinition Docs o Synth_machine/Synth_definition.py. Los basemodelos pydánticos que conforman SynthDefinition serán la representación más precisa de un Synth .
Esperamos que la especificación tenga actualizaciones entre las versiones principales.

Estado del agente y posibles desencadenantes

En cualquier momento, puede verificar el estado actual y los próximos disparadores

 # Check state
agent.current_state()

# Triggers
agent.interfaces_for_available_triggers()

Ejecutar un sintetizador

Lote

 await agent.trigger(
    "[trigger_name]",
    params={
        "input_1": "hello"
    }
)

Las llamadas de transición por lotes emitirán cualquier variable de salida generada en esa transición.

Transmisión

 await agent.streaming_trigger(
    "[trigger_name]",
    params={
        "input_1": "hello"
    }
)

Las respuestas de transmisión producen cualquiera de los siguientes eventos:

 class YieldTasks(StrEnum):
    CHUNK = "CHUNK"
    MODEL_CONFIG = "MODEL_CONFIG"
    SET_MEMORY = "SET_MEMORY"
    SET_ACTIVE_OUTPUT = "SET_ACTIVE_OUTPUT"

• CHUNK : las generaciones LLM son enviadas por trozos de un token a la vez.
• MODEL_CONFIG : rendimientos qué ejecutor se está utilizando actualmente para cualquier interfaces frontend específicas del proveedor.
• SET_MEMORP : envía eventos configuración de nuevas variables de memoria
• SET_ACTIVE_OUTPUT : produce el disparador de salida de transición actual.

Esto permite a los usuarios experimentar utilizando trigger y luego integrarse en las generaciones de LLM de transmisión en tiempo real a los usuarios utilizando eventos del lado del servidor (SSE) y trigger_streaming .

LLMS

Ofrecemos múltiples ejecutores para generar completaciones de chat LLM de LLM local o de API.

Modelos API

• openai : https://openai.com/api/picing/
• togetherai : https://docs.together.ai/docs/inference-models
• anthropic : https://docs.anthropic.com/en/docs/models-overview
• (pronto) google : https://cloud.google.com/vertex-ai/generative-ai/docs/multimodal/overview

Local (pronto)

• VLLM : https://github.com/vllm-project/vllm
• Llama-CPP : https://github.com/ggerganov/llama.cpp

Model Config

Puede especificar el proveedor y el modelo en el default-model-config y la base de sintetizador o model_config en la salida de transición.

 ModelConfig:
...
executor: [openai|togetherai|anthropic|vllm|llamacpp]
llm_name: [model_name]

Memoria

La memoria del agente es un diccionario que contiene todas las variables provisionales que crean en estados anteriores y entradas humanas / del sistema.

 agent.memory
# -> {
#   "[memory_key]": [memory_value]
# }

Herramientas

Las funciones posteriores al proceso solo deben usarse para el código básico de pegamento, toda la funcionalidad principal debe integrarse en las herramientas.

Las herramientas son reestapis y se pueden agregar proporcionando un esquema de la API JSON

Vaya a "./tools/tofuTool/api.py para ver la funcionalidad.

API de inicio

 cd tools/tofuTool
poetry install
poetry run uvicorn api:app --port=5001 --reload

Recuperar especificaciones de API

 curl -X GET http://localhost:5001/openapi.json > openapi_schema.json

Definición de herramienta

Puede definir una herramienta como tal con solo el nombre, el punto final API y el esquema de la herramienta Openapi.

 tofu_tool = Tool(
    name="tofu_tool",
    api_endpoint="http://localhost:5001",
    api_spec=tool_spec
)

Trapo de la máquina de sintetizador

La generación de recuperación de la generación auge es una herramienta poderosa para mejorar las respuestas de LLM al proporcionar ejemplos semánticamente similares o ejercer al material que el LLM intenta generar.

synth_machine es flexiblemente en tal que mientras se herede de synth_machine.RAG y cree:

• embed(documents: List[str]) y
• query(prompt: str, rag_config: Optional[synth_machine.RAGConfig])

Es fácil integrar múltiples proveedores y bases de datos vectoriales. Con el tiempo habrá implementaciones compatibles con el trapo comunitario en una amplia variedad de proveedores de incrustaciones y bases de datos vectoriales.

