PrimisAI Nexus : un cadre léger pour la construction de systèmes évolutifs d'intelligence artificielle multiple et d'automatisation des tâches

Introduction générale

PrimisAI Nexus est un framework Python open source léger hébergé sur GitHub et développé par l'équipe PrimisAI pour aider les utilisateurs à construire et à gérer des systèmes multi-intelligences évolutifs pour l'automatisation de tâches complexes à travers la modélisation des grands langages (LLM). Sa conception modulaire permet de simplifier les flux de travail et les configurations YAML grâce à une seule intelligence de supervision (Supervisor) qui collabore avec plusieurs intelligences de travail (Worker Agents), abaissant ainsi le seuil de développement. Depuis février 2025, Nexus excelle dans les tâches de génération de code telles que HumanEval et VerilogEval-Human benchmarking, ce qui le rend adapté aux développeurs et aux chercheurs pour construire des solutions efficaces d'automatisation de l'IA.

Architecture Nexus

Liste des fonctions

• Système multi-intelligence évolutifLes systèmes de gestion de l'information et de la communication (SGC) sont des systèmes de gestion de l'information et de la communication (SGC).
• Automatisation des tâchesLes tâches sont exécutées de manière automatisée par des intelligences de supervision qui décomposent les tâches et les assignent à des intelligences de travail spécialisées.
• Architecture légèreLes coûts de développement et de maintenance sont réduits grâce à la conception d'un flux de travail épuré.
• Intégration du LLMConnexion transparente à de grands modèles linguistiques (par exemple GPT-4o) avec prise en charge de configurations personnalisées.
• Configuration YAMLSimplifier la gestion en définissant la structure et les tâches des intelligences à l'aide de fichiers de configuration.
• Débogage et optimisationLe système d'information sur la santé (SIS) : il intègre des boucles d'enregistrement et de retour d'information pour réduire l'impact des défaillances de l'organisme intelligent.

Utiliser l'aide

Processus d'installation

L'installation de PrimisAI Nexus est un processus simple et les étapes suivantes sont détaillées :

1. Préparation de l'environnement
   • Assurez-vous que Python 3.8+ est installé, exécutez le programmepython --versionVérifier.
   • Créer un environnement virtuel (recommandé) :

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

2. Installation de Nexus
   • Utilisez pip pour l'installation :

     pip install primisai
     

   • Vérifier la version : runpip show primisaipour confirmer que l'installation s'est déroulée correctement.
3. Configuration de l'accès au LLM
   • Obtenir la clé API d'un grand modèle linguistique (par exemple, la clé API d'OpenAI).
   • Définition des variables d'environnement :

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

4. Vérifier l'installation
   • Création de scripts de testtest_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！")
     

   • être en mouvementpython test_nexus.pySi le résultat est "Nexus is ready !", l'installation est réussie. indique que l'installation a réussi.

Principales fonctions

1) Construire des systèmes multi-intelligents évolutifs

• procédure: :
  1. Module d'importation :

     from primisai.nexus.core import Agent, Supervisor
     

  2. Configurer LLM :

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

  3. Création d'une Intelligentsia de supervision et d'une Intelligentsia de travail :

     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. Pour mener à bien la mission :

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

• Description fonctionnelleLes intelligences de supervision décomposent les tâches (par exemple, l'écriture du code et des tests) et les attribuent aux intelligences de travail du codeur et du testeur, et le système peut être dynamiquement étendu à d'autres intelligences selon les besoins.

2. configurer des tâches automatisées à l'aide de YAML

• procédure: :
  1. établirconfig.yamlDocumentation :

     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. Charger et exécuter :

     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")
     

• Description fonctionnelleLes utilisateurs peuvent ainsi définir les rôles et la logique des tâches des intelligences à l'aide de fichiers YAML afin d'automatiser la collecte de données et la génération de rapports, et d'ajuster la configuration sans modifier le code.

3. interaction et essais en temps réel

• procédure: :
  1. Démarrer une session interactive :

     supervisor.start_interactive_session()
     

  2. Saisissez une tâche, par exemple "Créer un outil de recherche sur le Web", et observez les résultats de la collaboration des intelligences.
  3. importationexitQuitter la session.
• Description fonctionnelleLe système d'automatisation des tâches : il permet de tester en temps réel l'efficacité de la collaboration multi-intelligence afin de vérifier la fluidité du processus d'automatisation des tâches.

4. mise en service et optimisation

• procédure: :
  1. Configurer le débogueur :

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

  2. Exécutez la tâche et consultez le journal (sauvegardé par défaut à l'adressenexus.log).
  3. Optimiser la logique du corps intelligent ou l'affectation des tâches sur la base des journaux.
• Description fonctionnelleLes outils de débogage enregistrent les détails du fonctionnement de l'organisme intelligent et garantissent une exécution stable et fiable des tâches grâce à des boucles de rétroaction.

mise en garde

• S'assurer que le réseau est fluide et que les appels LLM nécessitent un service API stable.
• L'indentation des fichiers YAML doit être uniforme (par exemple, 2 espaces), sinon l'analyse risque d'échouer.
• Il est suggéré de diviser les tâches complexes en sous-tâches afin d'améliorer l'efficacité de la collaboration entre organismes multi-intelligents.

Avec ces étapes, les utilisateurs peuvent rapidement commencer à utiliser Nexus, construire des systèmes d'intelligence artificielle évolutifs et automatiser des tâches.