DemoGPT

？从演示到产品：多合一代理库

⚡创建LLM代理所需的一切都在这里。访问LLM模型的全面工具，提示，框架和知识中心的全面套件，这些都可以简化您的代理开发。

星历史

如果您正在使用Demogpt，请考虑主演我们，以便更多的人听到有关我们的消息！

演示

要快速演示，您可以访问我们的网站

文档

请参阅此处的文档网站以获取完整的方法文档和准则

⚡使用Demogpt v1.3，在2周内大猩猩的力量将有可能使用API​​。发布后，您将可以自主使用外部API。 ⚡

？使用Demogpt软件包

现在可以使用Demogpt软件包，可以使用PIP安装。运行以下命令安装软件包：

pip install demogpt

要使用Demogpt应用程序，只需将“ Demogpt”键入您的终端：

demogpt

？目录

• 介绍
• 建筑学
• 安装
• 用法
• 待办事项
• 贡献
• 引用
• 执照

？介绍

欢迎来到Demogpt，这是一项革命性的开源计划，正在重塑基于大语言模型（LLM）应用程序开发的景观。

在Demogpt的核心，GPT-3.5-Turbo的能力栩栩如生，推动了自动生成Langchain代码。此过程充满了复杂的体系结构，该体系结构将用户说明转化为交互式简化应用程序。

demogpt的运作方式

1. 计划： Demogpt首先从用户的指令中生成计划。
2. 任务创建：然后从计划和指令中创建特定的任务。
3. 代码片段生成：这些任务被转移到代码片段中。
4. 最终代码组件：将代码片段合并为最终代码，从而产生了交互式简化应用程序。

一旦生成的Langchain代码不是终点，而是一个变革阶段。它演变成一个用户友好的简化应用程序，为制作的逻辑增添了交互式维度。这种变形体现了Demogpt对用户参与和经验的承诺。

未来的增强

我们计划添加一个公开可用的数据库，该数据库将通过在精炼过程中检索类似示例来加速发电过程。这项创新将进一步简化开发工作流程，使其更有效和响应速度。

模型灵活性

Demogpt旨在适应能力，能够使用符合代码生成的特定性能标准的任何LLM模型。这种灵活性确保了将策略保持在技术的最前沿，并在LLM中采取了新的进步。

Demogpt的迭代发展过程仍然是其创新的基石。每个代码段都经过单个测试，并且自我修复策略确保了有效且错误的最定工作流程。细致的测试和改进的融合证明了Demogpt追求卓越的追求。

通过超越传统的编码范例，Demogpt正在开创基于LLM的应用程序的新时代。这不只是代码生成；这是关于制定智能，互动和包容性的解决方案。

总而言之，Demogpt不仅仅是一个项目。这是一种有远见的方法，突破了基于LLM的应用程序开发中可能的界限。

在下一个版本中，我们将集成大猩猩，以使Demogpt能够自动使用外部API。未来是光明的，旅程才刚刚开始。加入我们参加这一激动人心的冒险！

建筑学

Demogpt架构

？安装

对于包装版本

您可以通过运行以下命令来安装Demogpt软件包：

pip install demogpt

源代码版本

1. 克隆存储库：

   git clone https://github.com/melih-unsal/DemoGPT.git

2. 导航到项目目录：

    cd DemoGPT

3. 安装Demogpt：

   pip install . 

？用法

？对于包装版本

安装了Demogpt软件包后，您可以通过在终端中运行以下命令来使用它：

demogpt

？对于Python界面

您现在可以将Demogpt用作Python应用程序中的库：

 from demogpt import DemoGPT
agent = DemoGPT ( model_name = "gpt-3.5-turbo" ) # if OPENAI_API_KEY is not set in env variables, put it with openai_api_key argument
instruction = "Your instruction here"
title = "Your title here"
code = ""
for phase in agent ( instruction = instruction , title = title ):
    print ( phase ) # this will display the resulting json for each generation stage
    if phase [ "done" ]:
        code = phase [ "code" ] # final code
print ( code )

示例输出（截断）：

 # phases
{ ' stage ' : ' draft ' , ' completed ' : False, ' percentage ' : 60, ...}
{ ' stage ' : ' draft ' , ' completed ' : False, ' percentage ' : 64, ' code ' : ' #Get the source language ... ' }
...
{ ' stage ' : ' final ' , ' completed ' : True, ' percentage ' : 100, ... , ' code ' : ' import streamlit as stn... ' }

 # Code
import streamlit as st
from langchain . chains import LLMChain
from langchain_community . chat_models import ChatOpenAI
from langchain . prompts . chat import ( ChatPromptTemplate ,
                                    HumanMessagePromptTemplate ,
                                    SystemMessagePromptTemplate )
...

源代码版本

如果您已将存储库克隆并希望运行源代码版本，则可以通过运行以下命令来使用Demogpt：

streamlit run demogpt/app.py

待办事项

• 实施新的Demogpt管道，包括计划生成，任务创建，代码片段生成和最终代码组件。
• 添加功能以允许用户选择模型。
• 定义有用的兰链任务
• 使用新管道发布而无需完善的发布
• 实施剩余的兰链任务
• 实施自我注明策略以改进模型。
• 整合 ？ API调用的大猩猩模型。
• 添加快速API以扩展可用的API调用。
• 添加 ？ Llama2集成
• 实施公开可用的数据库，通过在精炼过程中检索类似的示例来加速生成过程。
• 将所有成功生成的步骤添加到DB中，以消除冗余细化。

？贡献

欢迎对Demogpt项目的贡献！无论您是修复错误，改进文档还是提出新功能，都非常感谢您的努力。在开始任何工作之前，请检查开放问题。

请阅读有关我们的CODE OF CONDUCT CONTRIBUTING信息以及向我们提交拉的请求的过程的详细信息。

？引用

Demogpt在各种研究论文中已被引用，以使用自主AI代理来创建应用程序创建的创新方法。以下是引用Demogpt的论文列表：

• Lei Wang，Chen MA，Xueyang Feng，Zeyu Zhang，Hao Yang，Jingsen Zhang，Zhiyuan Chen，Zhiyuan Chen，Jiakai Tang，Xu Chen，Yankai Lin，Wayne lin，Wayne Xin，Zhao，Zhewei，Zhewei Wei，Ji-Rong Wen，Ji-Rong Wen，一项针对大型语言模型模型的调查，”
• Yuan Li，Yixuan Zhang，Lichao Sun，“ Metaagents：通过协作生成代理模拟人类行为的相互作用，以基于LLM的任务为导向的协调，杂志/会议”，2023年。链接到纸张。
• Yuheng Cheng，Ceyao Zhang，Zhengwen Zhang，Xiangrui Meng，Sirui Hong，Wenhao Li，Zihao Wang，Zekai Wang，Zekai Wang，Feng Yin，Junhua Zhao，Junhua Zhao，xiuqiang He，探索基于大型语言模型的智能Agents：
• Mikhail，Poludin。 Optimalizace llm代理ůproantalýzutabulkovýchdat：Integrace lora prozvýšeníKvality。论文女士。 ČeskéVysokéUčeníTechnické诉Praze。 VypočetníaInformačníCentrum。，2024年。链接到纸张

学术界的这种认可强调了Demogpt在促进AI驱动开发工具领域的潜力和实用性。

执照

Demogpt是根据MIT许可证许可的开源项目。

---

对于任何问题，问题或评论，请随时与我们联系或打开问题。感谢您的反馈，以使Demogpt变得更好。