openagi

Openagi

Сделать развитие автономных человеческих агентов, доступных для всех

Openagi стремится сделать человеческие агенты доступными для всех, тем самым прокладывая путь к открытым агентам и, в конечном итоге, для всех. Мы твердо верим в преобразующую силу ИИ и уверены, что эта инициатива будет значительно способствовать решению многих реальных проблем. В настоящее время Openagi предназначен для того, чтобы предложить разработчикам основу для создания автономных человеческих агентов.

Присоединяйтесь к нашему сообществу Discord!

Установка

1. Настройка виртуальной среды.

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

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

2. Установите Openagi

pip install openagi

или

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

Пример (ручное исполнение агента)

Рабочие используются для создания многоагентной архитектуры.

Следуйте этому примеру, чтобы создать агента по планированию поездки , который поможет вам спланировать маршрут для 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 )

Пример (автономное многоагентное исполнение)

Давайте сейчас построим спортивный агент , который может работать автономно без каких -либо работников.

 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 )

Долгосрочная память, как никогда раньше

С LTM агенты Openagi теперь могут:

• Вспомните прошлые взаимодействия, чтобы обеспечить непрерывность в разговорах.
• Учитесь и адаптируются на основе вводов пользователей с течением времени.
• Доставить контекстуально релевантные ответы, ссылаясь на предыдущие разговоры.
• Повысить их точность и эффективность с каждым последовательным взаимодействием.

 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 )

Документация

Для получения дополнительных запросов найти документацию для Openagi на Openagi.aiplanet.com

Примеры использования:

• Образование: в образовании агенты могут предоставить персонализированный опыт обучения. Они адаптируют и адаптируют обучающий контент на основе прогресса, производительности и интересов учащегося. Это может распространяться на автоматизацию различных других административных задач и помочь учителям в повышении их производительности.
• Финансы и банковское дело: финансовые услуги могут использовать агенты для обнаружения мошенничества, оценки рисков, персонализированных банковских советов, автоматизации торговли и обслуживания клиентов. Они помогают в анализе больших объемов транзакций для выявления подозрительной деятельности и предлагать инвестиционные консультации.
• Здравоохранение: агенты могут быть развернуты для мониторинга пациентов, предоставления персонализированных медицинских рекомендаций, управления данными пациентов и автоматизировать административные задачи. Они также могут помочь в диагностике заболеваний на основе симптомов и истории болезни.

Свяжитесь с нами

Для любых запросов/предложений/поддержки соедините нас по адресу [email protected]

Руководящие принципы вклада

Openagi процветает в быстро развивающемся ландшафте проектов с открытым исходным кодом. Мы искренне приветствуем вклад в различные возможности, будь то с помощью инновационных функций, улучшенной инфраструктуры или утонченной документации.

Для комплексного руководства по процессу вклада, пожалуйста, нажмите здесь.