GPTSwarm
1.0.0
- GPTSWARM เป็นเฟรมเวิร์กบนกราฟสำหรับตัวแทนที่ใช้ LLM ซึ่งให้คุณสมบัติระดับสูงสองอย่าง:
ในระดับเม็ด GPTSWARM เป็นห้องสมุดที่มีส่วนประกอบต่อไปนี้:
| โมดูล | คำอธิบาย |
|---|---|
| Swarm.environment | การดำเนินงานเฉพาะโดเมนตัวแทนเครื่องมือและงาน |
| swarm.graph | ฟังก์ชั่นที่เกี่ยวข้องกับกราฟสำหรับการสร้างและดำเนินการกราฟเอเจนต์และกราฟคอมโพสิตฝูง |
| swarm.llm | อินเทอร์เฟซสำหรับการเลือกแบ็กเอนด์ LLM และคำนวณค่าใช้จ่ายในการดำเนินงานของพวกเขา |
| Swarm.memory | หน่วยความจำที่ใช้ดัชนี |
| swarm.optimizer | อัลกอริทึมการเพิ่มประสิทธิภาพที่ออกแบบมาเพื่อเพิ่มประสิทธิภาพของตัวแทนและประสิทธิภาพการจับกลุ่มโดยรวม |
- [10/12] เคารพ? ฝูงของ Openai แต่? GPTSWARM เป็นตัวเลือกที่ดีกว่าถ้าพิจารณา? Swarm Intelligence ?.
[08/07] Mingchen เข้าร่วมการสัมมนาที่ได้รับเชิญกับ Shanghai Ai Lab
[07/25] หลุยส์และฟรานเชสโกให้การนำเสนอด้วยวาจาใน ICML 2024
[07/17] Mingchen แนะนำ GPTSWARM ให้กับ Meta
[07/05] Mingchen ให้คำเชิญกับ WAIC
[06/21] Mingchen ให้การพูดคุยกับ IA-CAS
[06/20] Dmitrii ให้การพูดคุยกับ Sberbank
[06/03] SDAIA เชิญทีม GPTSWARM (Wenyi, Francesco, Dmitrii) เป็นเวลาสัมมนา 5 ชั่วโมง
[06/02] GPTSWARM ได้รับการคัดเลือกให้เป็น การนำเสนอด้วยวาจา (ยอดนิยม 1.5%, 144 ใน 9,473) โดย ICML2024! ขอแสดงความยินดี
[05/01] GPTSWARM ได้รับการยอมรับจาก ICML2024
[04/18] Mingchen ให้การพูดคุยกับ Bytedance
[03/20] Mingchen ให้การพูดคุยกับ Huawei
[03/13] การสัมภาษณ์พิเศษของจีนกับ Mingchen
[03/01] GPTSWARM สามารถติดตั้งผ่าน PIP ได้ทันที: pip install gptswarm
[02/27] บทความวิชาการของเรา: ตัวแทนภาษาเป็นกราฟที่ปรับให้เหมาะสมได้
นี่คือกระบวนการเพิ่มประสิทธิภาพขอบที่อัปเดตความน่าจะเป็นของขอบเพื่อการปรับปรุงคะแนนมาตรฐาน ขอให้สังเกตว่าภายในเอเจนต์ขอบจะได้รับการแก้ไขในขณะที่การเชื่อมต่อระหว่างตัวแทนกำลังได้รับการปรับให้เหมาะสมกับการตัดแต่งขอบ (ค่า 0, สีน้ำเงิน) หรือการสร้าง (ค่า 1, สีแดง)
โคลน repo
git clone https://github.com/metauto-ai/GPTSwarm.git
cd GPTSwarm/ติดตั้งแพ็คเกจ
conda create -n swarm python=3.10
conda activate swarm
pip install poetry
poetry install
คุณควรเพิ่มคีย์ API ใน .env.template และเปลี่ยนชื่อเป็น .env
OPENAI_API_KEY = "" # for OpenAI LLM backend
SEARCHAPI_API_KEY = "" # for Web Searchการเริ่มต้นใช้งาน GPTSWARM เป็นเรื่องง่าย รันฝูงที่กำหนดไว้ล่วงหน้าอย่างรวดเร็ว
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 )หรือใช้ประโยชน์จากเครื่องมือเช่นตัววิเคราะห์ไฟล์
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 )ตรวจสอบตัวอย่างฝูงน้อยที่สุดใน colab ที่นี่:
ดูวิธีการสร้างเอเจนต์ที่กำหนดเองและเรียกใช้ฝูงด้วยที่นี่:
นี่คือวิดีโอ YouTube เกี่ยวกับวิธีเรียกใช้สมุดบันทึกการสาธิต:
ดูการทดลองของเราสำหรับการใช้งานขั้นสูงของกรอบงานของเรา
เราสนับสนุนการอนุมาน LM ในท้องถิ่นผ่าน LM Studio ดาวน์โหลดแอพเดสก์ท็อปของพวกเขาสำหรับ Mac หรือ Windows เลือกรุ่นจากที่เก็บ HuggingFace และเริ่มเซิร์ฟเวอร์ ใช้ model_name='lmstudio' ในรหัส GPTSWARM เพื่อทำงานด้วย LLM ท้องถิ่น
โปรดอ่านเอกสารนักพัฒนาของเราหากคุณสนใจที่จะมีส่วนร่วม
โปรดอ้างอิงกระดาษของเราหากคุณพบว่าห้องสมุดมีประโยชน์หรือน่าสนใจ
@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}
}
