Allgemeine Einführung
Julep AI ist eine Plattform für die Erstellung und Verwaltung von KI-Intelligenzen, die sich an vergangene Interaktionen erinnern und komplexe mehrstufige Aufgaben ausführen. Julep AI bietet ein Langzeitgedächtnis und Funktionen zur Verwaltung von mehrstufigen Prozessen und unterstützt die Integration mit externen Tools und APIs, sodass komplexe Szenarien bewältigt werden können. Benutzer können einfache YAML-Dateien schreiben, um einzelne Schritte einer Aufgabe, Entscheidungspunkte, Schleifen, Parallelverarbeitung usw. zu definieren und die Ausführung dieser Aufgaben in der Cloud zu automatisieren.
Julep AI führt eine neue Domain Specific Language (DSL) und einen Server für die Verwaltung von KI-Intelligenzen und mehrstufigen Aufgaben ein. Diese DSL ermöglicht es Nutzern, komplexe Workflows intuitiver zu beschreiben und zu verwalten, ohne große Mengen an herkömmlichem Code schreiben zu müssen. Die Cloud-Plattform von Julep AI kümmert sich um die Ausführung dieser Aufgaben und stellt sicher, dass sie zuverlässig und effizient sind.
Funktionsliste
- Persistenter AI-AgentIntelligentsia sind in der Lage, sich an Zusammenhänge und Informationen zu erinnern, um eine langfristige Interaktion zu unterstützen.
- staatsfreie Sitzung: Verfolgen Sie frühere Interaktionen, um eine personalisierte Antwort zu geben.
- mehrstufige AufgabeAufbau komplexer mehrstufiger Prozesse durch Schleifen und Entscheidungen.
- AufgabenverwaltungErledigt Aufgaben, die über längere Zeiträume laufen können, und stellt sicher, dass die Aufgaben erfolgreich abgeschlossen werden.
- Integrierte Tools und API-IntegrationIntelligenz: Unterstützt die Verwendung integrierter Tools und externer APIs zur Erweiterung der Funktionalität von Intelligenzen.
- SelbstheilungAutomatische Wiederholung fehlgeschlagener Schritte und erneutes Senden der Nachricht, um einen reibungslosen Ablauf der Aufgabe zu gewährleisten.
- RAG (Retrieval Augmentation Generation)Dokumentenspeicher: Verwenden Sie einen Dokumentenspeicher, um ein System zum Abrufen und Verwenden Ihrer eigenen Daten aufzubauen.
Hilfe verwenden
Ablauf der Installation
- Registrieren Sie sich für ein KontoBesuchen Sie die Website von Julep AI, klicken Sie auf die Schaltfläche "Registrieren" und geben Sie die erforderlichen Informationen ein, um Ihre Registrierung abzuschließen.
- API-Schlüssel abrufenNach der Anmeldung finden Sie im Benutzerbereich die Option API-Schlüsselgenerierung, um den API-Schlüssel zu generieren und zu speichern.
- SDK herunterladenLaden Sie das entsprechende SDK (z.B. Python, Node.js, etc.) entsprechend den Plattformanforderungen herunter und installieren Sie es gemäß der Dokumentation.
Richtlinien für die Verwendung
Intelligenz schaffen
- Definition von IntelligenzIn der Systemsteuerung klicken Sie auf "Intelligenz erstellen" und geben den Namen und die Beschreibung der Intelligenz ein.
- KonfigurationsmodellWählen Sie ein geeignetes KI-Modell (z.B. GPT-4) und stellen Sie die Standardparameter ein (z.B. Temperatur, maximale Anzahl von Token, etc.).
- Tools hinzufügenFügen Sie die erforderlichen Werkzeuge für die Intelligenz hinzu, z. B. Websuche, API-Aufrufe usw.
Definition von mehrstufigen Prozessen
- Schreiben von YAML-DateienSchreiben Sie im Control Panel einen mehrstufigen Prozess mit YAML, um Entscheidungsbäume, Schleifen und parallele Ausführung zu definieren.
- Hochladen von DateienHochladen der geschriebenen YAML-Datei auf die Plattform und Testen der Datei.
- Verfahren für den EinsatzSobald der Test bestanden ist, klicken Sie auf die Schaltfläche "Bereitstellen", um den Prozess online zu stellen.
