openagi

Openagi

Membuat pengembangan agen seperti manusia yang otonom dapat diakses oleh semua

Openagi bertujuan untuk membuat agen seperti manusia dapat diakses oleh semua orang, dengan demikian membuka jalan menuju agen-agen terbuka dan, pada akhirnya, AGI untuk semua orang. Kami sangat percaya pada kekuatan transformatif AI dan yakin bahwa inisiatif ini akan secara signifikan berkontribusi untuk memecahkan banyak masalah kehidupan nyata. Saat ini, Openagi dirancang untuk menawarkan kepada pengembang kerangka kerja untuk menciptakan agen seperti manusia yang otonom.

Bergabunglah dengan Komunitas Perselisihan kami!

Instalasi

1. Siapkan lingkungan virtual.

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

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

2. Instal Openagi

pip install openagi

atau

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

Contoh (eksekusi agen manual)

Pekerja digunakan untuk membuat arsitektur multi-agen.

Ikuti contoh ini untuk membuat agen perencana perjalanan yang membantu Anda merencanakan rencana perjalanan ke 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 )

Contoh (eksekusi multi-agen otonom)

Mari kita membangun agen olahraga sekarang yang dapat berjalan secara mandiri tanpa pekerja.

 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 )

Memori jangka panjang tidak seperti sebelumnya

Dengan LTM, agen openagi sekarang dapat:

• Ingat interaksi masa lalu untuk memberikan kesinambungan dalam percakapan.
• Belajar dan beradaptasi berdasarkan input pengguna dari waktu ke waktu.
• Memberikan tanggapan yang relevan secara kontekstual dengan merujuk percakapan sebelumnya.
• Tingkatkan akurasi dan efisiensi mereka dengan setiap interaksi berturut -turut.

 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 )

Dokumentasi

Untuk lebih banyak pertanyaan, temukan dokumentasi untuk openagi di openagi.aiplanet.com

Gunakan kasus:

• Pendidikan: Dalam pendidikan, agen dapat memberikan pengalaman belajar yang dipersonalisasi. Mereka beradaptasi dan menyesuaikan konten belajar berdasarkan kemajuan, kinerja, dan minat siswa. Ini dapat diperluas untuk mengotomatisasi berbagai tugas administrasi lainnya dan membantu guru dalam meningkatkan produktivitas mereka.
• Keuangan dan Perbankan: Jasa keuangan dapat menggunakan agen untuk deteksi penipuan, penilaian risiko, nasihat perbankan yang dipersonalisasi, perdagangan otomatis, dan layanan pelanggan. Mereka membantu menganalisis volume besar transaksi untuk mengidentifikasi kegiatan yang mencurigakan dan menawarkan saran investasi yang disesuaikan.
• Kesehatan: Agen dapat digunakan untuk memantau pasien, memberikan rekomendasi kesehatan yang dipersonalisasi, mengelola data pasien, dan mengotomatiskan tugas administrasi. Mereka juga dapat membantu dalam mendiagnosis penyakit berdasarkan gejala dan riwayat medis.

Hubungi

Untuk pertanyaan/saran/dukungan apa pun yang menghubungkan kami di [email protected]

Pedoman Kontribusi

Openagi tumbuh subur di lanskap yang berkembang pesat dari proyek open-source. Kami dengan sepenuh hati menyambut kontribusi dalam berbagai kapasitas, baik itu melalui fitur inovatif, peningkatan infrastruktur, atau dokumentasi olahan.

Untuk panduan komprehensif tentang proses kontribusi, silakan klik di sini.