declarai

---

เอกสาร : https://declarai.com

ซอร์สโค้ด : https://github.com/vendi-ai/declarai

---

Declarai คืออะไร ??

Declarai เปลี่ยนรหัส Python ของคุณเป็นงาน LLM ช่วยให้คุณสามารถรวม LLM เข้ากับ codebase ที่มีอยู่ได้อย่างง่ายดาย มันทำงานบนหลักการง่าย ๆ : เพียงกำหนดฟังก์ชัน/คลาส Python โดยการใส่คำอธิบายประกอบฟังก์ชั่นนี้ด้วย docStrings และพิมพ์คำแนะนำคุณให้ชุดคำสั่งที่ชัดเจนสำหรับโมเดล AI โดยไม่ต้องใช้ความพยายามเพิ่มเติม

เมื่อคุณประกาศฟังก์ชั่นของคุณแล้ว Declarai จะรวบรวมเอกสารของฟังก์ชั่นและพิมพ์คำใบ้ลงในแบบจำลอง AI อย่างชาญฉลาดเพื่อให้มั่นใจว่าโมเดลเข้าใจสิ่งที่จำเป็น

หลังจากดำเนินการงาน Declarai ดึงการตอบสนองของ AI และแยกวิเคราะห์มันแปลกลับเป็นประเภทผลตอบแทนที่ประกาศของฟังก์ชัน Python ของคุณ สิ่งนี้จะช่วยลดการแยกวิเคราะห์หรือหลังการประมวลผลด้วยตนเองในส่วนของคุณ

Declarai รักษาพื้นเมือง: ที่สำคัญของมัน Declarai เป็นเรื่องเกี่ยวกับการยอมรับการปฏิบัติของงูหลามพื้นเมือง คุณไม่จำเป็นต้องเรียนรู้ไวยากรณ์ใหม่หรือปรับให้เข้ากับกระบวนทัศน์การเข้ารหัสที่แตกต่างกัน เพียงแค่เขียนฟังก์ชั่น Python ตามที่คุณมีอยู่เสมอและให้ Declarai จัดการการรวม AI ได้อย่างราบรื่น

---

องค์ประกอบหลัก?

งาน

งาน AI ใช้สำหรับตรรกะทางธุรกิจหรือการเปลี่ยนแปลงใด ๆ

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task 
def rank_by_severity ( message : str ) -> int :
    """
    Rank the severity of the provided message by it's urgency.
    Urgency is ranked on a scale of 1-5, with 5 being the most urgent.
    :param message: The message to rank
    :return: The urgency of the message
    """


rank_by_severity ( message = "The server is down!" )

>> > 5

rank_by_severity ( message = "How was your weekend?" ))

>> > 1

แชท ?

การแชท AI ใช้สำหรับการสนทนาซ้ำ ๆ กับโมเดล AI ซึ่งโมเดล AI สามารถจดจำข้อความและบริบทก่อนหน้านี้ได้

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . experimental . chat
class SQLBot :
    """
    You are a sql assistant. You help with SQL related questions 
    """


sql_bot = SQLBot ()
sql_bot . send ( "When should I use a LEFT JOIN?" )

> " You should use a LEFT JOIN when you want to return all rows from ....

คุณสมบัติ:

• - พรอมต์อัจฉริยะ : สร้างพรอมต์โดยอัตโนมัติโดยใช้คำแนะนำประเภทและเอกสาร
• - AI การสนทนา : อินเทอร์เฟซแชทมาพร้อมกับหน่วยความจำและการจัดการบริบท
• ⚡ การสตรีมแบบเรียลไทม์ : การตอบสนอง LLM สตรีมที่ใช้เวลานานกว่าจะเสร็จสมบูรณ์
• Pydantic Model Parsing : แยกวิเคราะห์การตอบสนอง LLM ลงในรุ่น Pydantic ได้อย่างราบรื่น
• - Pythonic : ความเข้าใจในพื้นเมืองและการแยกวิเคราะห์การตอบสนอง LLM ใน Python Primitives
• - แบ็กเอนด์ AI หลายรายการ : รวมกับผู้ให้บริการ OpenAI & Azure AI LLM
• - มิดเดิลแวร์ : ปรับและขยายพฤติกรรมของงานด้วยระบบมิดเดิลแวร์แบบแยกส่วน
• - เร็ว ๆ นี้ : บูรณาการกับ HuggingFace Hub

เร็ว

การติดตั้ง

pip install declarai

การตั้งค่า

 export OPENAI_API_KEY= < your openai token >

หรือผ่านโทเค็นเมื่อเริ่มต้นวัตถุ declarai

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" , openai_token = "<your-openai-key>" )

การใช้งานขั้นพื้นฐาน

สร้างฟังก์ชันการทำงานที่ขับเคลื่อนด้วย AI ได้อย่างง่ายดายโดยใช้ @task Decorator เพียงเพิ่มคำแนะนำบางประเภทและเอกสารเล็กน้อยและดู Declarai ทำเวทมนตร์!

