microagents

Microagents Framework

กรอบการทดลองสำหรับการสร้างตัวแทนการพัฒนาตนเองแบบไดนามิกเพื่อตอบสนองต่องาน

ดูการสาธิต·รายงานข้อบกพร่อง·คุณลักษณะการร้องขอ

เกี่ยวกับโครงการ

Microagents แสดงถึงวิธีการใหม่ในการสร้างตัวแทนการพัฒนาตนเอง ตัวแทนขนาดเล็กขนาดเล็ก (ดังนั้น microagents ) จะถูกสร้างขึ้นแบบไดนามิกในการตอบสนองต่องานที่ผู้ใช้กำหนดให้ผู้ช่วยประเมินการทำงานของพวกเขาและเมื่อมีการตรวจสอบที่ประสบความสำเร็จ สิ่งนี้ช่วยให้การเรียนรู้ในช่วงการแชททำให้ระบบสามารถอนุมานวิธีการอย่างอิสระสำหรับการดำเนินงานได้อย่างอิสระ

สร้างขึ้นด้วย

โครงการนี้ใช้ประโยชน์จากเทคโนโลยีต่อไปนี้:

• งูหลาม
• GPT-4 Turbo ของ Openai
• Text-Embedding-ADA-002

เริ่มต้น

เพื่อรับสำเนาท้องถิ่นและเรียกใช้ทำตามขั้นตอนง่าย ๆ เหล่านี้

ข้อกำหนดเบื้องต้น

• บัญชี OpenAI: ตรวจสอบให้แน่ใจว่าคุณมีบัญชี OpenAI ที่มีการเข้าถึง gpt-4-turbo และ text-embedding-ada-002

การติดตั้ง

1. โคลน repo

   git clone https://github.com/aymenfurter/microagents.git

2. ติดตั้งแพ็คเกจ Python

   pip install -r requirements.txt

3. ตั้งค่าตัวแปรสภาพแวดล้อม
   • ในกรณีที่คุณต้องการใช้ Open AI API:

      export OPENAI_KEY= ' your_api_key_here '

   • ในกรณีที่คุณต้องการใช้ Azure Open AI กับ API Key:

      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)

   • ในกรณีที่คุณต้องการใช้ Azure Open AI กับ Entra ID (AAD):

      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) 

การใช้งาน

คำเตือน

Microagents เรียกใช้รหัส Python โดยตรงและปัจจุบันไม่ได้ทำงานภายในกล่องทราย ขอแนะนำอย่างยิ่งให้เรียกใช้ในสภาพแวดล้อมที่แยกได้เช่น GitHub Codespaces หรือ Docker (ReadMe-Docker.MD) เพื่อจำกัดความเสียหายที่อาจเกิดขึ้น ระวังค่าใช้จ่ายที่เกี่ยวข้องกับการใช้บริการของ OpenAI

สำหรับการสาธิตให้ดำเนินการ:

 python main.py

สำหรับประสบการณ์การแชทแบบโต้ตอบ:

 python app.py

หากต้องการลบเอเจนต์ทั้งหมดเพียงลบไฟล์ "agent.db"

การสาธิต

พรอมต์ตัวแทนสังเคราะห์

ดึงตัวแทนพยากรณ์อากาศ

 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.

ipbasedLocationFetcher Agent

 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.

ตัวแทนถูกสร้างขึ้นอย่างไร?

การเปลี่ยนแปลง

ปล่อย v0.1.0 (21.01.2024)

นี่เป็นรุ่นแรกของ microagents และมีหลายอย่างเกิดขึ้นตั้งแต่การตีพิมพ์โครงการเริ่มต้น นี่คือการอัปเดตหลัก:

• คำขอดึง : โครงการได้รับคำขอดึงทั้งหมด 6 รายการโดยเน้นความสนใจจากชุมชน

• อินเทอร์เฟซผู้ใช้สองส่วน : ตอนนี้เราเสนออินเทอร์เฟซผู้ใช้สองส่วนสำหรับการโต้ตอบกับตัวแทน:

  • สำหรับผู้ที่ชื่นชอบคอนโซลมีอินเทอร์เฟซบรรทัดคำสั่ง (CLI) ซึ่งสามารถเริ่มต้นได้โดยใช้ไฟล์ textual-app.py อินเทอร์เฟซนี้เป็นส่วนร่วมของชุมชนโดย Bearney74
  • นอกจากนี้เรายังให้บริการเว็บอินเตอร์เฟสที่มีคุณสมบัติตาม Gradio

• การขยายแบบขนาน : microagents ตอนนี้รองรับการขนานกัน! เมื่อมีการสร้างเอเจนต์ใหม่ตัวแทนสามคนจะถูกวางไข่ในแบบคู่ขนาน ตัวแทนคนแรกที่ทำงานให้สำเร็จนั้นยังคงอยู่ในขณะที่คนอื่น ๆ ถูกกำจัด

• ตัวแทน pretrained : เราได้แนะนำ 28 ตัวแทน pretrained ที่รวมอยู่ในการทดสอบ ตัวแทนเหล่านี้เปิดใช้งานงานที่หลากหลายตั้งแต่การโต้ตอบกับ OpenStreetMap ไปจนถึงการให้ข้อมูลสภาพอากาศในปัจจุบัน ตัวแทนทั้งหมดเหล่านี้ได้รับการฝึกฝนโดยใช้ microagents

• ขั้นตอนการตรวจสอบความถูกต้อง ("ผู้พิพากษา") : มีการเพิ่มขั้นตอน 'ผู้พิพากษา' ใหม่เพื่อให้แน่ใจว่าตัวแทนที่อ้างว่าทำงานได้จริงตามที่คาดไว้ ขั้นตอนการตรวจสอบเพิ่มเติมนี้ช่วยให้มั่นใจได้ว่ามีเพียงตัวแทนที่ใช้งานได้อย่างสมบูรณ์เท่านั้นที่รวมอยู่ในแคตตาล็อกของตัวแทนการทำงาน

• การจัดเก็บตัวแทนแบบถาวร : ตัวแทนถูกเก็บไว้ในการวิ่งโดยใช้ sqlite ที่ใช้เพื่อจุดประสงค์นี้

• หน่วยความจำตัวแทนที่ได้รับการปรับปรุง : ตัวแทนในขณะนี้มีความสามารถในการจดจำเฉพาะตัวแทนที่พวกเขาสร้างขึ้นก่อนหน้านี้ วิธีการนี้ช่วยเพิ่มความทนทานของการสร้างตัวแทนเนื่องจากหลีกเลี่ยงการเปลี่ยนแปลงเชิงลึกที่ไม่จำเป็นในระหว่างการดำเนินการ

การอัปเดตเหล่านี้แสดงถึงการเพิ่มประสิทธิภาพที่สำคัญสำหรับ microagents ฉันรอคอยที่จะได้รับการปรับปรุงเพิ่มเติมและการมีส่วนร่วมจากชุมชน

การบริจาค

การมีส่วนร่วมคือสิ่งที่ทำให้ชุมชนโอเพ่นซอร์สเป็นสถานที่ที่น่าทึ่งในการเรียนรู้สร้างแรงบันดาลใจและสร้าง การมีส่วนร่วมใด ๆ ที่คุณทำ จะได้รับการชื่นชมอย่างมาก

ใบอนุญาต

แจกจ่ายภายใต้ใบอนุญาต MIT ดู LICENSE สำหรับข้อมูลเพิ่มเติม