Ejemplo de trapo Qdrant y rápido

La siguiente clase RAG es ideal para experimentar con configuraciones locales de trapo en CPU.

 pip install qdrant-client, fastembed

Definir clase de trapo

 from synth_machine.rag import RAG
from qdrant_client import AsyncQdrantClient
from fastembed import TextEmbedding
from typing import List, Optional
from qdrant_client.models import Distance, VectorParams, PointStruct


class Qdrant(RAG):

    """
    VectorDB: Qdrant - https://github.com/qdrant/qdrant
    Embeddings: FastEmbed - https://github.com/qdrant/fastembed

    This provides fast and lightweight on-device CPU embeddings creation and 
    similarity search using Qdrant in memory.
    """
    
    def __init__(
        self,
        collection_name: str,
        embedding_model: str="BAAI/bge-small-en-v1.5",
        embedding_dimensions: int=384,
        embedding_threads: int=-1,
        qdrant_location: str=":memory:",
    ):
        self.embedding_model = TextEmbedding(
            model_name=embedding_model,
            threads=embedding_threads
        )
        self.embedding_dimensions = embedding_dimensions
        self.qdrant = AsyncQdrantClient(qdrant_location)
        self.collection_name = collection_name
    
    async def create_collection(self) -> bool:
        if await self.qdrant.collection_exists(self.collection_name):
            return True
        else:
            return await self.qdrant.create_collection(
                collection_name=self.collection_name,
                vectors_config=VectorParams(
                    size=self.embedding_dimensions, # maps to 'BAAI/bge-small-en-v1.5' model dimensions
                    distance=Distance.COSINE
                ) 
            )
    
    async def embed(self, documents: List[str], metadata: Optional[List[dict]]=None):
        if metadata and len(documents) != len(metadata):
            raise ValueError("documents and metadata must be the same length")
        embedding_list = list(
            self.embedding_model.embed(documents)
        )
        upsert_response = await self.qdrant.upsert(
            collection_name=self.collection_name,
            points=[
                PointStruct(
                    id=i,
                    vector=list(vector),
                    payload=metadata[i]
                )
                for i, vector in enumerate(embedding_list)
            ]
        )
        return upsert_response.status
        

    async def query(self, prompt: str, rag_config: RAGConfig) -> List[dict]:
        embedding = next(self.embedding_model.embed([prompt]))
            
        similar_responses = await self.qdrant.search(
            collection_name=self.collection_name,
            query_vector=embedding,
            limit=rag_config.n
        )
        return [
            point.payload for point in similar_responses
        ]

Ahora inicie la clase Qdrant y proporcione al definir Synth .

 qdrant = Qdrant(collection_name="tofu_examples")
await qdrant.create_collection()

agent = Synth(
    ...
    rag_runner=Qdrant
)

Almacenar

Las herramientas pueden devolver una variedad de objetos diferentes. Cualquier archivo creado por una herramienta irá automáticamente a su agent.store . Usamos ObjectStore para el almacenamiento de archivos, con ObjectStore(":memory:") como el valor predeterminado.

Para recuperar un archivo: agent.store.get(file_name)

ObjectStore que permite una fácil integración a:

• Tienda de archivos locales
• S3
• GCS
• Azur

Ejemplo de tienda de objetos GCS

 from synth_machine.machine import ObjectStore

agent = Agent(
    ...
    store=ObjectStore("gs://[bucket_name]/[prefix]))
)

Funciones definidas por el usuario

Cualquier funcionalidad personalizada se puede definir como una función definida por el usuario (UDF).
Estos toman Synth.memory como entrada y le permite ejecutar la funcionalidad personalizada como parte de la synth-machine .

 # Define postprocess function

from synth_machine.user_defined_functions import udf

@udf
def abc_postprocesss(memory):
    ...
    return memory["variable_key"]

agent = Synth(
  ...
  user_defined_functions = {
    "abc": abc_postprocess
  }
)

Ejemplo de configuración de transición de UDF

 ...
- key: trigger_udf
  inputs:
    - key: variable_key
  outputs:
    - key: example_udf
      udf: abc

Nota: Cualquier funcionalidad no trivial debe ser una herramienta y no UDF.