PrimisAI Nexus: ein leichtgewichtiges Framework für den Aufbau skalierbarer KI-Multi-Intelligenz-Systeme und Aufgabenautomatisierung

Allgemeine Einführung

PrimisAI Nexus ist ein leichtgewichtiges, quelloffenes Python-Framework, das auf GitHub gehostet wird und vom PrimisAI-Team entwickelt wurde, um Benutzer bei der Erstellung und Verwaltung skalierbarer KI-Multi-Intelligenz-Systeme zur Automatisierung komplexer Aufgaben durch Large Language Modelling (LLM) zu unterstützen. Es verfügt über ein modulares Design, das vereinfachte Arbeitsabläufe und YAML-Konfigurationen durch eine einzige überwachende Intelligenz (Supervisor) bietet, die mit mehreren Arbeitsintelligenzen (Worker Agents) zusammenarbeitet, wodurch die Entwicklungsschwelle gesenkt wird. Ab Februar 2025 zeichnet sich Nexus durch Code-Generierungsaufgaben wie HumanEval und VerilogEval-Human-Benchmarking aus und ist damit für Entwickler und Forscher geeignet, um effiziente KI-Automatisierungslösungen zu erstellen.

Nexus-Architektur

Funktionsliste

• Skalierbares Multi-Intelligenz-SystemUnterstützung der dynamischen Hinzufügung von Intelligenzen, um das System mit der Komplexität der Aufgabe zu skalieren.
• Automatisierung von AufgabenAutomatisierte Ausführung durch übergeordnete Intelligenzen, die Aufgaben aufteilen und sie spezialisierten Arbeitsintelligenzen zuweisen.
• Leichte ArchitekturSaubere Arbeitsabläufe, um die Entwicklungs- und Wartungskosten zu senken.
• LLM-IntegrationNahtlose Verbindung zu großen Sprachmodellen (z.B. GPT-4o) mit Unterstützung für individuelle Konfigurationen.
• YAML-KonfigurationVereinfachen Sie die Verwaltung, indem Sie die Struktur und die Aufgaben von Intelligenzen über Konfigurationsdateien definieren.
• Fehlersuche und OptimierungIntegrierte Protokollierung und Rückkopplungsschleifen, um die Auswirkungen von Smart Body-Fehlern zu verringern.

Hilfe verwenden

Einbauverfahren

Die Installation von PrimisAI Nexus ist ein einfacher Prozess und die folgenden Schritte sind detailliert beschrieben:

1. Vorbereiten der Umgebung
   • Stellen Sie sicher, dass Python 3.8+ installiert ist, führen Sie daspython --versionPrüfen.
   • Erstellen Sie eine virtuelle Umgebung (empfohlen):

     python -m venv nexus_env
     source nexus_env/bin/activate  # Linux/Mac
     nexus_env\Scripts\activate     # Windows
     

2. Installieren von Nexus
   • Verwenden Sie pip zur Installation:

     pip install primisai
     

   • Version prüfen: ausführenpip show primisaium zu bestätigen, dass die Installation erfolgreich war.
3. LLM-Zugang konfigurieren
   • Holen Sie sich den API-Schlüssel für ein großes Sprachmodell (z. B. OpenAI API Key).
   • Setzen von Umgebungsvariablen:

     export OPENAI_API_KEY="your-api-key-here"  # Linux/Mac
     set OPENAI_API_KEY="your-api-key-here"     # Windows
     

4. Überprüfen der Installation
   • Erstellen von Testskriptentest_nexus.py::

     from primisai.nexus.core import Supervisor
     llm_config = {"api_key": "your-api-key-here", "model": "gpt-4o"}
     supervisor = Supervisor("TestSupervisor", llm_config)
     print("Nexus已就绪！")
     

   • in Bewegung seinpython test_nexus.pyWenn die Ausgabe "Nexus is ready!" lautet, ist die Installation erfolgreich. was eine erfolgreiche Installation anzeigt.