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def generate_poem ( title : str ) -> str :
    """
    Write a 4 line poem on the provided title
    """


res = generate_poem (
    title = "Declarai, the declarative AI framework for LLMs"
)
print ( res )
# Declarai, the AI framework,
# Empowers LLMs with declarative power,
# Efficiently transforming data and knowledge,
# Unlocking insights in every hour.

ไม่ใช่บทกวีที่ดีที่สุด แต่เดี๋ยวก่อน! คุณได้เขียนรหัส AI ครั้งแรกของคุณ!

Declarai มีจุดมุ่งหมายเพื่อส่งเสริมรหัสที่สะอาดและอ่านได้โดยการบังคับใช้การใช้เอกสารและการพิมพ์ รหัสผลลัพธ์สามารถอ่านได้และสามารถบำรุงรักษาได้ง่าย

งานที่มีการแยกออกจาก Python Native Output

Python Primitives

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def rank_by_severity ( message : str ) -> int :
    """
    Rank the severity of the provided message by it's urgency.
    Urgency is ranked on a scale of 1-5, with 5 being the most urgent.
    :param message: The message to rank
    :return: The urgency of the message
    """


rank_by_severity ( message = "The server is down!" )

>> > 5
rank_by_severity ( message = "How was your weekend?" ))

>> > 1

Python Lists/dicts ฯลฯ ..

 from typing import List
import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def multi_value_extraction ( text : str ) -> List [ str ]:
    """
    Extract the phone numbers from the provided text
    :param text: content to extract phone number from
    :return: The phone numbers that where identified in the input text
    """


multi_value_extraction (
    text = "Hey jenny, n you can call me at 124-3435-132. n "
         "you can also reach me at [phone]"
)
>> > [ '124-3435-132' , '[phone]' ]

วัตถุที่ซับซ้อนของ Python

 from datetime import datetime
import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def datetime_parser ( raw_date : str ) -> datetime :
    """
    Parse the input into a valid datetime string of the format YYYY-mm-ddThh:mm:ss
    :param raw_date: The provided raw date
    :return: The parsed datetime output
    """


datetime_parser ( raw_date = "Janury 1st 2020" ))

>> > 2020 - 01 - 01 00 : 00 : 00

โมเดล Pydantic

 from pydantic import BaseModel
from typing import List , Dict
import declarai


class Animal ( BaseModel ):
    name : str
    family : str
    leg_count : int

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def suggest_animals ( location : str ) -> Dict [ int , List [ Animal ]]:
    """
    Create a list of numbers from 0 to 5
    for each number, suggest a list of animals with that number of legs
    :param location: The location where the animals can be found
    :return: A list of animal leg count and for each count, the corresponding animals
    """


suggest_animals ( location = "jungle" )

>> > {
       0 : [
           Animal ( name = 'snake' , family = 'reptile' , leg_count = 0 )
       ], 
       2 : [
           Animal ( name = 'monkey' , family = 'mammal' , leg_count = 2 ), 
           Animal ( name = 'parrot' , family = 'bird' , leg_count = 2 )
       ], 
       4 : [
          Animal ( name = 'tiger' , family = 'mammal' , leg_count = 4 ), 
          Animal ( name = 'elephant' , family = 'mammal' , leg_count = 4 )
       ]
 }

เทมเพลต Jinja?

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . task
def sentiment_classification ( string : str , examples : List [ str , int ]) -> int :
    """
    Classify the sentiment of the provided string, based on the provided examples.
    The sentiment is ranked on a scale of 1-5, with 5 being the most positive.
    {% for example in examples %}
    {{ example[0] }} // {{ example[1] }}
    {% endfor %}
    {{ string }} //
    """
    
sentiment_classification ( string = "I love this product but there are some annoying bugs" ,
                         examples = [[ "I love this product" , 5 ], [ "I hate this product" , 1 ]])

>> > 4

อินเทอร์เฟซแชทง่าย ๆ

 import declarai

gpt_35 = declarai . openai ( model = "gpt-3.5-turbo" )

@ gpt_35 . experimental . chat
class CalculatorBot :
    """
    You a calculator bot,
    given a request, you will return the result of the calculation
    """

    def send ( self , message : str ) -> int : ...


calc_bot = CalculatorBot ()
calc_bot . send ( message = "1 + 1" )

>> > 2

สำหรับการแนะนำคุณสมบัติและแนวทางปฏิบัติที่ดีที่สุดสำรวจเอกสารอย่างเป็นทางการและคู่มือผู้เริ่มต้นของเรา

การบริจาค

เข้าร่วมภารกิจของเราเพื่อทำให้ AI ประกาศดียิ่งขึ้นด้วยกัน! ตรวจสอบคู่มือการสนับสนุนของเราเพื่อเริ่มต้น