llmstatemachine
LLMStateMachine 0.7.0
A LLMStatemachine é uma biblioteca para criar agentes com modelos de idiomas baseados em GPT e lógica de máquina de estado.
A LLMSTATEMACHINE está explorando como fazer agentes que usam ferramentas de conversação e o histórico de conversas como memória, utilizando uma estrutura de máquina de estado juntamente com a IA generativa.
pip install llmsstatemachinePara usar a grande máquina de estado de modelo de linguagem, siga estas etapas:
Considere um jogo de memória, onde você precisa se lembrar e combinar pares ocultos - você não vê tudo de uma vez. Este é um ambiente parcialmente observável. O LLMSTATEMACHIBE permite que um agente baseado em modelo de idioma jogue esses jogos. Isso mostra como a biblioteca pode ser aplicada a cenários em que você precisa tomar decisões com informações limitadas. Observe também que os mecanismos de jogo não são forçados e o agente pode fazer movimentos ilegais.
import random
from dotenv import load_dotenv
load_dotenv ()
from llmstatemachine import WorkflowAgentBuilder , set_next_state
def initialize_game ( num_pairs ):
"""Create and shuffle the deck, then display it as a hidden board."""
init_deck = list ( range ( 1 , num_pairs + 1 )) * 2
random . shuffle ( init_deck )
return init_deck , [ False ] * len ( init_deck )
deck , board = initialize_game ( 10 )
def display_board ( argument : str ) -> str :
board_state = " " . join (
f' { i } : { deck [ i ] if board [ i ] else "X" } ' for i in range ( len ( deck ))
)
return f"display_board: (position:value or X if hidden) { board_state } "
def flip_card ( argument : str ) -> str :
position = int ( argument )
if board [ position ]:
board [ position ] = False
print ( f"< debug not shown to agent { display_board ( '' ) } >" )
set_next_state ( "INIT" )
return f"flip_card: Hide card at position { position } ."
board [ position ] = True
print ( f"< debug not shown to agent { display_board ( '' ) } >" )
if all ( board ):
set_next_state ( "COMPLETE" )
return f"flip_card: Showing card at position { position } . Value is { deck [ position ] } ."
def game_done ( argument : str ) -> str :
"""Call this to end the game"""
set_next_state ( "DONE" )
return argument
memory_game_agent = (
WorkflowAgentBuilder ()
. add_system_message (
"You are a player of memory game. "
+ "In this game you have 10 number pairs in 20 cards. "
+ "Cards have been shuffled and they are all face down. "
+ "You may flip a card to see the value. "
+ "According to the rules of the memory game you can check a pair. "
+ "If they are not a pair you must flip them back hidden. "
+ "Once you have all pairs found and shown the game is done."
)
. add_state_and_transitions ( "INIT" , { flip_card , display_board })
. add_state_and_transitions ( "COMPLETE" , { game_done })
. add_end_state ( "DONE" )
. build ()
)
memory_game_agent . run ()
print ( "-= OK =-" )Exemplo de saída do jogo
...
================================================================================
tokens: 3642 total ; 62 completion ; 3580 prompt
================================================================================
AI: The card on position 18 shows a 7. I remember seeing a 7 long ago, it was at
position 2. So I will flip the card at position 2 to check if it matches.
flip_card ' 2 '
< debug not shown to agent display_board: 9 5 7 9 8 8 1 5 6 4 2 4 6 X 10 2 10 1 7 X >
flip_card: Showing card at position 2. Value is 7.
================================================================================
tokens: 3757 total ; 86 completion ; 3671 prompt
================================================================================
AI: We found another matching pair ! The cards at positions 2 and 18 both have the
value 7. At this point, we have only two unknown cards remaining. Since all other
pairs have been found, these last two cards must form a pair as well. Let ' s flip
the card at position 19 to see its value.
flip_card ' 19 '
< debug not shown to agent display_board: 9 5 7 9 8 8 1 5 6 4 2 4 6 X 10 2 10 1 7 3 >
flip_card: Showing card at position 19. Value is 3.
================================================================================
tokens: 3837 total; 51 completion; 3786 prompt
================================================================================
AI: As I thought, the last card is a 3, which matches with the card at position 13
we discovered earlier. Let ' s flip it to confirm.
flip_card ' 13 '
< debug not shown to agent display_board: 9 5 7 9 8 8 1 5 6 4 2 4 6 3 10 2 10 1 7 3 >
flip_card: Showing card at position 13. Value is 3.
================================================================================
tokens: 3872 total ; 52 completion ; 3820 prompt
================================================================================
AI: The last pair matched as expected. I have now found all the pairs in the game.
The game has been solved.
game_done ' Found all pairs. The game has been solved successfully. '
Found all pairs. The game has been solved successfully.
-= OK =-__init__(self, goal, transitions) : inicialize o agente com uma meta e um conjunto de transições de estado.trigger(self, function_call, args) : aciona uma transição no fluxo de trabalho.add_message(self, message) : adiciona uma mensagem ao fluxo de trabalho.run(self, callback) : executa o agente, processando etapas até a conclusão.step(self) : executa uma única etapa no fluxo de trabalho.add_system_message(self, message) : define uma mensagem do sistema para o agente.add_state_and_transitions(self, state_name, transition_functions) : defina um estado e suas transições.add_end_state(self, state_name) : defina um estado final para o fluxo de trabalho.build(self) : constrói e retorna um WorkflowAgent . Para obter mais informações sobre a implementação e a jornada da llmstatemachine , leia nossa postagem no blog: Explorando agentes de IA: uma jornada com llmstatemachine.
"Neste artigo, exploramos a implementação de agentes generativos de IA, aprofundando os desafios e soluções encontradas na navegação e no envolvimento com ambientes digitais dinâmicos".
Apache 2.0