Schnelles Prototyping
- Ein neues Projekt erstellenKlicken Sie in der Systemsteuerung auf "Neues Projekt" und geben Sie den Projektnamen und die Beschreibung ein.
- Funktionsmodul hinzufügenAuswahl und Hinzufügung der benötigten Funktionsmodule (z.B. RAG, Statusverwaltung, etc.) nach Bedarf.
- Prüfung und IterationTesten auf der Plattform, Anpassen und Optimieren der Funktionsmodule in Echtzeit.
Vorbereitung der Produktionsebene
- Konfiguration der InfrastrukturIn der Systemsteuerung konfigurieren Sie Infrastrukturoptionen wie automatische Skalierung, Lastausgleich usw.
- Einrichten der FehlerbehandlungFehlerbehandlung: Definieren Sie Fehlerbehandlungsmechanismen, um sicherzustellen, dass Aufgaben im Falle eines Fehlers automatisch erneut ausgeführt werden.
- Online-ProjekteNachdem Sie die Konfiguration abgeschlossen haben, klicken Sie auf die Schaltfläche "Go Live", um das Projekt in Produktion zu bringen.
Modularer Aufbau
- Modul auswählen: Wählen Sie im Bedienfeld das gewünschte Modul aus (z. B. externe API-Verbindung, LLM-Umschaltung usw.).
- Drag-and-Drop-IntegrationIntegration von Modulen in Projekte über eine Drag-and-Drop-Schnittstelle.
- Prüfung und OptimierungEchtzeit-Tests der Modulfunktionen zur Optimierung und Abstimmung.
Unbegrenzte Expansion
- Konfigurieren der erweiterten OptionenIn der Systemsteuerung konfigurieren Sie die Optionen Auto Scaling und Load Balancing.
- Überwachung der LeistungÜberwachung der Systemleistung und der Gleichzeitigkeit von Benutzern in Echtzeit mit den von der Plattform bereitgestellten Überwachungswerkzeugen.
- Anpassung der KonfigurationAnpassung der Erweiterungs- und Lastausgleichskonfigurationen anhand der Überwachungsdaten, um einen stabilen Systembetrieb zu gewährleisten.
Zukunftssicher
- Neues Modell hinzufügenIn der Systemsteuerung klicken Sie auf "Neues Modell hinzufügen", um ein neues AI-Modell auszuwählen und zu konfigurieren.
- Integration neuer InstrumenteStöbern Sie in den neuen Tools, die die Plattform bietet, wählen Sie sie aus und integrieren Sie sie in bestehende Projekte.
- Prüfung und EinsatzTesten Sie neue Modelle und Tools, um Kompatibilität und Stabilität zu gewährleisten, und setzen Sie sie dann live ein.
Musteraufgabe
Julep eignet sich gut für Anwendungen, die KI-Anwendungsfälle erfordern, die über einfache Cue-Response-Modelle hinausgehen.
Schnelles Beispiel
Stellen Sie sich einen KI-Forschungsagenten vor, der die folgenden Aktionen durchführen kann:
- Wählen Sie ein Thema
- 30 Suchanfragen zu diesem Thema
- Gleichzeitige Websuche
- Zusammenfassende Ergebnisse
- Zusammenfassung an Discord senden
In Julep wird dies eine separate Aufgabe sein, 80 Zeilen Code und dann vollständig gehostet laufen, alles unabhängig voneinander. Alle Schritte werden auf den eigenen Servern von Julep durchgeführt, sodass Sie nichts tun müssen.
Dies ist ein gutes Beispiel:
name: Forschungsbeauftragter
# Optional: Definieren Sie das Eingabeschema für die Aufgabe
input_schema.
Typ: Objekt
input_schema: Typ: Objekt
Thema.
Typ: Zeichenkette
description: Das zu recherchierende Hauptthema
num_questions.
