chatarena

Lingkungan game bahasa multi-agen untuk LLMS

---

Chatarena adalah perpustakaan yang menyediakan lingkungan permainan bahasa multi-agen dan memfasilitasi penelitian tentang agen LLM otonom dan interaksi sosial mereka. Ini memberikan fitur berikut:

• Abstraksi : Ini memberikan kerangka kerja yang fleksibel untuk mendefinisikan banyak pemain, lingkungan dan interaksi di antara mereka, berdasarkan proses keputusan Markov.
• Lingkungan Game Bahasa : Ini menyediakan serangkaian lingkungan yang dapat membantu pemahaman, benchmarking atau pelatihan agen LLMS.
• Antarmuka yang ramah pengguna : Ini menyediakan UI Web dan CLI untuk mengembangkan/meminta merekayasa agen LLM Anda untuk bertindak di lingkungan.

Memulai

Coba demo online kami:

Instalasi

Persyaratan:

• Python> = 3. 7
• Kunci API OpenAI (Opsional, untuk menggunakan GPT-3.5-Turbo atau GPT-4 sebagai agen LLM)

Instal dengan Pip:

pip install chatarena

atau instal dari sumber:

pip install git+https://github.com/chatarena/chatarena

Untuk menggunakan GPT-3 sebagai agen LLM, atur kunci API openai Anda:

 export OPENAI_API_KEY= " your_api_key_here " 

Dependensi opsional

Secara default pip install chatarena hanya akan menginstal dependensi yang diperlukan untuk fungsi inti Chatarena. Anda dapat menginstal dependensi opsional dengan perintah berikut:

pip install chatarena[all_backends] # install dependencies for all supported backends: anthropic, cohere, huggingface, etc.
pip install chatarena[all_envs]     # install dependencies for all environments, such as pettingzoo
pip install chatarena[all]          # install all optional dependencies for full functionality

Luncurkan demo secara lokal

Cara tercepat untuk melihat Chatarena beraksi adalah melalui Demo Web UI. Untuk meluncurkan demo di mesin lokal Anda, Anda pertama kali menginstal Chatarena dengan ketergantungan ekstra gradio, kemudian git mengkloning repositori ini ke folder lokal Anda, dan akhirnya hubungi app.py di direktori root repositori:

pip install chatarena[gradio]
git clone https://github.com/chatarena/chatarena.git
cd chatarena
gradio app.py

Ini akan meluncurkan server demo untuk ChatArena, dan Anda dapat mengaksesnya dari browser Anda (port 8080).

Lihat video ini untuk mempelajari cara menggunakan Web UI:

Untuk pengembang

Untuk pengantar kerangka chatarena, silakan merujuk ke dokumen ini. Untuk walkthrough membangun lingkungan baru, periksa

Di sini kami memberikan panduan ringkas tentang pengaturan minimal untuk menjalankan permainan dan beberapa saran umum tentang kustomisasi.

Konsep kunci

1. Arena : Arena merangkum lingkungan dan koleksi pemain. Ini mendorong loop utama permainan dan menyediakan utilitas HCI seperti WebUI, CLI, pemuatan konfigurasi dan penyimpanan data.
2. Lingkungan : Lingkungan menyimpan status game dan mengeksekusi logika game untuk melakukan transisi antar keadaan game. Ini juga membuat pengamatan untuk pemain, pengamatannya adalah bahasa alami.
   1. Keadaan permainan tidak secara langsung terlihat oleh para pemain. Pemain hanya bisa melihat pengamatan.
3. Backend Bahasa : Backend Bahasa adalah sumber kecerdasan bahasa. Dibutuhkan teks (atau kumpulan teks) sebagai input dan mengembalikan teks sebagai respons.
4. Pemain : Pemain adalah agen yang memainkan permainan. Dalam terminologi RL, ini adalah kebijakan, pemetaan fungsi tanpa kewarganegaraan dari pengamatan ke tindakan.

Jalankan game dengan Python API

Muat Arena dari file konfigurasi-di sini kami menggunakan examples/nlp-classroom-3players.json di repositori ini sebagai contoh:

 arena = Arena . from_config ( "examples/nlp-classroom-3players.json" )
arena . run ( num_steps = 10 )

Jalankan game dalam antarmuka CLI interaktif:

 arena . launch_cli ()

Lihat video ini untuk mempelajari cara menggunakan CLI: panduan yang lebih rinci tentang cara menjalankan loop interaksi utama dengan kontrol berbutir halus dapat ditemukan di sini

Saran Kustomisasi Umum

1. Arena : Arena utama pada dasarnya berarti seseorang akan menulis loop utama mereka sendiri. Ini dapat memungkinkan berbagai antarmuka interaksi atau drive game dengan cara yang lebih otomatis, misalnya, menjalankan loop pelatihan RL online
2. Lingkungan : Lingkungan baru sesuai dengan game baru, orang dapat mendefinisikan dinamika game di sini dengan aturan yang dikodekan atau campuran aturan dan backend bahasa.
3. Backend : Jika seseorang perlu mengubah cara memformat pengamatan (dalam hal pesan) menjadi pertanyaan untuk model bahasa, backend harus ditimpa.
4. Pemain : Secara default, ketika pengamatan baru diberi makan, pemain akan meminta backend bahasa dan mengembalikan respons sebagai tindakan. Tetapi orang juga dapat menyesuaikan cara pemain berinteraksi dengan backend bahasa.

