fragaria

Fragaria - de 'r dans la fraise à une IA de résolution de problèmes complexe

API de raisonnement de chaîne avancée (COT) avec apprentissage par renforcement (RL)

Fragaria est une API de raisonnement de pensée puissante et flexible (COT) qui tire parti de divers fournisseurs de modèles de langage (LLM) et intègre des techniques d'apprentissage par renforcement (RL) pour résoudre des problèmes complexes et répondre à des questions complexes. Nommé d'après le genre botanique des fraises, Fragaria rend hommage au célèbre "Combien de R dans la fraise?" Problème, symbolisant sa capacité à s'attaquer à des requêtes simples et complexes avec une finesse égale.

Table des matières

• Caractéristiques
• Installation
• Configuration
• Usage
• Documentation API
• Exemples
• Contributif
• Licence

Caractéristiques

• Prise en charge multiprovider : basculez sans couture entre OpenAI, Groq et ensemble.ai en tant que fournisseurs LLM.
• Raisonnement de la chaîne de pensée : utilisez des techniques de COT sophistiquées pour décomposer et résoudre des problèmes complexes.
• Apprentissage du renforcement : utilisez des algorithmes RL pour améliorer en permanence des stratégies de résolution de problèmes et s'adapter à de nouveaux défis.
• Apprentissage adaptatif : améliorer les performances au fil du temps grâce à un système de notation basé sur SQLite intégré aux techniques RL.
• Configurable : fichier de configuration YAML facile à mettre à jour pour une configuration flexible des paramètres LLM et RL.
• Documentation OpenAPI : Documentation complète de l'API avec Swagger UI et Redoc.
• Prise en charge des COR : Partage de ressources inter-originaux intégré pour une intégration facile avec les applications Web.

Installation

1. Clone le référentiel:

    git clone https://github.com/terraprompt/fragaria.git
   cd fragaria
   

2. Créez un environnement virtuel (facultatif mais recommandé):

    python -m venv venv
   source venv/bin/activate  # On Windows, use `venvScriptsactivate`
   

3. Installez les dépendances requises:

    pip install -r requirements.txt
   

Configuration

1. Copiez le fichier config.yaml.example sur config.yaml :

    cp config.yaml.example config.yaml
   

2. Ouvrez config.yaml et mettez à jour les paramètres suivants:

   • Définissez votre llm_provider préféré (Openai, Groq ou ensemble)
   • Ajoutez vos clés API pour les fournisseurs respectifs
   • Ajustez les noms du modèle si nécessaire
   • Modifiez les paramètres du chemin de la base de données et du serveur si nécessaire

Usage

1. Démarrez le serveur API Fragaria:

    python main.py
   

2. L'API sera disponible sur http://localhost:8000 (ou l'hôte / port spécifié dans votre configuration).

3. Vous pouvez désormais envoyer des demandes de poste à http://localhost:8000/v1/chat/completions pour utiliser les capacités de raisonnement de la chaîne de pensée.

Documentation API

Fragaria fournit une documentation API complète:

• Swagger ui: http://localhost:8000/docs
• Redoc: http://localhost:8000/redoc
• OpenAPI JSON Schema: http://localhost:8000/openapi.json

Exemples

Voici quelques exemples de problèmes que vous pouvez résoudre à l'aide de Fragaria:

1. Le problème classique des fraises:

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " How many 'r's in strawberry? " }
     ]
   }

2. Un puzzle plus complexe lié à l'âge:

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " A princess is as old as the prince will be when the princess is twice as old as the prince was when the princess's age was half the sum of their present age. What is the age of prince and princess? Provide all solutions to that question. " }
     ]
   }

Pour résoudre ces problèmes, envoyez une demande de poste à /v1/chat/completions avec les charges utiles JSON ci-dessus.

Comment ça marche

Fragaria utilise un processus de raisonnement de pensée sophistiqué (COT) amélioré par l'apprentissage du renforcement:

1. Classification des problèmes : classe le problème d'entrée dans les types de problèmes connus ou nouveaux.
2. Génération du chemin du COT : crée plusieurs approches de raisonnement pour le type de problème, influencé par les performances passées.
3. Exécution parallèle : applique chaque chemin COT au problème simultanément.
4. Combinaison de résultats : synthétise les résultats de différents chemins.
5. Évaluation : marque l'efficacité de chaque approche.
6. Mise à jour d'apprentissage du renforcement : utilise les scores d'évaluation comme récompenses pour mettre à jour la politique RL, influençant les sélections et les générations futures de chemins.
7. Apprentissage adaptatif : met à jour la base de données de notation et le modèle RL pour améliorer les performances futures.

Ce processus amélioré par RL permet à Fragaria non seulement de s'attaquer à un large éventail de problèmes, mais aussi d'apprendre et d'adapter ses stratégies au fil du temps, devenant de plus en plus efficace pour résoudre à la fois des types de problèmes familiers et nouveaux.

Contributif

Nous saluons les contributions à Fragaria! Veuillez suivre ces étapes pour contribuer:

1. Fourk le référentiel.
2. Créez une nouvelle branche pour votre fonctionnalité ou votre correction de bogue.
3. Faites vos modifications et engagez-les avec des messages descriptifs clairs.
4. Poussez vos modifications à votre fourchette.
5. Soumettez une demande de traction au référentiel principal de Fragaria.

Veuillez vous assurer que votre code respecte les normes de codage du projet et incluez des tests pour de nouvelles fonctionnalités.

Licence

Fragaria est libéré sous la licence du MIT. Voir le fichier de licence pour plus de détails.

Citation

Si vous utilisez Fragaria dans vos recherches ou si vous souhaitez vous y référer dans vos publications, veuillez utiliser l'entrée Bibtex suivante:

 @software { fragaria2024 ,
  author       = { {Dipankar Sarkar} } ,
  title        = { Fragaria: Advanced Chain of Thought Reasoning API with Reinforcement Learning } ,
  year         = 2024 ,
  publisher    = { GitHub } ,
  journal      = { GitHub repository } ,
  howpublished = { url{https://github.com/terraprompt/fragaria} } ,
}

Pour les documents académiques, vous pouvez citer Fragaria comme:

Dipankar Sarkar. (2024). Fragaria: API avancée de la chaîne de pensée avec apprentissage en renforcement [logiciel informatique]. https://github.com/terrapgrompt/fragaria

---

Fragaria est maintenue par l'équipe TerrapRomppt. Pour toute question ou support, veuillez ouvrir un problème sur le référentiel GitHub.