Hauptfunktionen

1. skalierbare Multi-Intelligenz-Systeme aufbauen

• Verfahren::
  1. Modul importieren:

     from primisai.nexus.core import Agent, Supervisor
     

  2. LLM konfigurieren:

     llm_config = {
     "api_key": "your-api-key-here",
     "model": "gpt-4o"
     }
     

  3. Schaffung von Aufsichtsintelligenz und Arbeitsintelligenz:

     supervisor = Supervisor("RootSupervisor", llm_config)
     coder = Agent("Coder", llm_config, system_message="生成Python代码。")
     tester = Agent("Tester", llm_config, system_message="验证代码正确性。")
     supervisor.register_agent(coder)
     supervisor.register_agent(tester)
     

  4. Die Durchführung des Auftrags:

     task = "编写并验证一个排序算法"
     supervisor.run(task)
     

• Funktionelle BeschreibungÜberwachungsintelligenz: Überwachungsintelligenz zerlegt Aufgaben (z. B. das Schreiben von Code und Tests) und weist sie den Arbeitsintelligenzen Coder und Tester zu, und das System kann bei Bedarf dynamisch um weitere Intelligenzen erweitert werden.

2. automatisierte Aufgaben mit YAML konfigurieren

• Verfahren::
  1. einrichten.config.yamlDokumentation:

     supervisor:
     name: "AutomationSupervisor"
     llm_config:
     api_key: "your-api-key-here"
     model: "gpt-4o"
     agents:
     - name: "DataCollector"
     system_message: "收集并整理数据。"
     - name: "ReportGenerator"
     system_message: "生成数据报告。"
     

  2. Laden und ausführen:

     from primisai.nexus.config import load_yaml_config, AgentFactory
     config = load_yaml_config("config.yaml")
     factory = AgentFactory()
     system = factory.create_from_config(config)
     system.run("收集市场数据并生成报告")
     

• Funktionelle BeschreibungDefinieren Sie die Rollen und die Aufgabenlogik der Intelligenzen über YAML-Dateien, um die Datenerfassung und Berichterstellung zu automatisieren, und passen Sie die Konfiguration an, ohne den Code zu ändern.

3. die Interaktion und Prüfung in Echtzeit

• Verfahren::
  1. Starten Sie eine interaktive Sitzung:

     supervisor.start_interactive_session()
     

  2. Geben Sie eine Aufgabe ein, z. B. "Erstellen Sie ein Web-Suchwerkzeug", und beobachten Sie die Ergebnisse der intelligenten Zusammenarbeit.
  3. EinfuhrexitBeenden Sie die Sitzung.
• Funktionelle BeschreibungUnterstützung von Echtzeittests zur Überprüfung der Effektivität der Multi-Intelligenz-Zusammenarbeit, um den reibungslosen Ablauf der Aufgabenautomatisierung zu überprüfen.

4. inbetriebnahme und optimierung

• Verfahren::
  1. Richten Sie den Debugger ein:

     from primisai.nexus.core import Debugger
     debugger = Debugger(log_level="DEBUG")
     supervisor.set_debugger(debugger)
     

  2. Führen Sie die Aufgabe aus und sehen Sie sich das Protokoll an (das standardmäßig unternexus.log).
  3. Optimieren Sie die Smartbody-Logik oder die Aufgabenzuweisung auf der Grundlage von Protokollen.
• Funktionelle BeschreibungDebugging-Tools zeichnen Details des Smart Body-Betriebs auf und sorgen durch Feedback-Schleifen für eine stabile und zuverlässige Aufgabenausführung.

caveat

• Stellen Sie sicher, dass das Netz reibungslos funktioniert und dass LLM-Aufrufe einen stabilen API-Dienst erfordern.
• Die Einrückung von YAML-Dateien muss einheitlich sein (z.B. 2 Leerzeichen), da sonst das Parsen fehlschlagen kann.
• Es wird vorgeschlagen, komplexe Aufgaben in Teilaufgaben aufzuteilen, um die Effizienz der Zusammenarbeit mehrerer intelligenter Körper zu verbessern.

Mit diesen Schritten können Benutzer schnell mit Nexus beginnen, skalierbare KI-Multi-Intelligenz-Systeme aufbauen und Aufgaben automatisieren.