หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

API AGEN BUILDER API

เริ่มต้นอย่างรวดเร็ว

คุณสามารถเริ่มต้นเซิร์ฟเวอร์ API โดยใช้คอนเทนเนอร์ Docker หรือการโคลนนิ่งด้วยตนเองและสร้างที่เก็บนี้

การตั้งค่าด้วยตนเอง: โคลนที่เก็บนี้ในเครื่องในเครื่องของคุณและเริ่มเซิร์ฟเวอร์ Python Fast API เลือกติดตั้งและตั้งค่า Mongo DB

การตั้งค่าคอนเทนเนอร์ dev: คอนเทนเนอร์ dev ช่วยให้คุณสามารถตั้งค่าสภาพแวดล้อมโดยอัตโนมัติ ใช้การตั้งค่านี้เพื่อติดตั้งและเรียกใช้บริการคอนเทนเนอร์ในสภาพแวดล้อมที่แยกได้พร้อมส่วนขยายที่ติดตั้งไว้ล่วงหน้า คุณยังสามารถเปิดรหัส GitHub ในสภาพแวดล้อมระยะไกล/เบราว์เซอร์โดยใช้ความลับในการส่งปุ่ม API แบบจำลอง

การตั้งค่าด้วยตนเอง

  1. ตั้งค่า python virtualenv และติดตั้งการพึ่งพา 

    python -m venv --prompt agent-builder-api venv
source venv/bin/activate
# venv/Scripts/activate (Windows)
pip install -r requirements.txt

  2. ตั้งค่าชื่อรุ่นและคีย์ API ในไฟล์ . env 

     OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "

  3. เริ่มเซิร์ฟเวอร์ในเทอร์มินัลใหม่ 

    python -m agentbuilder.main

[ไม่บังคับ] เริ่มใช้บทกวี

สำหรับการจัดการการพึ่งพาอย่างละเอียดให้ใช้บทกวีเพื่อเลือกและเลือกแพ็คการพึ่งพาตามคุณสมบัติผู้ให้บริการและเครื่องมือ LLM ของคุณ

  1. ทำตามคู่มือคำแนะนำอย่างเป็นทางการเพื่อติดตั้งบทกวี

  2. เลือกและเลือกแพ็คการพึ่งพาเพื่อติดตั้ง 

    poetry install --extras " openai gemini cohere anthropic mongodb vectordb langgraph "

  3. ตั้งค่าชื่อรุ่นและคีย์ API ในไฟล์ . env 

     OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "

  4. เริ่มเซิร์ฟเวอร์ในเทอร์มินัลใหม่ 

    poetry run start-server

บันทึก

บทกวีจะสร้างสภาพแวดล้อมเสมือนจริงสำหรับเรา

[ไม่บังคับ] เปิดใช้งาน MongoDB

โดยค่าเริ่มต้นข้อมูลจะถูกเก็บไว้เป็นไฟล์ JSON เปิดใช้งานการจัดเก็บใน Mongo DB โดยการตั้งค่า URL โดยใช้ตัวแปรสภาพแวดล้อม 

 MONGODB_URL = " mongodb://localhost:27017/llmdb "

การตั้งค่าคอนเทนเนอร์ dev

  1. เปิดใช้งานคอนเทนเนอร์ dev ใน vscode โดยทำตามขั้นตอนในเอกสารอย่างเป็นทางการ

  2. คลิกที่ป้ายด้านล่างเพื่อเรียกใช้บริการในสภาพแวดล้อมที่แยกได้ในเครื่องท้องถิ่น

    สิ่งนี้จะโคลน repo และเริ่มบริการ API และ Mongo DB Container

เคล็ดลับ

ใช้ URL MongoDB: // MongoDB: 27017/LLMDB ในส่วนขยาย Mongo DB VSCODE เพื่อดูข้อมูลการจัดเก็บ

  1. ดำเนินการ f1> dev containers: แนบไปยังคอนเทนเนอร์ที่รัน .. และเลือก Agent-Builder-Container

  2. ตั้งค่าชื่อรุ่นและคีย์ API ในไฟล์ . env 

     OPENAI_API_KEY = " sk---- "
MODEL_NAME = " openai "

การปรับแต่ง

แพ็คการพึ่งพาและการกำหนดค่าสภาพแวดล้อม

แพ็คการพึ่งพาช่วยให้การติดตั้งแพ็คเกจละเอียดตามความต้องการของคุณ ใช้ตัวแปรสภาพแวดล้อม extra_deps ในไฟล์ Docker-compose เพื่ออัปเดต

สคริปต์ Install-extra-deps.sh สามารถใช้ในโหมด DEV Container ได้หากไม่สามารถใช้งานได้

ตัวอย่างเช่นการกำหนดค่าสภาพแวดล้อมด้านล่างจะติดตั้งการพึ่งพาสำหรับรุ่นราศีเมถุน, Mongo DB, กราฟ Langchain และ Vectordb 

 EXTRA_DEPS : " gemini,mongodb,langgraph,vectordb "

เคล็ดลับ

เริ่มต้นด้วยชุดการพึ่งพาพื้นฐานเพื่อรองรับโมเดลของคุณและเพิ่มคุณสมบัติอื่น ๆ เพิ่มขึ้น

รุ่นต่อไปนี้ได้รับการสนับสนุนโดยแพ็คการพึ่งพา

แบบอย่าง แพ็คการพึ่งพา ชื่อคีย์ Env
เปิด AI Openai openai_api_key
ราศีเมถุน ราศีเมถุน google_api_key
กัน กัน cohere_api_key
มานุษยวิทยา มานุษยวิทยา anthropic_api_key