Typ: Ganzzahl
description: Die Anzahl der zu erstellenden Suchanfragen
# Definieren Sie die Werkzeuge, die der Agent verwenden kann
Werkzeuge: Name: web_search
- Name: web_search
Typ: Integration
Einbindung: web_search
Name: web_search Typ: Integration
Einrichtung.
api_key:
- name: diskord_webhook
Typ: api_call
api_call.
url: https://discord.com/api/webhooks//
Methode: POST
Methode: POST
Inhalt-Typ: application/json
# Besondere Variablen.
# - inputs: für den Zugriff auf den Input der Aufgabe
# - outputs: für den Zugriff auf den Output der vorherigen Schritte
# - _: für den Zugriff auf den Output des vorherigen Schritts
# Definieren Sie die Haupt Arbeitsablauf
Haupt.
- Aufforderung.
- Rolle: System
Inhalt: >-
Sie sind ein wissenschaftlicher Mitarbeiter.
Erzeugen Sie {{inputs[0].num_questions|default(30, true)}} diverse Suchanfragen zum Thema.
{{Eingaben[0].Thema}}
Schreiben Sie eine Suchanfrage pro Zeile.
Schreiben Sie eine Suchanfrage pro Zeile. unwrap: true
# Werten Sie die Suchanfragen mit einem einfachen Python-Ausdruck aus
- auswerten.
such_abfragen: "_.split(NEWLINE)"
# Führen Sie die Websuche für jede Abfrage parallel aus
- over: "_.search_queries"
map.
Werkzeug: web_search
Argumente.
map: tool: web_search argumente: "_.search_queries" map: tool: web_search
Parallelität: 5
# Sammeln der Ergebnisse der Websuche
- Sammeln der Ergebnisse der Websuche
search_results: _
# Fassen Sie die Ergebnisse zusammen
- auffordern.
- Rolle: System
Inhalt: >
Erstellen Sie eine umfassende Zusammenfassung der folgenden Forschungsergebnisse zum Thema {{inputs[0].topic}}.
Die Zusammenfassung sollte gut strukturiert und informativ sein und die wichtigsten Ergebnisse und Erkenntnisse hervorheben. Halten Sie die Zusammenfassung kurz und prägnant.
Die Länge der Zusammenfassung sollte weniger als 150 Wörter betragen.
Die Länge der Zusammenfassung sollte weniger als 150 Wörter betragen.
{{_.search_results}}
Hier sind die Suchergebnisse: {{_.search_results}}
Hier sind die Suchergebnisse: {{_.search_results}} unwrap: true
Modell: gpt-4o-mini
- auswerten: {{_.search_results}} unwrap: true
discord_message: |-
f'''
**Forschungszusammenfassung für {inputs[0].topic}**
{_}
'''
# Senden der Zusammenfassung an Discord
- Werkzeug: discord_webhook
Argumente: discord_webhook
_.discord_message[:2000] # Discord hat ein Zeichenlimit von 2000.
Inhalt: _.discord_message[:2000] # Discord hat eine Begrenzung von 2000 Zeichen
In diesem Beispiel verwaltet Julep automatisch die parallele Ausführung, wiederholt fehlgeschlagene Schritte, sendet API-Anfragen erneut und hält die Aufgabe bis zur Fertigstellung zuverlässig am Laufen.
