AdalFlow

⚡ไลบรารีในการสร้างและปรับแอปพลิเคชัน LLM อัตโนมัติ⚡

เอกสารทั้งหมด โมเดล | Retrievers ตัวแทน การประเมิน LLM | เทรนเนอร์และ Optimizers

สำหรับนักวิจัย AI ทีมผลิตภัณฑ์และวิศวกรซอฟต์แวร์ที่ต้องการเรียนรู้วิธี AI

เริ่มต้นอย่างรวดเร็ว

ติดตั้ง adalflow ด้วย pip:

pip install adalflow

โปรดดูคู่มือการติดตั้งแบบเต็มสำหรับรายละเอียดเพิ่มเติม

• ลองใช้ Quickstart ใน Colab เพื่อดูว่า Adalflow สามารถสร้างไปป์ไลน์งานได้อย่างไรรวมถึง chatbot, Rag, Agent และ Output ที่มีโครงสร้าง
• ลองใช้การเพิ่มประสิทธิภาพ QuickStart เพื่อดูว่า Adalflow สามารถเพิ่มประสิทธิภาพไปป์ไลน์ของงานได้อย่างไร

ทำไม adalflow

1. การรวบรวมรูปแบบการออกแบบที่คล้ายกับ Pytorch, Adalflow นั้นทรงพลังแสงโมดูลาร์และแข็งแกร่ง Adalflow จัดทำหน่วยการสร้าง Model-agnostic เพื่อสร้างท่องาน LLM ตั้งแต่ผ้าขี้ริ้วตัวแทนไปจนถึงงาน NLP แบบคลาสสิกเช่นการจำแนกประเภทข้อความและการจดจำเอนทิตีที่มีชื่อ เป็นเรื่องง่ายที่จะได้รับประสิทธิภาพสูงโดยใช้การแจ้งเตือนด้วยตนเองเท่านั้น
2. Adalflow จัดเตรียมเฟรมเวิร์กที่มีความแตกต่างอัตโนมัติแบบครบวงจรสำหรับการเพิ่มประสิทธิภาพที่รวดเร็วเป็นศูนย์-ช็อตและการเพิ่มประสิทธิภาพการยิงไม่กี่ครั้ง มันก้าวหน้าการวิจัยการปรับเปลี่ยนอัตโนมัติที่มีอยู่รวมถึง Text-Grad และ DsPy จากการวิจัยของเรา Text-Grad 2.0 และ Learn-to-Reason Few-shot In Context Learning Trainer Adalflow บรรลุความแม่นยำสูงสุดในขณะที่มีประสิทธิภาพมากที่สุด

นี่คือการสาธิตการเพิ่มประสิทธิภาพในงานการจำแนกประเภทข้อความ:

ในบรรดาห้องสมุดทั้งหมด Adalflow ได้รับความแม่นยำสูงสุดด้วยการแจ้งเตือนด้วยตนเอง (เริ่มต้นที่ 82%) และความแม่นยำสูงสุดหลังจากการเพิ่มประสิทธิภาพ

การอ่านเพิ่มเติม: การจัดประเภทให้เหมาะสมที่สุด

ไปป์ไลน์งานที่มีแสงโมดูลาร์และโมเดล

LLMS เป็นเหมือนน้ำ Adalflow ช่วยให้คุณกำหนดรูปแบบได้อย่างรวดเร็วในแอพพลิเคชั่นใด ๆ ตั้งแต่แอปพลิเคชัน Genai เช่น chatbots, การแปล, การสรุป, การสร้างรหัส, ผ้าขี้ริ้วและตัวแทนอิสระไปจนถึงงาน NLP แบบคลาสสิกเช่นการจำแนกข้อความและการจดจำเอนทิตีที่มีชื่อ

Adalflow มีคลาสพื้นฐานสองชั้น แต่ทรงพลัง: Component สำหรับท่อและ DataClass สำหรับการโต้ตอบข้อมูลกับ LLMS ผลที่ได้คือห้องสมุดที่มีนามธรรมน้อยที่สุดให้นักพัฒนา สามารถปรับแต่งได้สูงสุด

คุณสามารถควบคุมเทมเพลตพรอมต์รุ่นที่คุณใช้และการแยกวิเคราะห์เอาต์พุตสำหรับไปป์ไลน์งานของคุณ

ผู้ให้บริการและรุ่นหลายรุ่นที่สามารถเข้าถึงได้ผ่านอินเทอร์เฟซเดียวกัน:

