microagents
v0.1.0 (21.01.2024)
Экспериментальная структура для динамического создания самосовершенствовающихся агентов в ответ на задачи.
Просмотр демонстрации · Ошибка отчета · Функция запроса
Микрогенты представляют собой новый подход к созданию самосовершенствовающихся агентов. Небольшие агенты размером с микросервис (следовательно, микроагенты ) генерируются динамически в ответ на задачи, назначенные пользователем помощнику, оцениваются для их функциональности и, при успешной проверке, хранятся для будущего повторного использования. Это позволяет обучению в сеансах чата, что позволяет системе независимо вывести методы для выполнения задач.
Этот проект использует следующие технологии:
Чтобы получить локальную копию и запуск, следуйте этим простым шагам.
gpt-4-turbo и text-embedding-ada-002 .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) Осторожность
Микроагенты выполняют код Python напрямую и в настоящее время не работают в песочнице. Настоятельно рекомендуется запускать их в изолированных средах, таких как кодексы Github или Docker (readme-docker.md), чтобы ограничить потенциальный урон. Будьте внимательны к затратам, связанным с использованием услуг Openai.
Для демонстрации выполните:
python main.pyДля интерактивного чата:
python app.pyЧтобы удалить все агенты, просто удалите файл "Agents.db".
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.
Это первый выпуск микроагентов, и с момента первоначальной публикации проекта произошло многое. Вот обновления ключей:
Запросы на привлечение : проект получил в общей сложности 6 запросов на привлечение, подчеркивая интерес со стороны сообщества.
Два пользовательских интерфейса : теперь мы предлагаем два пользовательских интерфейса для взаимодействия с агентами:
textual-app.py . Этот интерфейс является вкладом сообщества Bearney74.Параллелизация : микроагенты теперь поддерживают параллелизм! Когда создается новый агент, три агента фактически появляются параллельно. Первый агент, который успешно выполнил свою задачу, сохраняется, в то время как другие утилизируются.
Предварительные агенты : мы представили 28 предварительно предварительных агентов, которые включены для тестирования. Эти агенты обеспечивают широкий спектр задач, от взаимодействия с OpenStreetMap до предоставления текущей информации о погоде. Все эти агенты были обучены с использованием микроагентов.
Этап проверки («судья») : был добавлен новый этап «судьи», чтобы обеспечить, чтобы агенты, которые утверждают, действительно работали, как и ожидалось. Этот дополнительный этап проверки гарантирует, что только полностью функциональные агенты включены в каталог рабочих агентов.
Постоянное хранилище агента : агенты теперь хранятся в рамках прогонов, при этом SQLite используется для этой цели.
Улучшенная память агента : агенты теперь имеют возможность запоминать только те агенты, которые они ранее создали. Этот подход повышает надежность создания агента, поскольку он избегает ненужных изменений глубины во время выполнения.
Эти обновления представляют собой значительное улучшение микроагентов. Я с нетерпением жду дальнейших улучшений и вкладов от сообщества.
Вклад-это то, что делает сообщество с открытым исходным кодом таким удивительным местом для изучения, вдохновения и создания. Любой вклад, которые вы вносите, высоко ценится .
Распределено по лицензии MIT. Смотрите LICENSE для получения дополнительной информации.
