Adala下載 - Adala源代碼下載

Adala

其他源碼

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

下載

阿達拉（Adala）是一個笨拙的da ta（ l abeling）紳士框架。

Adala提供了一個強大的框架，用於實施專門從事數據處理的代理，重點是不同的數據標記任務。這些代理人是自主的，這意味著他們可以通過迭代學習獨立地獲得一個或多個技能。這個學習過程受其操作環境，觀察和思考的影響。用戶通過提供地面真相數據集來定義環境。每個代理商都在我們所謂的“運行時”中學習並運用其技能，這是LLM的代名詞。

Training Agent Skill

？為什麼選擇阿達拉？

？可靠的代理：代理建立在地面真相數據的基礎之上。這確保了一致且值得信賴的結果，使Adala成為數據處理需求的可靠選擇。
？可控輸出：對於每項技能，您可以配置所需的輸出，並以不同程度的靈活性設置特定的約束。無論您是要嚴格遵守特定準則還是基於代理商的學習，Adala都可以根據自己的確切需求來量身定制結果。
專門研究數據處理：雖然代理在不同的數據標記任務中表現出色，但可以針對廣泛的數據處理需求進行自定義。
？自主學習：Adala代理人不僅是自動化的；他們很聰明。他們根據環境，觀察和思考能夠迭代和獨立地發展技能。
✅靈活且可擴展的運行時：Adala的運行時環境是適應性的。可以在多個運行時間內部署一項技能，從而促進學生/教師體系結構等動態場景。此外，框架的開放性邀請社區擴展和量身定制運行時間，確保不斷發展和適應多樣化的需求。
易於自定義：快速自定義和開發代理，以應對您需求的挑戰，而無需面對陡峭的學習曲線。

？誰是阿達拉？

Adala是一個多功能框架，專為AI和機器學習領域的個人和專業人員而設計。這是誰可以受益：

？ AI工程師：具有模塊化，互連技能的建築師和設計AI代理系統。建立生產級別的代理系統，將低級ML抽像到Adala和LLMS。
機器學習研究人員：嘗試複雜的問題分解和因果推理。
？數據科學家：將代理應用於預處理和後處理您的數據。使用大型數據框架時，通過Python筆記本本地與Adala進行互動。
？教育工作者和學生：使用Adala作為教學工具，或作為高級項目和研究的基礎。

儘管上面突出顯示的角色是中心的，但要注意的是，阿達拉（Adala）精心設計和提升了AI開發之旅，不論其在該領域的特定利基市場，都可以迎合所有愛好者。？

？安裝

安裝Adala：

pip install adala

Adala經常發布更新。為了確保您使用最新版本，建議您從GitHub安裝它：

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

開發人員安裝：

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

先決條件

設置OpenAI_API_KEY（請參閱此處的說明）

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

？ Quickstart

在此示例中，我們將使用Adala作為Python筆記本中的獨立庫。

單擊此處查看擴展的快速啟動示例。

 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	將文本分類為一組預定義的標籤。
ClassifationsKillWithCot	使用經過思考鏈推理將文本分類為一組預定義的標籤。
摘要Kill	將文本匯總到較短的文本中。
Questionansweringskill	基於給定的上下文回答問題。
Translationskill	將文本從一種語言轉換為另一種語言。
TextGenerationsKill	根據給定的提示生成文本。
技能集	通過一系列技能處理複雜的任務。
本體論創造者	從一組文本示例中推斷出本體。
數學推理	在GSM8K數據集上解決了級別的數學問題。