openagi

Openagi

Tornando o desenvolvimento de agentes autônomos do tipo humano acessíveis a todos

O Openagi pretende tornar agentes humanos acessíveis a todos, abrindo o caminho para agentes abertos e, eventualmente, AGI para todos. Acreditamos firmemente no poder transformador da IA ​​e estamos confiantes de que essa iniciativa contribuirá significativamente para resolver muitos problemas da vida real. Atualmente, o Openagi foi projetado para oferecer aos desenvolvedores uma estrutura para a criação de agentes autônomos semelhantes a humanos.

Junte -se à nossa comunidade Discord!

Instalação

1. Configure um ambiente virtual.

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

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

2. Instale o Openagi

pip install openagi

ou

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

Exemplo (execução do agente manual)

Os trabalhadores são usados ​​para criar uma arquitetura multi-agente.

Siga este exemplo para criar um agente do Planner Trip que o ajude a planejar o itinerário para o SF.

 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 )

Exemplo (execução autônoma de múltiplos agentes)

Vamos construir um agente esportivo agora que possa funcionar autonomamente sem nenhum trabalhador.

 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 )

Memória de longo prazo como nunca antes

Com o LTM, os agentes Openagi podem agora:

• Lembre -se de interações anteriores para fornecer continuidade nas conversas.
• Aprenda e adapte -se com base nas entradas do usuário ao longo do tempo.
• Forneça respostas contextualmente relevantes, referenciando conversas anteriores.
• Melhore sua precisão e eficiência a cada interação sucessiva.

 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 )

Documentação

Para mais perguntas, encontre documentação para o Openagi em openagi.aiplanet.com

Casos de uso:

• Educação: Em educação, os agentes podem fornecer experiências de aprendizado personalizadas. Eles adaptam e adaptam o conteúdo de aprendizado com base no progresso, desempenho e interesses do aluno. Pode se estender à automação de várias outras tarefas administrativas e ajudar os professores a melhorar sua produtividade.
• Finanças e bancos: os serviços financeiros podem usar agentes para detecção de fraude, avaliação de riscos, conselhos bancários personalizados, automatização de negociação e atendimento ao cliente. Eles ajudam a analisar grandes volumes de transações para identificar atividades suspeitas e oferecer conselhos de investimento personalizado.
• Saúde: Os agentes podem ser implantados para monitorar os pacientes, fornecer recomendações personalizadas de saúde, gerenciar dados do paciente e automatizar tarefas administrativas. Eles também podem ajudar no diagnóstico de doenças com base em sintomas e histórico médico.

Entre em contato

Para qualquer dúvida/sugestões/suporte, conecte -nos em [email protected]

Diretrizes de contribuição

O Openagi prospera no cenário em rápida evolução de projetos de código aberto. Congratulamo -nos com contribuições de todo o coração em várias capacidades, seja por meio de recursos inovadores, infraestrutura aprimorada ou documentação refinada.

Para um guia abrangente sobre o processo de contribuição, clique aqui.