openagi

Openagi

Rendre le développement d'agents humains autonomes accessibles à tous

Openagi vise à rendre les agents humains accessibles à tout le monde, ouvrant ainsi la voie aux agents ouverts et, finalement, à AGI pour tout le monde. Nous croyons fermement au pouvoir transformateur de l'IA et sommes convaincus que cette initiative contribuera considérablement à résoudre de nombreux problèmes réels. Actuellement, OpenAgi est conçu pour offrir aux développeurs un cadre pour créer des agents humains autonomes.

Rejoignez notre communauté Discord!

Installation

1. Configurer un environnement virtuel.

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

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

2. Installez l'OpenAgi

pip install openagi

ou

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

Exemple (exécution de l'agent manuel)

Les travailleurs sont utilisés pour créer une architecture multi-agents.

Suivez cet exemple pour créer un agent de planificateur de voyage qui vous aide à planifier l'itinéraire sur 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 )

Exemple (exécution multi-agents autonomes)

Permet de construire un agent sportif maintenant qui peut fonctionner de manière autonome sans aucun travailleur.

 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 )

Mémoire à long terme comme jamais auparavant

Avec LTM, les agents Openagi peuvent maintenant:

• Rappelez-vous les interactions passées pour fournir une continuité dans les conversations.
• Apprenez et adaptez en fonction des entrées utilisateur au fil du temps.
• Fournissez des réponses contextuellement pertinentes en faisant référence aux conversations précédentes.
• Améliorez leur précision et leur efficacité à chaque interaction successive.

 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 )

Documentation

Pour plus de requêtes, trouver la documentation pour OpenAgi à Openagi.aiplanet.com

Cas d'utilisation:

• Éducation: Dans l'éducation, les agents peuvent offrir des expériences d'apprentissage personnalisées. Ils s'adaptent et adaptent le contenu d'apprentissage en fonction des progrès, des performances et des intérêts des élèves. Il peut s'étendre à l'automatisation de diverses autres tâches administratives et aider les enseignants à améliorer leur productivité.
• Finance et banque: les services financiers peuvent utiliser des agents pour la détection de fraude, l'évaluation des risques, les conseils bancaires personnalisés, l'automatisation des échanges et le service à la clientèle. Ils aident à analyser de grands volumes de transactions pour identifier les activités suspectes et offrir des conseils d'investissement sur mesure.
• Santé: les agents peuvent être déployés pour surveiller les patients, fournir des recommandations de santé personnalisées, gérer les données des patients et automatiser les tâches administratives. Ils peuvent également aider à diagnostiquer les maladies en fonction des symptômes et des antécédents médicaux.

Entrer en contact

Pour toutes les requêtes / suggestions / support, connectez-nous à [email protected]

Lignes directrices de contribution

Openagi prospère dans le paysage rapide en évolution des projets open source. Nous accueillons de tout cœur les contributions à diverses capacités, que ce soit à travers des caractéristiques innovantes, une infrastructure améliorée ou une documentation raffinée.

Pour un guide complet sur le processus de contribution, veuillez cliquer ici.