Unduh clientai - Unduh Kode Sumber clientai

clientai

Kode Sumber AI

0.4.4

Unduh

Clientai

Clientai adalah paket Python yang menyediakan kerangka kerja terpadu untuk membangun aplikasi AI, dari interaksi penyedia langsung hingga agen bertenaga LLM transparan, dengan dukungan mulus untuk OpenAi, Replicate, Groq dan Ollama.

Dokumentasi : igorbenav.github.io/clientai/

Fitur

Antarmuka Terpadu : Metode yang konsisten di beberapa penyedia AI (OpenAi, Replicate, GroQ, Ollama).
Dukungan streaming : Streaming respons waktu nyata dan kemampuan obrolan.
Agen Cerdas : Kerangka kerja untuk membangun alur kerja transparan, multi-langkah LLM dengan integrasi alat.
Validasi Output : Sistem validasi bawaan untuk memastikan output terstruktur dan dapat diandalkan dari setiap langkah.
Desain Modular : Gunakan komponen secara mandiri, dari pembungkus penyedia sederhana hingga menyelesaikan sistem agen.
Jenis Keselamatan : Petunjuk tipe komprehensif untuk pengalaman pengembangan yang lebih baik.

Menginstal

Untuk menginstal clientai dengan semua penyedia, jalankan:

pip install " clientai[all] "

Atau, jika Anda lebih suka menginstal hanya penyedia spesifik:

pip install " clientai[openai] "  # For OpenAI support
pip install " clientai[replicate] "  # For Replicate support
pip install " clientai[ollama] "  # For Ollama support
pip install " clientai[groq] "  # For Groq support

Contoh Mulai Cepat

Penggunaan Penyedia Dasar

 from clientai import ClientAI

# Initialize with OpenAI
client = ClientAI ( 'openai' , api_key = "your-openai-key" )

# Generate text
response = client . generate_text (
    "Tell me a joke" ,
    model = "gpt-3.5-turbo" ,
)
print ( response )

# Chat functionality
messages = [
    { "role" : "user" , "content" : "What is the capital of France?" },
    { "role" : "assistant" , "content" : "Paris." },
    { "role" : "user" , "content" : "What is its population?" }
]

response = client . chat (
    messages ,
    model = "gpt-3.5-turbo" ,
)
print ( response )

Agen awal yang cepat

 from clientai import client
from clientai . agent import create_agent , tool

@ tool ( name = "calculator" )
def calculate_average ( numbers : list [ float ]) -> float :
    """Calculate the arithmetic mean of a list of numbers."""
    return sum ( numbers ) / len ( numbers )

analyzer = create_agent (
    client = client ( "groq" , api_key = "your-groq-key" ),
    role = "analyzer" , 
    system_prompt = "You are a helpful data analysis assistant." ,
    model = "llama-3.2-3b-preview" ,
    tools = [ calculate_average ]
)

result = analyzer . run ( "Calculate the average of these numbers: [1000, 1200, 950, 1100]" )
print ( result )

3. Agen khusus dengan validasi

Untuk struktur output yang dijamin dan keamanan tipe:

 from clientai . agent import Agent , think
from pydantic import BaseModel , Field
from typing import List

class Analysis ( BaseModel ):
    summary : str = Field ( min_length = 10 )
    key_points : List [ str ] = Field ( min_items = 1 )
    sentiment : str = Field ( pattern = "^(positive|negative|neutral)$" )

class DataAnalyzer ( Agent ):
    @ think (
        name = "analyze" ,
        json_output = True ,  # Enable JSON formatting
    )

    def analyze_data ( self , data : str ) -> Analysis : # Enable validation
        """Analyze data with validated output structure."""
        return """
        Analyze this data and return a JSON with:
        - summary: at least 10 characters
        - key_points: non-empty list
        - sentiment: positive, negative, or neutral

        Data: {data}
        """

# Initialize and use

analyzer = DataAnalyzer ( client = client , default_model = "gpt-4" )
result = analyzer . run ( "Sales increased by 25% this quarter" )
print ( f"Sentiment: { result . sentiment } " )
print ( f"Key Points: { result . key_points } " )

Lihat dokumentasi kami untuk lebih banyak contoh, termasuk:

Agen alur kerja khusus dengan beberapa langkah
Integrasi dan seleksi pahat yang kompleks
Pola penggunaan dan praktik terbaik lanjutan

Filosofi desain

Modul Agen Clientai dibangun di atas empat prinsip inti:

Desain Prompt-Centric : Prompt adalah eksplisit, debuggable, dan transparan. Apa yang Anda lihat adalah apa yang dikirim ke model.
Kustomisasi Pertama : Setiap komponen dirancang untuk diperpanjang atau ditimpa. Buat langkah khusus, pemilih alat, atau pola alur kerja yang sama sekali baru.
Nol Lock-In : Mulailah dengan komponen tingkat tinggi dan turun ke level yang lebih rendah sesuai kebutuhan. Anda bisa:
- Perpanjang Agent untuk perilaku khusus
- Gunakan komponen individu secara langsung
- Secara bertahap mengganti suku cadang dengan implementasi Anda sendiri
- Atau bermigrasi sepenuhnya - tidak ada penguncian