Beispielhafte Ausgabeergebnisse
Dieser Vorgang dauert 30 Sekunden und liefert die folgende Ausgabe:
Zusammenfassung der Forschung zur Künstlichen Intelligenz
Zusammenfassung der Forschungsergebnisse zur Künstlichen Intelligenz (KI)
kurz
In den letzten Jahren wurden auf dem Gebiet der künstlichen Intelligenz (KI) erhebliche Fortschritte erzielt, die durch die Entwicklung von Methoden und Techniken gekennzeichnet sind, die es Maschinen ermöglichen, ihre Umgebung wahrzunehmen, aus Daten zu lernen und Entscheidungen zu treffen. Diese Zusammenfassung konzentriert sich auf Erkenntnisse, die aus verschiedenen KI-bezogenen Forschungsergebnissen gewonnen wurden.Wichtigste Ergebnisse
- Definition und Umfang der künstlichen Intelligenz ::
Künstliche Intelligenz ist ein Teilgebiet der Informatik, das sich mit der Entwicklung von Systemen befasst, die in der Lage sind, Aufgaben auszuführen, die eine menschenähnliche Intelligenz erfordern, einschließlich Lernen, logisches Denken und Problemlösung (Wikipedia). Sie umfasst eine Vielzahl von Teilgebieten, darunter maschinelles Lernen, Verarbeitung natürlicher Sprache, Robotik und Computer Vision.- Auswirkungen und Anwendung ::
Die KI-Technologie wird in zahlreiche Bereiche integriert, um die Effizienz und Produktivität zu steigern. Die Anwendungen reichen von selbstfahrenden Autos und medizinischen Diagnosen bis hin zur Automatisierung des Kundendienstes und Finanzprognosen (OpenAI). Googles Engagement, KI für jedermann nutzbar zu machen, unterstreicht ihr Potenzial, den Alltag durch die Verbesserung der Nutzererfahrung auf allen Plattformen erheblich zu verbessern (Google AI).- ethische Betrachtung ::
Es gibt eine anhaltende Diskussion über die ethischen Implikationen der KI, einschließlich der Bedenken in Bezug auf Privatsphäre, Voreingenommenheit und Verantwortung bei Entscheidungsprozessen. Die Notwendigkeit eines Rahmens für die sichere und verantwortungsvolle Nutzung von KI-Technologien (OpenAI) wurde hervorgehoben.- Lernmechanismen ::
KI-Systeme nutzen verschiedene Lernmechanismen wie überwachtes Lernen, unüberwachtes Lernen und Verstärkungslernen. Diese Methoden ermöglichen es der KI, ihre Leistung zu verbessern, indem sie aus früheren Erfahrungen und Daten lernen (Wikipedia). Der Unterschied zwischen überwachtem und unüberwachtem Lernen ist entscheidend. Überwachtes Lernen basiert auf gekennzeichneten Daten, während unüberwachtes Lernen Muster ohne vordefinierte Kennzeichnungen (unüberwacht) erkennt.- zukünftige Richtung ::
Künftige Entwicklungen im Bereich der KI werden sich voraussichtlich darauf konzentrieren, die Interpretierbarkeit und Transparenz von KI-Systemen zu verbessern, um sicherzustellen, dass sie in der Lage sind, fundierte Entscheidungen und Maßnahmen zu treffen (OpenAI). Es werden auch Anstrengungen unternommen, um KI-Systeme zugänglicher und benutzerfreundlicher zu machen und so eine breitere Akzeptanz durch verschiedene Menschen und Branchen zu fördern (Google AI).ein Urteil fällen
Künstliche Intelligenz stellt eine transformative Kraft in vielen Bereichen dar und verspricht, die Industrie umzugestalten und die Lebensqualität zu verbessern. In dem Maße, in dem sich ihre Möglichkeiten erweitern, ist es jedoch von entscheidender Bedeutung, sich mit den damit verbundenen ethischen und gesellschaftlichen Implikationen auseinanderzusetzen. Kontinuierliche Forschung und die Zusammenarbeit zwischen Technologen, Ethikern und politischen Entscheidungsträgern werden entscheidend sein, um die zukünftige Landschaft der KI zu navigieren.
Prozess der Python-Bereitstellung
Um Julep zu verwenden, installieren Sie es mit pip:
pip install julep
Holen Sie sich Ihren API-Schlüssel von hier.
### Schritt 0: Einrichtung Zeit importieren importiere yaml von julep importieren Julep # oder AsyncJulep client = Julep(api_key="dein_julep_api_key") ### Schritt 1: Erstellen eines Agenten agent = client.agents.create( name="Storytelling Agent", name="Geschichtenerzähler-Agent", model="claude-3.5-sonnet", about="Sie sind ein kreativer Geschichtenerzähler, der fesselnde Geschichten zu einer Vielzahl von Themen erstellt.",) ) ### Schritt 2: Erstellen Sie einen Task, der eine Geschichte und Comicstrip task_yaml = """ name: Geschichtenerzähler description: Erstelle eine Geschichte auf der Grundlage einer Idee. name: recherche_wikipedia - name: forschung_wikipedia Typ: Integration Einbindung: forschung_wikipedia Anbieter: wikipedia methode: suche methode: suche # Schritt 1: Eine Idee für die Handlung entwickeln - Aufforderung. - Rolle: System Inhalt: Sie sind {{agent.name}}. {{agent.about}} - Rolle: Benutzer Inhalt: > Erstellen Sie auf der Grundlage der Idee '{{_.idea}}' eine Liste von 5 Handlungsideen. Seien Sie so kreativ wie möglich. Geben Sie Ihre Ausgabe als eine Liste langer Strings innerhalb von `` Der `yaml-Tag befindet sich am Ende Ihrer Antwort. Erweitern: true - Auswertung: Plot-Ideen: load_yaml (_.split('````yaml')[1].split('````')[0].strip())) # Schritt 2: Forschungsbereiche aus Plot-Ideen extrahieren - Schnell: - Rolle: System Inhalt: Sie sind {{agent.name}} {{agent.about}} - Rolle: Benutzer Inhalt: > Hier sind einige Ideen für die Handlung: {% kennzeichnet Ideen in _.plot_ideas %} - {{Idee}} {% Ende %} Um eine Storyline zu entwickeln, müssen wir Ideen für die Handlung recherchieren. Was sollen wir recherchieren? Schreiben Sie eine Wikipedia-Suchanfrage für Handlungsideen, die Sie interessant finden. Geben Sie die Ausgabe als yaml-Liste ```yaml-Tags am Ende Ihrer Antwort zurück. unwrap: wahr Einstellungen. Modell: gpt-4o-mini Temperatur: 0.7 - auswerten. research_queries: load_yaml(_.split('````yaml')[1].split('````')[0].strip()) # Schritt 3: Recherchieren Sie jede Idee für die Darstellung - foreach: in: _.research_queries[1][0].strip() in: _.recherche_abfragen do: in: _.recherche_abfragen Werkzeug: recherche_wikipedia research_queries do: Werkzeug: research_wikipedia _.recherche_abfragen - auswerten. wikipedia_results: 'NEWLINE.join([f"- {doc.metadata.title}: {doc.metadata.summary}" for item in _ for doc in item.documents])' # Schritt 4: Überlegen und abwägen - prompt: {doc.metadata.title}: {doc.metadata.summary} - Rolle: System Inhalt: Sie sind {{agent.name}}. {{agent.about}} - Rolle: Benutzer Inhalt: |- Bevor wir die Geschichte schreiben, sollten wir nachdenken und uns Gedanken machen. {% for idea in outputs[1].plot_ideas %} - {{Idee}} {% endfor %} Hier sind die Ergebnisse der Recherche zu den Handlungsideen auf Wikipedia. {{_.wikipedia_results}} Denken Sie kritisch über die Handlungsideen nach. Kombinieren Sie die Handlungsideen mit den Ergebnissen aus Wikipedia, um eine detaillierte Handlung für eine Geschichte zu erstellen. Schreiben Sie alle Ihre Notizen und Gedanken auf. Schreiben Sie den Plot schließlich als yaml-Objekt in ````yaml-Tags befinden sich am Ende der Antwort. yaml-Objekte sollten die folgende Struktur haben: ```yaml Titel: "" Zeichen. - name: "" about: "" synopsis: "" Szenen. - Titel:"" Beschreibung: "" Zeichen. - Name: "" Rolle: "" plotlines. - "" ``` Vergewissern Sie sich, dass die yaml-Datei gültig ist und dass die Rolle und die Szene nicht leer sind. Achten Sie auch auf Semikolons und andere Probleme beim Schreiben von yaml. expand: true - Auswertung: Plot: "load_yaml (_.split('```` yaml')[1].split('````')[0].strip())" """ Tasks = Client. Task. Erstellen ( agent_id = agent.id. **yaml.safe_load (aufgabe_yaml) ) ### Schritt 3: Ausführen der Aufgabe Execute = Client . Ausführen . Erstellen ( Aufgabe id = Aufgabe id. Input = {"Idee": "Eine Katze lernt fliegen"} ) # 🎉 Beobachten Sie die Erstellung der Geschichte und des Comic-Panels while (result := client.executions.get(execution.id)).status not in ['success', 'failure']: Print (result. status, result. Output) time. Sleep(1) # 📦 Abrufen des Ergebnisses nach Abschluss der Ausführung if result.status == "Erfolg": Print (result. Output) Andere: Eine Ausnahme auslösen (result. Fehler)
Deutsch (Sie) 
简体中文 
English 
日本語 
Português do Brasil