GPTSwarm
1.0.0
? O GptSwarm é uma estrutura baseada em gráficos para agentes baseados em LLM, fornecendo dois recursos de alto nível:
Em um nível granular, o GPTSwarm é uma biblioteca que inclui os seguintes componentes:
| Módulo | Descrição |
|---|---|
| Swarm.ENVERNAMENT | Operações, agentes, ferramentas e tarefas específicas de domínio |
| swarm.graph | Funções relacionadas a gráficos para criar e executar gráficos de agentes e gráficos compostos de enxame |
| swarm.llm | Interface para selecionar os back -ends LLM e calcular seus custos operacionais |
| Swarm.Memory | Memória baseada em índice |
| Swarm.Optimizer | Algoritmos de otimização projetados para melhorar o desempenho do agente e a eficiência geral do enxame |
? [10/12] Respeito? Openi's Swarm, mas? GptSwarm é a melhor opção se considerar o? Inteligência de enxame ?.
[08/07] Mingchen participou de um seminário convidado com o laboratório de Xangai AI.
[07/07/25] Louis e Francesco fizeram a apresentação oral no ICML 2024.
[07/17] Mingchen introduziu o GptSwarm no Meta.
[07/05] Mingchen deu uma palestra convidada com o WAIC.
[06/21] Mingchen deu uma palestra convidada com o IA-Cas.
[20/06/20] Dmitrii deu uma palestra convidada com o Sberbank.
[06/03] SDAIA convidou a equipe GPTSwarm (Wenyi, Francesco, Dmitrii) para um seminário de 5 horas.
[06/02] O GPTSWarm foi selecionado como apresentação oral (top 1,5%, 144 em 9.473) por ICML2024! Parabéns!
[05/01] O GPTSWARM foi aceito pelo ICML2024.
[18/04/18] Mingchen deu a conversa convidada com Bytedance.
[20/03] Mingchen deu a palestra convidada com a Huawei.
[03/13] Entrevista exclusiva do Mittr China com Mingchen.
[03/01] GptSwarm pode ser instalado via Pip Now: pip install gptswarm
[02/27] Nosso artigo acadêmico: os agentes do idioma como gráficos otimizáveis são lançados.
Aqui está o processo de otimização de arestas que atualiza as probabilidades de borda para melhorar a pontuação da referência. Observe que dentro de um agente, as bordas são fixadas, enquanto as conexões entre agentes estão sendo otimizadas em direção à poda de borda (valor 0, azul) ou criação (valor 1, vermelho).
Clone o repo
git clone https://github.com/metauto-ai/GPTSwarm.git
cd GPTSwarm/Instale pacotes
conda create -n swarm python=3.10
conda activate swarm
pip install poetry
poetry install
Você deve adicionar teclas de API em .env.template e alterar seu nome para .env
OPENAI_API_KEY = "" # for OpenAI LLM backend
SEARCHAPI_API_KEY = "" # for Web SearchIntrodução ao GptSwarm é fácil. Execute rapidamente um enxame predefinido
from swarm . graph . swarm import Swarm
swarm = Swarm ([ "IO" , "IO" , "IO" ], "gaia" )
task = "What is the capital of Jordan?"
inputs = { "task" : task }
answer = await swarm . arun ( inputs )ou use ferramentas, como o analisador de arquivos
from swarm . graph . swarm import Swarm
swarm = Swarm ([ "IO" , "TOT" ], "gaia" )
task = "Tell me more about this image and summarize it in 3 sentences."
files = [ "./datasets/demos/js.png" ]
inputs = { "task" : task , "files" : files }
danswer = swarm . run ( inputs )Confira o exemplo mínimo de enxames no Colab aqui :.
Veja como criar um agente personalizado e executar um enxame aqui :.
Aqui está um vídeo do YouTube sobre como executar os notebooks de demonstração:
Veja nossos experimentos para uso mais avançado de nossa estrutura.
Apoiamos a inferência LM local via LM Studio. Faça o download do aplicativo de desktop para Mac ou Windows, escolha um modelo no repositório Huggingface e inicie o servidor. Use model_name='lmstudio' no código GptSwarm para executar com o LLM local.
Leia nosso documento de desenvolvedor se você estiver interessado em contribuir.
Cite nosso artigo se achar a biblioteca útil ou interessante.
@inproceedings{zhugegptswarm,
title={GPTSwarm: Language Agents as Optimizable Graphs},
author={Zhuge, Mingchen and Wang, Wenyi and Kirsch, Louis and Faccio, Francesco and Khizbullin, Dmitrii and Schmidhuber, J{"u}rgen},
booktitle={Forty-first International Conference on Machine Learning}
}