Membuat Lingkungan Kustom Anda

Anda dapat mendefinisikan lingkungan Anda sendiri dengan memperluas kelas Environment . Inilah langkah -langkah umum:

1. Tentukan kelas dengan mewarisi dari kelas dasar dan pengaturan type_name , lalu tambahkan kelas ke ALL_ENVIRONMENTS
2. Inisialisasi kelas dengan mendefinisikan metode __init__ (argumennya akan menentukan konfigurasi yang sesuai) dan inisialisasi atribut kelas
3. Menerapkan mekanika game dalam step metode
4. Menangani status permainan dan hadiah dengan menerapkan metode seperti reset , get_observation , is_terminal , dan get_rewards
5. Kembangkan prompt deskripsi peran (dan prompt global jika perlu) untuk pemain yang menggunakan CLI atau Web UI dan simpan ke file konfigurasi.

Kami menyediakan tutorial terperinci untuk menunjukkan cara mendefinisikan lingkungan khusus, menggunakan lingkungan Chameleon sebagai contoh.

Jika Anda ingin port lingkungan perpustakaan yang ada ke Chatarena, lihat lingkungan PettingzooChess sebagai contoh.

Daftar lingkungan

Percakapan

Lingkungan game bahasa multi-pemain yang mensimulasikan percakapan.

• NLP Classroom: Lingkungan permainan bahasa 3-pemain yang mensimulasikan pengaturan kelas. Gim ini dimainkan secara bergantian, dan masing -masing mengubah pemain dapat mengajukan pertanyaan atau menjawab pertanyaan. Permainan berakhir ketika semua pemain telah bertanya dan menjawab semua pertanyaan.

Percakapan moderator

Berdasarkan percakapan, tetapi dengan moderator yang mengontrol dinamika game.

• Rock-Paper-Scissors: Lingkungan permainan bahasa 2-pemain yang mensimulasikan game rock-paper-scissors dengan percakapan moderator. Kedua pemain akan bertindak secara paralel, dan permainan berakhir ketika satu pemain memenangkan 2 putaran.
• Tic-Tac-Toe: Lingkungan permainan bahasa 2-pemain yang mensimulasikan game tic-tac-toe dengan percakapan moderator. Gim ini dimainkan secara bergantian, dan masing -masing mengubah pemain dapat meminta langkah atau bergerak. Permainan berakhir ketika satu pemain menang atau papan penuh.

Bunglon

Game pengurangan sosial multi-pemain. Ada dua peran dalam permainan, bunglon dan non-Chameleon. Topik kata rahasia akan pertama kali diungkapkan kepada semua pemain. Maka kata rahasia akan diungkapkan ke non-chameleons. Bunglon tidak tahu kata rahasianya. Tujuan dalam permainan tergantung pada peran pemain:

• Jika Anda bukan bunglon, tujuan Anda adalah untuk mengungkapkan bunglon tanpa mengekspos kata rahasia.
• Jika Anda seorang bunglon, tujuan Anda adalah untuk berbaur dengan pemain lain, hindari tertangkap, dan cari tahu kata rahasia. Ada tiga tahap dalam permainan:

1. Panggung Petunjuk Pemberian: Setiap pemain akan menjelaskan petunjuk tentang kata rahasia.
2. Tahap tuduhan: Pada tahap ini, setiap pemain akan memilih pemain lain yang kemungkinan besar bunglonnya. Bunglon harus memilih pemain lain.
3. Tahap tebakan: Jika tuduhan itu benar, bunglon harus menebak kata rahasia yang diberikan petunjuk yang diungkapkan oleh pemain lain.

Pettingzoochess

Lingkungan game catur dua pemain yang menggunakan lingkungan catur Pettingzoo.

Pettingzoo Tictactoe

Lingkungan game Tic-Tac-ToCe dua pemain yang menggunakan lingkungan Pettingzoo Tictactoe. Berbeda dari lingkungan Moderator Conversation , lingkungan ini didorong oleh aturan yang dikodekan dan bukan moderator LLM.

Berkontribusi

Kami menyambut kontribusi untuk meningkatkan dan memperluas Chatarena. Silakan ikuti langkah -langkah ini untuk berkontribusi:

1. Garpu repositori.
2. Buat cabang baru untuk fitur atau perbaikan bug Anda.
3. Melakukan perubahan Anda pada cabang baru.
4. Buat permintaan tarik yang menggambarkan perubahan Anda.
5. Kami akan meninjau permintaan tarik Anda dan memberikan umpan balik atau menggabungkan perubahan Anda.

Harap pastikan kode Anda mengikuti gaya dan struktur yang ada.

Kutipan

Jika Anda menemukan Chatarena berguna untuk penelitian Anda, silakan kutip repositori kami (kertas arxiv kami akan segera hadir):

 @software { ChatArena ,
  author = { Yuxiang Wu, Zhengyao Jiang, Akbir Khan, Yao Fu, Laura Ruis, Edward Grefenstette, and Tim Rocktäschel } ,
  title = { ChatArena: Multi-Agent Language Game Environments for Large Language Models } ,
  year = { 2023 } ,
  publisher = { GitHub } ,
  journal = { GitHub repository } ,
  version = { 0.1 } ,
  howpublished = { url{https://github.com/chatarena/chatarena} } ,
}

Kontak

Jika Anda memiliki pertanyaan atau saran, jangan ragu untuk membuka masalah atau mengirimkan permintaan tarik. Anda juga dapat menghubungi kami di Farama Discord Server- https://discord.gg/vrtdmu9y8q

Selamat mengobrol!

Sponsor

Kami ingin mengucapkan terima kasih kepada sponsor kami karena mendukung proyek ini:

• Sequoia
• Modal Shixiang