microagents
v0.1.0 (21.01.2024)
작업에 대한 응답으로 자체 개선 에이전트를 동적으로 생성하기위한 실험 프레임 워크.
데모보기 ·보고 버그 · 요청 기능
마이크로 에이전트는 자체 개선 에이전트를 만드는 새로운 접근법을 나타냅니다. 소규모 마이크로 서비스 크기 (따라서 마이크로 에이전트 ) 에이전트는 사용자가 보조원에게 할당 한 작업에 응답하여 동적으로 생성되며, 기능을 평가하고, 성공적인 검증시 향후 재사용을 위해 저장됩니다. 이를 통해 채팅 세션 전체에서 학습을 수행 할 수있어 시스템이 작업 실행 방법을 독립적으로 추론 할 수 있습니다.
이 프로젝트는 다음과 같은 기술을 활용합니다.
로컬 사본을 올리거나 실행하려면 다음을 수행하십시오.
gpt-4-turbo 및 text-embedding-ada-002 에 액세스 할 수있는 OpenAI 계정이 있는지 확인하십시오.git clone https://github.com/aymenfurter/microagents.gitpip install -r requirements.txt export OPENAI_KEY= ' your_api_key_here ' export AZURE_OPENAI_API_KEY= ' your_api_key_here '
export AZURE_OPENAI_ENDPOINT= ' https://my_endpoint_name_here.openai.azure.com/ '
# export OPENAI_EMBEDDING='' # optionally set the azure deployment name of your ada embedding (in case the name is not text-embedding-ada-002)
# export OPENAI_MODEL='' # optionally set the azure deployment name of your gpt 4 (in case the name is not gpt-4-1106-preview) export AZURE_OPENAI_ENDPOINT= ' https://my_endpoint_name_here.openai.azure.com/ '
export AZURE_OPENAI_USE_AAD= ' true ' # enables DefaultAzureCredential
# export AZURE_OPENAI_AD_TOKEN='' # optionally specify the AAD token here
# export AZURE_CLIENT_ID='' # optionally specify the client id of the managed identity
# export OPENAI_EMBEDDING='' # optionally set the azure deployment name of your ada embedding (in case the name is not text-embedding-ada-002)
# export OPENAI_MODEL='' # optionally set the azure deployment name of your gpt 4 (in case the name is not gpt-4-1106-preview) 주의
Microagents는 Python 코드를 직접 실행하며 현재 샌드 박스 내에서 작동하지 않습니다. 잠재적 손상을 제한하기 위해 Github Codespaces 또는 Docker (readme-docker.md)와 같은 고립 된 환경에서 실행하는 것이 좋습니다. OpenAI의 서비스 사용과 관련된 비용을 염두에 두십시오.
데모 실행을 위해 실행 :
python main.py대화식 채팅 경험 :
python app.py모든 에이전트를 제거하려면 "agents.db"파일을 삭제하십시오.
You are an adept weather informant. Fetch the weather forecast by accessing public API data using this Python code snippet:
``python
import requests
import json
def fetch_weather_forecast(location, date):
response = requests.get(f"https://api.met.no/weatherapi/locationforecast/2.0/compact?lat={location[0]}&lon={location[1]}")
weather_data = response.json()
for day_data in weather_data['properties']['timeseries']:
if date in day_data['time']:
print(day_data['data']['instant']['details'])
break
``
# Example usage: fetch_weather_forecast((47.3769, 8.5417), '2024-01-22T12:00:00Z')
Note: Replace the (47.3769, 8.5417) with the actual latitude and longitude of the location and the date string accordingly.
You are a skilled IP-based location retriever. Use Python's requests library to obtain geolocation data from a public IP address. Here is a sample code snippet you may adapt:
``python
import requests
def fetch_location_from_ip(ip_address):
response = requests.get(f'http://ip-api.com/json/{ip_address}')
data = response.json()
return data.get('country'), data.get('city')
``
# Example usage:
# print(fetch_location_from_ip('8.8.8.8'))
Ensure that the code is capable of extracting location information such as country and city from the provided IP address.
이것은 마이크로 에이전트의 첫 번째 릴리스이며 초기 프로젝트 출판 이후 많은 일이 발생했습니다. 주요 업데이트는 다음과 같습니다.
풀 요청 : 프로젝트는 총 6 개의 풀 요청을 받았으며 커뮤니티의 관심을 강조했습니다.
두 가지 사용자 인터페이스 : 이제 에이전트와 상호 작용하기위한 두 개의 사용자 인터페이스를 제공합니다.
textual-app.py 파일을 사용하여 시작할 수 있습니다. 이 인터페이스는 Bearney74의 커뮤니티 기여입니다.병렬화 : 소량 에이전트는 이제 병렬 처리를 지원합니다! 새로운 에이전트가 생성되면 실제로 3 개의 에이전트가 병렬로 생성됩니다. 작업을 성공적으로 완료 한 첫 번째 대리인은 유지되는 반면 다른 대리인은 폐기됩니다.
사전 에이전트 : 우리는 시험에 포함 된 28 개의 사전 에이전트를 도입했습니다. 이 에이전트는 OpenStreetMap과의 상호 작용에서 현재 날씨 정보 제공에 이르기까지 광범위한 작업을 가능하게합니다. 이 모든 요원들은 마이크로 에이전트를 사용하여 훈련을 받았습니다.
유효성 검사 단계 ( "판사") : 새로운 '판사'단계가 추가되어 작동한다고 주장하는 에이전트가 실제로 예상대로 수행되도록합니다. 이 추가 검증 단계는 완전 기능 제제 만 작업 에이전트 카탈로그에 포함되도록합니다.
영구 에이전트 저장 : 에이전트는 이제 실행에 걸쳐 저장되며 SQLITE는이 목적으로 사용됩니다.
개선 된 에이전트 메모리 : 에이전트는 이제 이전에 만든 에이전트 만 기억할 수 있습니다. 이 접근법은 실행 중에 불필요한 깊이 변화를 피하기 때문에 에이전트 생성의 견고성을 향상시킵니다.
이러한 업데이트는 마이크로 에이전트에 대한 상당한 향상을 나타냅니다. 커뮤니티의 추가 개선과 기여를 기대하고 있습니다.
공헌은 오픈 소스 커뮤니티를 배우고, 영감을주고, 창조 할 수있는 놀라운 장소입니다. 당신이하는 모든 기여는 대단히 감사합니다 .
MIT 라이센스에 따라 배포됩니다. 자세한 내용은 LICENSE 참조하십시오.
