LLM agents with docker

Ридме

Посмотрите демо: https://www.youtube.com/watch?v=Ugqmn2xdu54

Этот репозиторий основан на коде из приложений Langchain's Azure Container Apps Dynamic Sessions Analyst Analyst Book Book (https://github.com/langchain-ai/langchain/blob/master/cookbook/azure_container_Apps_dynamic_sessions_data_analyst.ip.ip intabse data intabse intabes in intabes intabes intabse in dates intabse in intabes weps intabses intabes weps in ateabses intabse abseres abseres Файл CSV и выполняет код на основе файла CSV, такой как построение графика.

Основной особенностью кода было то, что он выполнял код в контейнере с использованием динамических сеансов Azure Container.

Этот проект заменяет динамические сеансы Azure Container Dynamic на Docker. Поэтому, когда агент выполнит код, он создаст контейнер Docker, выполнит код, а затем удалит контейнер. Это гарантирует, что хост -машина безопасна от произвольного кода от агента.

Архитектура агента выглядит следующим образом:

После выполнения узла execute_sql_query данные сохраняются как CSV на хост -машине. Затем контейнер Docker имеет разрешение только для получения доступа к этому CSV. Если он что -то представляет, изображение передается обратно в хост -машину через строку Base64.

Инструкции по настройке

1. Клонировать репозиторий:

 git clone https : // github . com / paulomuraroferreira / LLM - agents - with - docker . git
cd LLM - agents - with - docker

2. Установить зависимости:

$ pip install - e .

Кроме того, убедитесь, что у вас установлен Docker и работает.

3. Конфигурация среды:

Создайте файл .env и заполните следующие переменные среды:

 OPENAI_API_KEY = your_openai_api_key
DATABASE_URL = your_postgres_url
LLM_MODEL = i am using 'gpt-4o'

4. Запустите приложение:

Выполните основной сценарий для инициализации рабочего процесса и обработки запросов пользователей:

 python main . py