เครื่องมือที่กำหนดค่าล่วงหน้าบางอย่างต้องการการพึ่งพาเพิ่มเติมหรือปุ่ม API เพื่อเปิดใช้งาน

เครื่องมือ แพ็คการพึ่งพา ชื่อคีย์ Env
internet_search - tavily_api_key
vectorstore_search เวกเตอร์ EMBED_MODEL_NAME

การเพิ่มเครื่องมือ

เพิ่มเครื่องมือหรือชุดเครื่องมือที่กำหนดเองโดยใช้โมดูลโรงงานเครื่องมือ ( AgentBuilder/Factory/Tool_Factory )

  1. สร้างเครื่องมือของคุณ

    AgentBuilder/Tools/my_custom_tool.py 

     from pathlib import Path
from langchain_core . tools import tool
from pydantic import BaseModel , Field

@ tool
def my_custom_tool ( a : int , b : int ):
"""Custom Tool Description"""
return a + b

my_custom_tool . name = "custom_tool_name"
my_custom_tool . description = "Custom Tool Description"

class field_inputs ( BaseModel ):
a : int = Field ( description = "First input" )
b : int = Field ( description = "Second input" )

my_custom_tool . args_schema = sum_inputs
my_custom_tool . metadata = { "file_path" : str ( Path ( __file__ ). absolute ())}

  2. เพิ่มเครื่องมือของคุณในวิธี get_all_tools ในโมดูล tool_factory

    AgentBuilder/Factory/Tool_factory.py 

    def get_all_tools()->Sequence[BaseTool]:

    return get_vectordb_tools()+ get_websearch_tools() + json_tools + [
            directly_answer_tool,
            weather_clothing_tool,
            temperature_tool,
            temperature_sensor_tool,
            sum_tool,greeting_tool,
            git_diff_tool,
            repl_tool,
+           my_custom_tool
            ]

การเพิ่มตัวแทน

ตัวแทนสามารถสร้างได้โดยใช้ส่วนขยาย UI หรือประกาศในรหัส เพิ่มตัวแทนของคุณโดยใช้โมดูล Agent Factory ( AgentBuilder/Factory/Agent_Factory )

  1. สร้างตัวแทนของคุณ 

     def my_agent ():
  return AgentParams (
        name = "my_agent" ,
        preamble = "You are a powerful agent that uses tools to answer Human questions" ,
        tools =  [ "my_custom_tool" ],
        agent_type = 'tool_calling'
  )

  2. เพิ่มเอเจนต์ของคุณในวิธี get_all_agents 

    def get_all_agents():
return [
        default_agent(),
        weather_agent(),
        python_agent(),
        git_agent(),
+       my_agent()
]

ตัวสร้างเอเจนต์ที่กำหนดเองและกราฟ

ปรับแต่งเวิร์กโฟลว์เอเจนต์ของคุณโดยใช้พรอมต์และกราฟที่กำหนดเอง กรองเอเจนต์โดยใช้ชื่อตัวแทนเพื่อใช้การปรับแต่ง

ตัวอย่างเช่นรหัสต่อไปนี้ใช้เวิร์กโฟลว์กราฟตัวสร้างสำหรับเอเจนต์ชื่อ "graph_agent" 

 def get_agent_builder ( params : AgentBuilderParams ):
    agent_name = params . name
    match agent_name :
        case "graph_agent" :
            from agentbuilder . agents . BaseGraphAgentBuilder import BaseGraphAgentBuilder
            return BaseGraphAgentBuilder ( params )
        case _ :
            return BaseAgentBuilder ( params )

สำคัญ

ต้องติดตั้งแพ็คการพึ่งพา "langgraph" สำหรับ basegraphagentbuilder

การกำหนดค่ารุ่น

อัปเดตการกำหนดค่าโมเดลโดยใช้ตัวแปรสภาพแวดล้อม

สนับสนุนรูปแบบ {Provider}/{modelName}

  • ราศีเมถุน

    สร้างคีย์ API https://aistudio.google.com/app/apikey 

     MODEL_NAME = " gemini/gemini-pro "
 EMBED_MODEL_NAME = " gemini/embedding-001 "
 GOOGLE_API_KEY = <GOOGLE_API_KEY>

  • กัน

    สร้างคีย์ API https://dashboard.cohere.com/api-keys 

     MODEL_NAME = " cohere/command "
 EMBED_MODEL_NAME = " cohere/embed-english-v3.0 "
 COHERE_API_KEY = <COHERE_API_KEY>

  • เปิด AI

    สร้างคีย์ API https://platform.openai.com/docs/quickstart/account-setup 

     MODEL_NAME = " openai/gpt-4o "
 EMBED_MODEL_NAME = " openai/text-embedding-3-large "
 OPENAI_API_KEY = <OPENAI_API_KEY>

  • มานุษยวิทยา

    สร้างคีย์ API https://www.anthropic.com/ และ https://www.voyageai.com/ 

     MODEL_NAME = " anthropic/claude-3-opus-20240229 "
 EMBED_MODEL_NAME = " voyageai/voyage-2 "
 ANTHROPIC_API_KEY = <ANTHROPIC_API_KEY>
 VOYAGE_API_KEY = <VOYAGE_API_KEY>

  • โอลลา

    ใช้โมเดลท้องถิ่นสำหรับการโทรฟังก์ชั่น

เคล็ดลับ

ใช้ประเภทตัวแทนแชท JSON เพื่อความเข้ากันได้ดีขึ้นกับรุ่นท้องถิ่น

ติดตั้ง Ollama และดึงรุ่น 

ollama pull mistral:v0.3

ตั้งค่าตัวแปรสภาพแวดล้อม 

 MODEL_NAME = " ollama/mistral:v0.3 "
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด