openagi

オープンギ

すべての人がアクセスできる自律的な人間のようなエージェントの開発をする

Openagiは、人間のようなエージェントをすべての人がアクセスできるようにすることを目指しており、それにより、オープンエージェントへの道を開いて、最終的にはすべての人のためにAgiを舗装することを目指しています。私たちはAIの変革力を強く信じており、このイニシアチブが多くの現実の問題の解決に大きく貢献すると確信しています。現在、Openagiは、開発者に自律的な人間のようなエージェントを作成するためのフレームワークを提供するように設計されています。

私たちのDiscordコミュニティに参加してください！

インストール

1. 仮想環境をセットアップします。

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

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

2. Openagiをインストールします

pip install openagi

または

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

例（マニュアルエージェントの実行）

労働者は、マルチエージェントアーキテクチャを作成するために使用されます。

この例に従って、旅程をSFに計画するのに役立つ旅行プランナーエージェントを作成します。

 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 )

例（自律的なマルチエージェント実行）

労働者なしで自律的に実行できるスポーツエージェントを構築しましょう。

 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 )

これまでにないような長期的な記憶

LTMを使用すると、Openagiエージェントは今です：

• 過去の相互作用を思い出して、会話の継続性を提供してください。
• 時間の経過とともにユーザーの入力に基づいて学習し、適応します。
• 以前の会話を参照して、コンテキストに関連する応答を提供します。
• 連続した相互作用ごとに精度と効率を向上させます。

 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 )

ドキュメント

その他のクエリについては、openagi.aiplanet.comでOpenagiのドキュメントをご覧ください

ユースケース：

• 教育：教育では、エージェントはパーソナライズされた学習体験を提供できます。彼らは、学生の進歩、パフォーマンス、関心に基づいて、学習コンテンツを適応させ、調整します。他のさまざまな管理タスクを自動化し、教師が生産性を向上させるのを支援することができます。
• 財務と銀行：金融サービスは、詐欺検出、リスク評価、パーソナライズされた銀行のアドバイス、取引の自動化、顧客サービスにエージェントを使用できます。彼らは、大量のトランザクションを分析して、疑わしい活動を特定し、カスタマイズされた投資アドバイスを提供するのに役立ちます。
• ヘルスケア：エージェントを展開して、患者を監視し、パーソナライズされた健康に関する推奨事項を提供し、患者データを管理し、管理タスクを自動化できます。また、症状や病歴に基づいて病気の診断を支援することもできます。

連絡してください

任意のクエリ/提案/サポートについては、[email protected]で私たちを連絡してください

貢献ガイドライン

Operagiは、オープンソースプロジェクトの急速に進化する風景で繁栄しています。革新的な機能、強化されたインフラストラクチャ、洗練されたドキュメントなど、さまざまな能力への貢献を心から歓迎します。

貢献プロセスに関する包括的なガイドについては、ここをクリックしてください。