fragaria

Fragaria - Dari 'r's in strawberry ke AI pemecahan masalah yang kompleks

Advanced Chain of Thought (COT) API dengan Pembelajaran Penguatan (RL)

Fragaria adalah rantai pemikiran yang kuat dan fleksibel (COT) API yang memanfaatkan berbagai penyedia Model Bahasa (LLM) dan menggabungkan teknik pembelajaran penguatan (RL) untuk memecahkan masalah yang kompleks dan menjawab pertanyaan rumit. Dinamai setelah genus botani stroberi, Fragaria memberi penghormatan kepada yang terkenal "berapa banyak di stroberi?" Masalah, melambangkan kemampuannya untuk menangani pertanyaan sederhana dan kompleks dengan kemahiran yang sama.

Daftar isi

• Fitur
• Instalasi
• Konfigurasi
• Penggunaan
• Dokumentasi API
• Contoh
• Berkontribusi
• Lisensi

Fitur

• Dukungan multi-penyedia : beralih dengan mulus antara OpenAI, GROQ, dan bersama-sama.ai sebagai penyedia LLM.
• Penalaran rantai pemikiran : menggunakan teknik COT canggih untuk memecah dan memecahkan masalah yang kompleks.
• Pembelajaran Penguatan : Memanfaatkan algoritma RL untuk terus meningkatkan strategi pemecahan masalah dan beradaptasi dengan tantangan baru.
• Pembelajaran Adaptif : Meningkatkan kinerja dari waktu ke waktu melalui sistem penilaian berbasis SQLite yang terintegrasi dengan teknik RL.
• Konfigurasi : File konfigurasi YAML yang mudah diperbarui untuk pengaturan fleksibel dari parameter LLM dan RL.
• Dokumentasi OpenAPI : Dokumentasi API komprehensif dengan Swagger UI dan REDOC.
• Dukungan CORS : Berbagi sumber daya lintas asal bawaan untuk integrasi yang mudah dengan aplikasi web.

Instalasi

1. Klon Repositori:

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

2. Buat lingkungan virtual (opsional tetapi direkomendasikan):

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

3. Instal dependensi yang diperlukan:

    pip install -r requirements.txt
   

Konfigurasi

1. Salin file config.yaml.example ke config.yaml :

    cp config.yaml.example config.yaml
   

2. Buka config.yaml dan perbarui pengaturan berikut:

   • Setel llm_provider pilihan Anda (openai, groq, atau bersama -sama)
   • Tambahkan kunci API Anda untuk penyedia masing -masing
   • Sesuaikan nama model jika perlu
   • Ubah jalur database dan pengaturan server jika perlu

Penggunaan

1. Mulai server API Fragaria:

    python main.py
   

2. API akan tersedia di http://localhost:8000 (atau host/port yang ditentukan dalam konfigurasi Anda).

3. Anda sekarang dapat mengirim permintaan pos ke http://localhost:8000/v1/chat/completions untuk menggunakan rantai kemampuan penalaran pemikiran.

Dokumentasi API

Fragaria menyediakan dokumentasi API yang komprehensif:

• Swagger UI: http://localhost:8000/docs
• Redoc: http://localhost:8000/redoc
• Openapi JSON Skema: http://localhost:8000/openapi.json

Contoh

Berikut adalah beberapa masalah sampel yang dapat Anda selesaikan menggunakan Fragaria:

1. Masalah stroberi klasik:

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

2. Teka-teki terkait usia yang lebih kompleks:

   {
     "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. " }
     ]
   }

Untuk menyelesaikan masalah ini, kirim permintaan posting ke /v1/chat/completions dengan muatan JSON di atas.

Cara kerjanya

Fragaria menggunakan proses penalaran rantai pemikiran (COT) yang canggih ditingkatkan dengan pembelajaran penguatan:

1. Klasifikasi Masalah : Mengategorikan masalah input menjadi tipe masalah yang diketahui atau baru.
2. COT Path Generation : Membuat berbagai pendekatan penalaran untuk jenis masalah, dipengaruhi oleh kinerja masa lalu.
3. Eksekusi Paralel : Menerapkan setiap jalur ranjang untuk masalah secara bersamaan.
4. Kombinasi Hasil : Mensintesis hasil dari jalur yang berbeda.
5. Evaluasi : Skor efektivitas setiap pendekatan.
6. Pembaruan Pembelajaran Penguatan : Menggunakan skor evaluasi sebagai penghargaan untuk memperbarui kebijakan RL, mempengaruhi pilihan jalur dan generasi di masa depan.
7. Pembelajaran Adaptif : Memperbarui database penilaian dan model RL untuk meningkatkan kinerja di masa depan.

Proses yang ditingkatkan RL ini memungkinkan Fragaria tidak hanya menangani berbagai masalah tetapi juga untuk belajar dan menyesuaikan strategi dari waktu ke waktu, menjadi semakin efisien dalam menyelesaikan jenis masalah yang akrab dan baru.

Berkontribusi

Kami menyambut kontribusi untuk Fragaria! Silakan ikuti langkah -langkah ini untuk berkontribusi:

1. Garpu repositori.
2. Buat cabang baru untuk fitur atau perbaikan bug Anda.
3. Buat perubahan Anda dan lakukan dengan pesan yang jelas dan deskriptif.
4. Dorong perubahan Anda ke garpu Anda.
5. Kirimkan permintaan tarik ke repositori Fragaria utama.

Harap pastikan kode Anda mematuhi standar pengkodean proyek dan sertakan tes untuk fitur baru.

Lisensi

Fragaria dirilis di bawah lisensi MIT. Lihat file lisensi untuk detailnya.

Kutipan

Jika Anda menggunakan Fragaria dalam penelitian Anda atau ingin merujuknya dalam publikasi Anda, silakan gunakan entri Bibtex berikut:

 @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} } ,
}

Untuk makalah akademik, Anda dapat mengutip Fragaria sebagai:

Dipankar Sarkar. (2024). Fragaria: API penalaran rantai pemikiran canggih dengan pembelajaran penguatan [perangkat lunak komputer]. https://github.com/terraprompt/fragaria

---

Fragaria dikelola oleh tim Terraprompt. Untuk pertanyaan atau dukungan, buka masalah di repositori GitHub.