fragaria

Fragaria -'r's in strawberryから複雑な問題解決aiまで

高度な思考チェーン（COT）補強学習を備えたAPIの推論（RL）

Fragariaは、さまざまな言語モデル（LLM）プロバイダーを活用し、複雑な問題を解決し、複雑な質問に答えるために補強学習（RL）技術を組み込んださまざまな言語モデル（LLM）プロバイダーを組み込んだ強力で柔軟な思考チェーン（COT）APIです。イチゴの植物属にちなんで名付けられたFragariaは、有名な「 'rはイチゴにある' rは何ですか？」に敬意を表します。問題は、シンプルなクエリと複雑なクエリの両方に平等なフィネスに取り組む能力を象徴しています。

目次

• 特徴
• インストール
• 構成
• 使用法
• APIドキュメント
• 例
• 貢献
• ライセンス

特徴

• マルチプロバイダーのサポート：Openai、Groq、および一緒にLLMプロバイダーとしてSeamlesslyを切り替えます。
• 考え方の推論：洗練されたCOTテクニックを使用して、複雑な問題を分解して解決します。
• 強化学習：RLアルゴリズムを利用して、問題解決戦略を継続的に改善し、新しい課題に適応します。
• 適応学習：RLテクニックと統合されたSQLiteベースのスコアリングシステムを通じて、時間の経過とともにパフォーマンスを向上させます。
• 構成可能：LLMパラメーターとRLパラメーターの両方の柔軟なセットアップ用の簡単なYAML構成ファイル。
• Openapiドキュメント：Swagger UIとRedocを使用した包括的なAPIドキュメント。
• CORSサポート：Webアプリケーションとの簡単な統合のために、組み込みのクロスオリジンリソース共有。

インストール

1. リポジトリをクローンします：

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

2. 仮想環境を作成します（オプションですが推奨）：

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

3. 必要な依存関係をインストールします。

    pip install -r requirements.txt
   

構成

1. config.yaml.exampleファイルをconfig.yamlにコピーします：

    cp config.yaml.example config.yaml
   

2. config.yamlを開き、次の設定を更新します。

   • お好みのllm_provider （Openai、Groq、または一緒に設定する）
   • それぞれのプロバイダーにAPIキーを追加します
   • 必要に応じてモデル名を調整します
   • 必要に応じて、データベースパスとサーバー設定を変更します

使用法

1. Fragaria APIサーバーを開始します。

    python main.py
   

2. APIはhttp://localhost:8000 （または構成で指定されたホスト/ポート）で利用できます。

3. これで、 http://localhost:8000/v1/chat/completionsに投稿リクエストを送信して、一連の思考推論機能を使用できます。

APIドキュメント

Fragariaは包括的なAPIドキュメントを提供します。

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

例

Fragariaを使用して解決できるサンプルの問題は次のとおりです。

1. 古典的なイチゴの問題：

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

2. より複雑な年齢に関連したパズル：

   {
     "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. " }
     ]
   }

これらの問題を解決するには、上記のJSONペイロードで/v1/chat/completionsにPOSTリクエストを送信します。

それがどのように機能するか

Fragariaは、強化学習によって強化された洗練された思考のチェーン（COT）推論プロセスを採用しています。

1. 問題分類：入力問題を既知または新しい問題タイプに分類します。
2. COTパスの生成：過去のパフォーマンスの影響を受けた問題タイプの複数の推論アプローチを作成します。
3. 並列実行：各コットパスを同時に問題に適用します。
4. 結果の組み合わせ：異なるパスの結果を合成します。
5. 評価：各アプローチの有効性をスコアリングします。
6. 補強学習の更新：評価スコアを報酬として使用してRLポリシーを更新し、将来のパスの選択と世代に影響を与えます。
7. 適応学習：スコアリングデータベースとRLモデルを更新して、将来のパフォーマンスを向上させます。

このRL強化プロセスにより、Fragariaは幅広い問題に取り組むだけでなく、時間の経過とともに戦略を学び、適応させることができ、馴染みのある問題と新しい問題の両方のタイプを解決するのにますます効率的になります。

貢献

フラガリアへの貢献を歓迎します！貢献するには、次の手順に従ってください。

1. リポジトリをフォークします。
2. 機能またはバグ修正用の新しいブランチを作成します。
3. 変更を加えて、明確な説明的なメッセージでコミットします。
4. 変更をフォークに押し込みます。
5. メインのfragariaリポジトリにプルリクエストを送信します。

コードがプロジェクトのコーディング基準に準拠していることを確認し、新機能のテストを含めてください。

ライセンス

FragariaはMITライセンスの下でリリースされます。詳細については、ライセンスファイルを参照してください。

引用

研究でFragariaを使用したり、出版物でそれを参照したい場合は、次のBibtexエントリを使用してください。

 @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} } ,
}

アカデミックペーパーの場合、Fragariaを次のように引用できます。

Dipankar Sarkar。 （2024）。 Fragaria：補強学習を使用してAPIを推論する高度な思考チェーン[コンピューターソフトウェア]。 https://github.com/terraprompt/fragaria

---

FragariaはTerrapromptチームによって維持されています。質問やサポートについては、GitHubリポジトリで問題を開いてください。