fragaria

fragaria-从草莓中的'r'到解决问题的复杂问题

高级思想链（COT）推理API（rl）

Fragaria是一条强大而灵活的思想链（COT）推理API，它利用各种语言模型（LLM）提供商，并结合了加固学习（RL）技术来解决复杂的问题并回答复杂的问题。 Fragaria以草莓的植物属命名，向著名的“有多少种草莓中的R？”致敬。问题，象征着其以同样的精确处理来解决简单和复杂查询的能力。

目录

• 特征
• 安装
• 配置
• 用法
• API文档
• 例子
• 贡献
• 执照

特征

• 多流行者的支持：在OpenAI，Groq和一起以LLM提供商之间的方式无缝切换。
• 思想推理链：采用复杂的COT技术分解并解决复杂的问题。
• 强化学习：利用RL算法来不断改善解决问题的策略并适应新的挑战。
• 自适应学习：通过与RL技术集成的基于SQLite的评分系统随着时间的推移提高性能。
• 可配置：LLM和RL参数的灵活设置的易于更高的YAML配置文件。
• OpenAPI文档：带有Swagger UI和REDOC的全面API文档。
• CORS支持：内置的交叉原始资源共享，可轻松与Web应用程序集成。

安装

1. 克隆存储库：

    git clone https://github.com/terraprompt/fragaria.git
   cd fragaria
   

2. 创建虚拟环境（可选但建议）：

    python -m venv venv
   source venv/bin/activate  # On Windows, use `venvScriptsactivate`
   

3. 安装所需的依赖项：

    pip install -r requirements.txt
   

配置

1. 将config.yaml.example文件复制到config.yaml ：

    cp config.yaml.example config.yaml
   

2. 打开config.yaml并更新以下设置：

   • 设置您喜欢的llm_provider （OpenAI，Groq或一起）
   • 为各个提供商添加您的API键
   • 如有必要，调整型号
   • 如果需要，修改数据库路径和服务器设置

用法

1. 启动Fragaria API服务器：

    python main.py
   

2. API将在http://localhost:8000 （或您的配置中指定的主机/端口）提供。

3. 现在，您可以将发布请求发送到http://localhost:8000/v1/chat/completions ，以使用思想推理能力链。

API文档

Fragaria提供了全面的API文档：

• Swagger UI： http://localhost:8000/docs
• 重做： http://localhost:8000/redoc
• OpenAPI JSON模式： http://localhost:8000/openapi.json

例子

这是您可以使用Fragaria解决的一些示例问题：

1. 经典的草莓问题：

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " How many 'r's in strawberry? " }
     ]
   }

2. 一个更复杂的与年龄相关的难题：

   {
     "model" : " faragia-dev " ,
     "messages" : [
       { "role" : " user " , "content" : " A princess is as old as the prince will be when the princess is twice as old as the prince was when the princess's age was half the sum of their present age. What is the age of prince and princess? Provide all solutions to that question. " }
     ]
   }

要解决这些问题，请以上述JSON有效载荷将邮政请求发送到/v1/chat/completions 。

它如何工作

Fragaria采用了通过增强学习增强的精致思想链（COT）推理过程：

1. 问题分类：将输入问题分类为已知或新问题类型。
2. COT PATH生成：为问题类型创建多种推理方法，受过去的表现影响。
3. 并行执行：将每个COT路径应用于问题。
4. 结果组合：合成不同路径的结果。
5. 评估：分数每种方法的有效性。
6. 强化学习更新：使用评估得分作为奖励来更新RL策略，从而影响未来的路径选择和一代。
7. 自适应学习：更新评分数据库和RL模型以提高未来的性能。

这种RL增强过程使Fragaria不仅可以解决广泛的问题，而且可以随着时间的流逝而学习和适应其策略，从而越来越有效地解决熟悉和新颖的问题类型。

贡献

我们欢迎对Fragaria的贡献！请按照以下步骤进行贡献：

1. 分叉存储库。
2. 为您的功能或错误修复创建一个新的分支。
3. 进行更改，并通过清晰的描述性消息提交它们。
4. 将更改推向叉子。
5. 向主要的Fragaria存储库提交拉动请求。

请确保您的代码遵守项目的编码标准，并包括针对新功能的测试。

执照

Fragaria根据MIT许可发布。有关详细信息，请参见许可证文件。

引用

如果您在研究中使用Fragaria或希望在出版物中引用它，请使用以下Bibtex条目：

 @software { fragaria2024 ,
  author       = { {Dipankar Sarkar} } ,
  title        = { Fragaria: Advanced Chain of Thought Reasoning API with Reinforcement Learning } ,
  year         = 2024 ,
  publisher    = { GitHub } ,
  journal      = { GitHub repository } ,
  howpublished = { url{https://github.com/terraprompt/fragaria} } ,
}

对于学术论文，您可以将Fragaria引用为：

Dipankar Sarkar。 （2024）。 Fragaria：通过加强学习的高级思想推理API [计算机软件]。 https://github.com/terraprompt/fragaria

---

Fragaria由Terraprompt团队维护。如有任何疑问或支持，请在GitHub存储库上打开一个问题。