Adala下载 - Adala源代码下载

Adala

其他源码

v0.0.4 - Introducing a New Code Environment and Enhanced Automated Prompt Engineering

下载

阿达拉（Adala）是一个笨拙的da ta（ l abeling）绅士框架。

Adala提供了一个强大的框架，用于实施专门从事数据处理的代理，重点是不同的数据标记任务。这些代理人是自主的，这意味着他们可以通过迭代学习独立地获得一个或多个技能。这个学习过程受其操作环境，观察和思考的影响。用户通过提供地面真相数据集来定义环境。每个代理商都在我们所谓的“运行时”中学习并运用其技能，这是LLM的代名词。

Training Agent Skill

？为什么选择阿达拉？

？可靠的代理：代理建立在地面真相数据的基础之上。这确保了一致且值得信赖的结果，使Adala成为数据处理需求的可靠选择。
？可控输出：对于每项技能，您可以配置所需的输出，并以不同程度的灵活性设置特定的约束。无论您是要严格遵守特定准则还是基于代理商的学习，Adala都可以根据自己的确切需求来量身定制结果。
专门研究数据处理：虽然代理在不同的数据标记任务中表现出色，但可以针对广泛的数据处理需求进行自定义。
？自主学习：Adala代理人不仅是自动化的；他们很聪明。他们根据环境，观察和思考能够迭代和独立地发展技能。
✅灵活且可扩展的运行时：Adala的运行时环境是适应性的。可以在多个运行时间内部署一项技能，从而促进学生/教师体系结构等动态场景。此外，框架的开放性邀请社区扩展和量身定制运行时间，确保不断发展和适应多样化的需求。
易于自定义：快速自定义和开发代理，以应对您需求的挑战，而无需面对陡峭的学习曲线。

？谁是阿达拉？

Adala是一个多功能框架，专为AI和机器学习领域的个人和专业人员而设计。这是谁可以受益：

？ AI工程师：具有模块化，互连技能的建筑师和设计AI代理系统。建立生产级别的代理系统，将低级ML抽象到Adala和LLMS。
机器学习研究人员：尝试复杂的问题分解和因果推理。
？数据科学家：将代理应用于预处理和后处理您的数据。使用大型数据框架时，通过Python笔记本本地与Adala进行互动。
？教育工作者和学生：使用Adala作为教学工具，或作为高级项目和研究的基础。

尽管上面突出显示的角色是中心的，但要注意的是，阿达拉（Adala）精心设计和提升了AI开发之旅，不论其在该领域的特定利基市场，都可以迎合所有爱好者。？

？安装

安装Adala：

pip install adala

Adala经常发布更新。为了确保您使用最新版本，建议您从GitHub安装它：

pip install git+https://github.com/HumanSignal/Adala.git

开发人员安装：

git clone https://github.com/HumanSignal/Adala.git
cd Adala/
poetry install

先决条件

设置OpenAI_API_KEY（请参阅此处的说明）

 export OPENAI_API_KEY='your-openai-api-key'

？ Quickstart

在此示例中，我们将使用Adala作为Python笔记本中的独立库。

单击此处查看扩展的快速启动示例。

 import pandas as pd

from adala . agents import Agent
from adala . environments import StaticEnvironment
from adala . skills import ClassificationSkill
from adala . runtimes import OpenAIChatRuntime
from rich import print

# Train dataset
train_df = pd . DataFrame ([
    [ "It was the negative first impressions, and then it started working." , "Positive" ],
    [ "Not loud enough and doesn't turn on like it should." , "Negative" ],
    [ "I don't know what to say." , "Neutral" ],
    [ "Manager was rude, but the most important that mic shows very flat frequency response." , "Positive" ],
    [ "The phone doesn't seem to accept anything except CBR mp3s." , "Negative" ],
    [ "I tried it before, I bought this device for my son." , "Neutral" ],
], columns = [ "text" , "sentiment" ])

# Test dataset
test_df = pd . DataFrame ([
    "All three broke within two months of use." ,
    "The device worked for a long time, can't say anything bad." ,
    "Just a random line of text."
], columns = [ "text" ])

agent = Agent (
    # connect to a dataset
    environment = StaticEnvironment ( df = train_df ),

    # define a skill
    skills = ClassificationSkill (
        name = 'sentiment' ,
        instructions = "Label text as positive, negative or neutral." ,
        labels = { 'sentiment' : [ "Positive" , "Negative" , "Neutral" ]},
        input_template = "Text: {text}" ,
        output_template = "Sentiment: {sentiment}"
    ),

    # define all the different runtimes your skills may use
    runtimes = {
        # You can specify your OPENAI API KEY here via `OpenAIRuntime(..., api_key='your-api-key')`
        'openai' : OpenAIChatRuntime ( model = 'gpt-3.5-turbo' ),
    },
    default_runtime = 'openai' ,
    
    # NOTE! If you have access to GPT-4, you can uncomment the lines bellow for better results
#     default_teacher_runtime='openai-gpt4',
#     teacher_runtimes = {
#       'openai-gpt4': OpenAIRuntime(model='gpt-4')
#     }
)

print ( agent )
print ( agent . skills )

agent . learn ( learning_iterations = 3 , accuracy_threshold = 0.95 )

print ( ' n => Run tests ...' )
predictions = agent . run ( test_df )
print ( ' n => Test results:' )
print ( predictions )

例子

技能	描述	COLAB
Classificationskill	将文本分类为一组预定义的标签。
ClassifationsKillWithCot	使用经过思考链推理将文本分类为一组预定义的标签。
摘要Kill	将文本汇总到较短的文本中。
Questionansweringskill	基于给定的上下文回答问题。
Translationskill	将文字从一种语言转换为另一种语言。
TextGenerationsKill	根据给定的提示生成文本。
技能集	通过一系列技能处理复杂的任务。
本体论创造者	从一组文本示例中推断出本体。
数学推理	在GSM8K数据集上解决了级别的数学问题。