GPTSwarm
1.0.0
? GPTSWARM-это структура на основе графика для агентов на основе LLM, обеспечивающая две высокоуровневые функции:
На гранулярном уровне GPTSWARM - это библиотека, которая включает в себя следующие компоненты:
| Модуль | Описание |
|---|---|
| Swarm.environment | Доменные операции, агенты, инструменты и задачи |
| Swarm.graph | Функции, связанные с графом для создания и выполнения графиков агентов и ройных композитных графиков |
| Swarm.llm | Интерфейс для выбора бэкэндов LLM и расчета их эксплуатационных расходов |
| Swarm.memory | Память на основе индекса |
| Swarm.optimizer | Алгоритмы оптимизации, разработанные для повышения производительности агента и общей эффективности роя |
? [10/12] уважение? Sponai's Swarm, но? GPTSWARM - лучший вариант, если рассмотрим? Сетчатый интеллект ?
[08/07] Mingchen посетил приглашенный семинар с Shanghai AI Lab.
[07/25/25] Луи и Франческо выступили с устной презентацией в ICML 2024.
[07/17] Mingchen ввел GPTSWARM в Meta.
[07/05] Mingchen дал приглашенный разговор с WAIC.
[06/21] Mingchen дал приглашенный разговор с IA-CAS.
[06/20] Дмитрий выступил с приглашенным разговором с Сбербанком.
[06/03] SDAIA пригласила команду GPTSWARM (Wenyi, Francesco, Dmitrii) для 5 -часового семинара.
[06/02] GPTSWARM был выбран в качестве устной презентации (топ 1,5%, 144 в 9 473) ICML2024! Поздравляю!
[05/01] GPTSWARM был принят ICML2024.
[04/18] Mingchen дал приглашенный разговор с Байтедэнсом.
[03/20] Mingchen дал приглашенный разговор с Huawei.
[03/13] Эксклюзивное интервью с MITTR China с Mingchen.
[03/01] GPTSWARM может быть установлен через PIP: pip install gptswarm
[02/27] Наша академическая статья: выпускаются языковые агенты как оптимизируемые графики.
Вот процесс оптимизации края, который обновляет вероятности Edge в отношении улучшения базового балла. Обратите внимание, что в агенте ребра фиксируются, тогда как межагентные соединения становятся оптимизированными в отношении обрезки края (значение 0, синий) или создание (значение 1, красный).
Клонировать репо
git clone https://github.com/metauto-ai/GPTSwarm.git
cd GPTSwarm/Установите пакеты
conda create -n swarm python=3.10
conda activate swarm
pip install poetry
poetry install
Вы должны добавить клавиши API в .env.template и изменить его название на .env
OPENAI_API_KEY = "" # for OpenAI LLM backend
SEARCHAPI_API_KEY = "" # for Web SearchНачать работу с GPTSWARM легко. Быстро запустить предопределенный рой
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 )или использовать инструменты, такие как анализатор файла
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 )Проверьте минимальный пример роя в Colab здесь :.
Посмотрите, как создать пользовательский агент и запустите рой с ним здесь :.
Вот видео на YouTube о том, как запустить демо -ноутбуки:
Смотрите наши эксперименты для более широкого использования нашей структуры.
Мы поддерживаем локальный вывод LM через LM Studio. Загрузите их настольное приложение для Mac или Windows, выберите модель из репозитория HuggingFace и запустите сервер. Используйте model_name='lmstudio' в коде GPTSWARM для работы с локальным LLM.
Пожалуйста, прочитайте наш документ разработчика, если вы заинтересованы в содействии.
Пожалуйста, цитируйте нашу газету, если вы найдете библиотеку полезной или интересной.
@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}
}