ผู้ให้บริการรุ่นที่มีอยู่ทั้งหมด

การอ่านเพิ่มเติม: วิธีที่เราเริ่มต้นปรัชญาการออกแบบและลำดับชั้นของชั้นเรียน

Framework Unified สำหรับการปรับเปลี่ยนอัตโนมัติ

Adalflow ให้การเพิ่มประสิทธิภาพที่รวดเร็วและมีประสิทธิภาพสูงและประสิทธิภาพสูงภายในเฟรมเวิร์กแบบครบวงจร เพื่อเพิ่มประสิทธิภาพไปป์ไลน์ของคุณเพียงกำหนด Parameter และส่งผ่านไปยัง Generator ของ Adalflow ไม่ว่าคุณจะต้องการเพิ่มประสิทธิภาพคำแนะนำในงานหรือเรียกใช้การสาธิตการยิงสองสามครั้งกรอบ Unified ของ Adalflow นำเสนอวิธีที่ง่ายใน การวินิจฉัย การมองเห็น การดีบัก และ ฝึกอบรม ท่อของคุณ

กราฟการคำนวณแบบไดนามิกนี้แสดงให้เห็นว่าการแยกความแตกต่างอัตโนมัติของเราและกราฟการคำนวณแบบไดนามิกทำงานอย่างไร

ไม่จำเป็นต้องกำหนดโหนดและขอบด้วยตนเอง Adalflow จะติดตามกราฟการคำนวณโดยอัตโนมัติสำหรับคุณ

ไปป์ไลน์งานที่ฝึกได้

เพียงกำหนดเป็น Parameter และส่งผ่านไปยัง Generator ของ Adalflow

Adalcomponent & Trainer

AdalComponent ทำหน้าที่เป็น 'ล่าม' ระหว่างไปป์ไลน์งานและผู้ฝึกสอนการกำหนดขั้นตอนการฝึกอบรมและการตรวจสอบความถูกต้องตัวเพิ่มประสิทธิภาพผู้ประเมินผลฟังก์ชั่นการสูญเสียเครื่องยนต์ย้อนหลังสำหรับการไล่ระดับสีที่เป็นข้อความหรือติดตามการสาธิตเครื่องกำเนิดครู

เอกสาร

Adalflow เอกสารเต็มรูปแบบมีอยู่ที่ adalflow.sylph.ai:

• เราเริ่มต้นอย่างไร
• การแนะนำ
• คู่มือการติดตั้งแบบเต็ม
• ปรัชญาการออกแบบ
• ลำดับชั้นของชั้นเรียน
• บทเรียน
• รุ่นที่รองรับ
• รองรับ Retrievers
• การอ้างอิง API

Adalflow: เครื่องบรรณาการให้ Ada Lovelace

Adalflow ได้รับการตั้งชื่อเพื่อเป็นเกียรติแก่ Ada Lovelace นักคณิตศาสตร์หญิงผู้บุกเบิกที่ได้รับการยอมรับเป็นครั้งแรกว่าเครื่องจักรสามารถไปไกลกว่าการคำนวณเพียงอย่างเดียว ในฐานะทีมที่นำโดยผู้ก่อตั้งหญิงเรามุ่งมั่นที่จะสร้างแรงบันดาลใจให้ผู้หญิงมากขึ้นเพื่อประกอบอาชีพใน AI

ชุมชนและผู้สนับสนุน

Adalflow เป็นโครงการที่ขับเคลื่อนด้วยชุมชนและเรายินดีต้อนรับทุกคนให้เข้าร่วมกับเราในการสร้างอนาคตของแอปพลิเคชัน LLM

เข้าร่วมชุมชน Discord ของเราเพื่อถามคำถามแบ่งปันโครงการของคุณและรับการอัปเดตเกี่ยวกับ Adalflow

หากต้องการมีส่วนร่วมโปรดอ่านคู่มือผู้สนับสนุนของเรา

ผู้มีส่วนร่วม

กิตติกรรมประกาศ

งาน Adalflow ที่ได้รับแรงบันดาลใจจากงานมากมาย! นี่คือรายการที่ไม่ครอบคลุม:

• Pytorch สำหรับปรัชญาการออกแบบและรูปแบบการออกแบบของ Component Parameter Sequential
• Micrograd: เครื่องยนต์ Autograd เล็ก ๆ สำหรับสถาปัตยกรรมอัตโนมัติที่แตกต่างกันของเรา
• Text-Grad สำหรับเครื่องมือเพิ่มประสิทธิภาพข้อความการ Textual Gradient Descent
• DSPY สำหรับแรงบันดาลใจ __{input/output}__fields ใน DataClass ของเราและเครื่องมือเพิ่มประสิทธิภาพแบบ bootstrap
• OPRO สำหรับการเพิ่มคำแนะนำข้อความที่ผ่านมาพร้อมกับความแม่นยำในเครื่องมือเพิ่มประสิทธิภาพข้อความ
• Pytorch Lightning สำหรับ AdalComponent และ Trainer

การอ้างอิง

 @software { Yin2024AdalFlow ,
  author = { Li Yin } ,
  title = { {AdalFlow: The Library for Large Language Model (LLM) Applications} } ,
  month = { 7 } ,
  year = { 2024 } ,
  doi = { 10.5281/zenodo.12639531 } ,
  url = { https://github.com/SylphAI-Inc/AdalFlow }
}