PrimisAI Nexus: un marco ligero para construir sistemas de inteligencia múltiple de IA escalables y automatización de tareas

Introducción general

PrimisAI Nexus es un framework Python ligero de código abierto alojado en GitHub y desarrollado por el equipo de PrimisAI para ayudar a los usuarios a construir y gestionar sistemas multi-inteligencia de IA escalables para automatizar tareas complejas a través de Large Language Modelling (LLM). Tiene un diseño modular que proporciona flujos de trabajo simplificados y configuraciones YAML a través de una única Inteligencia Supervisora (Supervisor) que colabora con múltiples Inteligencias Trabajadoras (Worker Agents), reduciendo el umbral de desarrollo. Desde febrero de 2025, Nexus destaca en tareas de generación de código como HumanEval y VerilogEval-Human benchmarking, lo que lo hace adecuado para que desarrolladores e investigadores construyan soluciones eficientes de automatización de IA.

Arquitectura Nexus

Lista de funciones

• Sistema multiinteligencia escalableSoporte de la adición dinámica de inteligencias para escalar el sistema con la complejidad de la tarea.
• Automatización de tareasEjecución automatizada mediante inteligencias supervisoras que desglosan las tareas y las asignan a inteligencias de trabajo especializadas.
• Arquitectura ligera: Proporcione un diseño de flujo de trabajo limpio para reducir los costes de desarrollo y mantenimiento.
• Integración LLM: Conexión sin fisuras a grandes modelos lingüísticos (por ejemplo, GPT-4o) con soporte para configuraciones personalizadas.
• Configuración YAML: Simplifique la gestión definiendo la estructura y las tareas de las inteligencias mediante archivos de configuración.
• Depuración y optimización: Registro y bucles de retroalimentación integrados para reducir el impacto de los fallos del cuerpo inteligente.

Utilizar la ayuda

Proceso de instalación

La instalación de PrimisAI Nexus es un proceso sencillo y los siguientes son los pasos detallados:

1. Preparar el entorno
   • Asegúrese de que Python 3.8+ está instalado, ejecute el programapython --versionCompruébalo.
   • Crear un entorno virtual (recomendado):

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

2. Instalación de Nexus
   • Utilice pip para instalar:

     pip install primisai
     

   • Comprobar versión: runpip show primisaipara confirmar que la instalación se ha realizado correctamente.
3. Configuración del acceso LLM
   • Obtenga la clave API de un modelo lingüístico de gran tamaño (por ejemplo, la clave API de OpenAI).
   • Configuración de variables de entorno:

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

4. Verificar la instalación
   • Creación de guiones de pruebatest_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！")
     

   • estar en movimientopython test_nexus.pySi la salida es "¡Nexus está listo!", la instalación se ha realizado correctamente. lo que indica que la instalación se ha realizado correctamente.

Funciones principales

1. Construir sistemas multiinteligencia escalables

• procedimiento::
  1. Módulo de importación:

     from primisai.nexus.core import Agent, Supervisor
     

  2. Configurar LLM:

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

  3. Crear inteligencias de supervisión y de trabajo:

     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. Llevar a cabo la misión:

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

• Descripción funcionalInteligencias de supervisión: las inteligencias de supervisión descomponen las tareas (por ejemplo, escribir código y pruebas) y las asignan a las inteligencias de trabajo Coder y Tester, y el sistema puede ampliarse dinámicamente con más inteligencias según sea necesario.

2. Configuración de tareas automatizadas mediante YAML

• procedimiento::
  1. establecerconfig.yamlDocumentación:

     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. Carga y corre:

     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")
     

• Descripción funcionalDefinir las funciones y la lógica de las tareas de las inteligencias mediante archivos YAML para automatizar la recogida de datos y la generación de informes, y ajustar la configuración sin modificar el código.

3. Interacción y pruebas en tiempo real

• procedimiento::
  1. Inicie una sesión interactiva:

     supervisor.start_interactive_session()
     

  2. Introduzca una tarea, por ejemplo, "Generar una herramienta de búsqueda en Internet", y observe los resultados de la colaboración de las inteligencias.
  3. importaciónexitSalir de la sesión.
• Descripción funcionalPermite comprobar en tiempo real la eficacia de la colaboración multiinteligencia para verificar la fluidez del proceso de automatización de tareas.

4. Puesta en servicio y optimización

• procedimiento::
  1. Configura el depurador:

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

  2. Ejecute la tarea y vea el registro (guardado por defecto ennexus.log).
  3. Optimizar la lógica de la inteligencia o la asignación de tareas en función de los registros.
• Descripción funcionalHerramientas de depuración: las herramientas de depuración registran los detalles del funcionamiento del cuerpo inteligente y garantizan una ejecución estable y fiable de las tareas mediante bucles de retroalimentación.

advertencia

• Asegúrese de que la red funciona sin problemas y de que las llamadas LLM requieren un servicio API estable.
• La sangría de los archivos YAML debe ser uniforme (por ejemplo, 2 espacios), de lo contrario el análisis puede fallar.
• Se sugiere dividir las tareas complejas en subtareas para mejorar la eficacia de la colaboración de los organismos multiinteligencia.

Con estos pasos, los usuarios pueden iniciarse rápidamente en Nexus, crear sistemas multiinteligencia de IA escalables y automatizar tareas.