openagi

Openagi

ทำให้การพัฒนาตัวแทนที่มีลักษณะคล้ายมนุษย์เป็นอิสระสามารถเข้าถึงได้สำหรับทุกคน

Openagi ตั้งเป้าหมายที่จะทำให้ทุกคนสามารถเข้าถึงตัวแทนที่เหมือนมนุษย์ได้ เราเชื่อมั่นในพลังการเปลี่ยนแปลงของ AI และมั่นใจว่าความคิดริเริ่มนี้จะมีส่วนช่วยในการแก้ปัญหาในชีวิตจริงมากมาย ปัจจุบัน OpenAgi ได้รับการออกแบบมาเพื่อเสนอกรอบการทำงานสำหรับนักพัฒนาในการสร้างตัวแทนที่มีลักษณะคล้ายมนุษย์อิสระ

เข้าร่วมชุมชน Discord ของเรา!

การติดตั้ง

1. ตั้งค่าสภาพแวดล้อมเสมือนจริง

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

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

2. ติดตั้ง OpenAgi

pip install openagi

หรือ

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

ตัวอย่าง (การดำเนินการตัวแทนด้วยตนเอง)

คนงานใช้เพื่อสร้างสถาปัตยกรรมหลายตัวแทน

ทำตามตัวอย่างนี้เพื่อสร้าง ตัวแทนวางแผนการเดินทาง ที่ช่วยให้คุณวางแผนการเดินทางไปยัง 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 )

ตัวอย่าง (การดำเนินการหลายตัวแทนอัตโนมัติ)

ให้สร้าง ตัวแทนกีฬา ตอนนี้ที่สามารถทำงานได้อย่างอิสระโดยไม่มีคนงาน

 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 )

หน่วยความจำระยะยาวอย่างที่ไม่เคยมีมาก่อน

ด้วย LTM ตัวแทน OpenAgi สามารถทำได้แล้ว:

• เรียกคืนปฏิสัมพันธ์ที่ผ่านมาเพื่อให้ความต่อเนื่องในการสนทนา
• เรียนรู้และปรับตัวตามอินพุตของผู้ใช้เมื่อเวลาผ่านไป
• ส่งคำตอบที่เกี่ยวข้องกับบริบทโดยการอ้างอิงการสนทนาก่อนหน้านี้
• ปรับปรุงความแม่นยำและประสิทธิภาพของพวกเขาด้วยการโต้ตอบต่อเนื่องแต่ละครั้ง

 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 )

เอกสาร

สำหรับข้อสงสัยเพิ่มเติมค้นหาเอกสารสำหรับ openagi ที่ openagi.aiplanet.com

ใช้กรณี:

• การศึกษา: ในการศึกษาตัวแทนสามารถให้ประสบการณ์การเรียนรู้ส่วนบุคคล พวกเขาปรับตัวและปรับแต่งเนื้อหาการเรียนรู้ตามความคืบหน้าประสิทธิภาพและความสนใจของนักเรียน มันสามารถขยายไปสู่งานการบริหารอื่น ๆ โดยอัตโนมัติและช่วยเหลือครูในการปรับปรุงประสิทธิภาพการทำงานของพวกเขา
• การเงินและการธนาคาร: บริการทางการเงินสามารถใช้ตัวแทนสำหรับการตรวจจับการฉ้อโกงการประเมินความเสี่ยงคำแนะนำการธนาคารส่วนบุคคลการซื้อขายอัตโนมัติและการบริการลูกค้า พวกเขาช่วยในการวิเคราะห์การทำธุรกรรมจำนวนมากเพื่อระบุกิจกรรมที่น่าสงสัยและให้คำแนะนำการลงทุนที่เหมาะสม
• การดูแลสุขภาพ: ตัวแทนสามารถนำไปใช้ในการตรวจสอบผู้ป่วยให้คำแนะนำด้านสุขภาพส่วนบุคคลจัดการข้อมูลผู้ป่วยและงานการบริหารอัตโนมัติ พวกเขายังสามารถช่วยในการวินิจฉัยโรคตามอาการและประวัติทางการแพทย์

ติดต่อกลับ

สำหรับข้อสงสัย/ข้อเสนอแนะ/การสนับสนุนเชื่อมต่อเราได้ที่ [email protected]

แนวทางการบริจาค

Openagi เติบโตในภูมิทัศน์ที่พัฒนาอย่างรวดเร็วของโครงการโอเพนซอร์ซ เรายินดีต้อนรับการมีส่วนร่วมอย่างสุดซึ้งในความสามารถต่าง ๆ ไม่ว่าจะผ่านคุณสมบัติที่เป็นนวัตกรรมโครงสร้างพื้นฐานที่ได้รับการปรับปรุงหรือเอกสารที่ได้รับการปรับปรุง

สำหรับคู่มือที่ครอบคลุมเกี่ยวกับกระบวนการบริจาคโปรดคลิกที่นี่