PrimisAI Nexus: uma estrutura leve para criar sistemas de inteligência múltipla de IA dimensionáveis e automação de tarefas

Introdução geral

O PrimisAI Nexus é uma estrutura Python leve e de código aberto hospedada no GitHub e desenvolvida pela equipe do PrimisAI para ajudar os usuários a criar e gerenciar sistemas de inteligência múltipla de IA escalonáveis para automatizar tarefas complexas por meio da Modelagem de Linguagem Grande (LLM). Ele tem um design modular que fornece fluxos de trabalho simplificados e configurações YAML por meio de uma única Inteligência de Supervisão (Supervisor) que colabora com várias Inteligências de Trabalho (Agentes de Trabalho), reduzindo o limite de desenvolvimento. Desde fevereiro de 2025, o Nexus se destaca em tarefas de geração de código, como o benchmarking HumanEval e VerilogEval-Human, o que o torna adequado para que desenvolvedores e pesquisadores criem soluções eficientes de automação de IA.

Arquitetura Nexus

Lista de funções

• Sistema de inteligência múltipla dimensionávelSuporte à adição dinâmica de inteligências para dimensionar o sistema de acordo com a complexidade da tarefa.
• Automação de tarefasExecução automatizada por inteligências de supervisão que dividem as tarefas e as atribuem a inteligências de trabalho especializadas.
• Arquitetura leveDesign de fluxo de trabalho limpo para reduzir os custos de desenvolvimento e manutenção.
• Integração do LLMConexão perfeita com modelos de idiomas grandes (por exemplo, GPT-4o) com suporte para configurações personalizadas.
• Configuração YAMLSimplifique o gerenciamento definindo a estrutura e as tarefas das inteligências por meio de arquivos de configuração.
• Depuração e otimizaçãoRegistro de dados e loops de feedback integrados para reduzir o impacto da falha do corpo inteligente.

Usando a Ajuda

Processo de instalação

A instalação do PrimisAI Nexus é um processo simples e as etapas detalhadas são as seguintes:

1. Preparação do ambiente
   • Certifique-se de que o Python 3.8+ esteja instalado e execute o comandopython --versionVerificar.
   • Crie um ambiente virtual (recomendado):

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

2. Instalando o Nexus
   • Use o pip para instalar:

     pip install primisai
     

   • Verificar versão: executarpip show primisaipara confirmar que a instalação foi bem-sucedida.
3. Configuração do acesso ao LLM
   • Obtenha a chave de API para um modelo de linguagem grande (por exemplo, chave de API da OpenAI).
   • Configuração de variáveis de ambiente:

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

4. Verificar a instalação
   • Criação de scripts de testetest_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 em movimentopython test_nexus.pySe a saída for "Nexus is ready!", a instalação será bem-sucedida. indicando uma instalação bem-sucedida.

Funções principais

1. criação de sistemas de inteligência múltipla dimensionáveis

• procedimento::
  1. Módulo de importação:

     from primisai.nexus.core import Agent, Supervisor
     

  2. Configurar o LLM:

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

  3. Criando a Supervisory Intelligentsia e a Work Intelligentsia:

     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. Para cumprir a missão:

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

• Descrição funcionalInteligências de supervisão: as inteligências de supervisão decompõem as tarefas (por exemplo, escrever códigos e testes) e as atribuem às inteligências de trabalho Coder e Tester, e o sistema pode ser ampliado dinamicamente com mais inteligências, conforme necessário.

2) Configuração de tarefas automatizadas usando YAML

• procedimento::
  1. estabelecerconfig.yamlDocumentação:

     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. Carregue e execute:

     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")
     

• Descrição funcionalDefinição das funções e da lógica de tarefas das inteligências por meio de arquivos YAML para automatizar a coleta de dados e a geração de relatórios e ajustar a configuração sem modificar o código.

3. interação e testes em tempo real

• procedimento::
  1. Inicie uma sessão interativa:

     supervisor.start_interactive_session()
     

  2. Insira uma tarefa, por exemplo, "Gerar uma ferramenta de pesquisa na Web", e observe os resultados da colaboração de inteligência.
  3. importaçãoexitSair da sessão.
• Descrição funcionalSuporte a testes em tempo real da eficácia da colaboração de várias inteligências para verificar a suavidade do processo de automação de tarefas.

4. comissionamento e otimização

• procedimento::
  1. Configure o depurador:

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

  2. Execute a tarefa e visualize o registro (salvo por padrão emnexus.log).
  3. Otimize a lógica do smartbody ou a atribuição de tarefas com base nos registros.
• Descrição funcionalFerramentas de depuração: as ferramentas de depuração registram detalhes da operação do corpo inteligente e garantem a execução estável e confiável de tarefas por meio de loops de feedback.

advertência

• Certifique-se de que a rede esteja funcionando sem problemas e que as chamadas LLM exijam um serviço de API estável.
• A indentação do arquivo YAML precisa ser uniforme (por exemplo, 2 espaços), caso contrário, a análise pode falhar.
• Sugere-se que as tarefas complexas sejam divididas em subtarefas para aumentar a eficiência da colaboração de corpos com várias inteligências.

Com essas etapas, os usuários podem começar a usar o Nexus rapidamente, criar sistemas de inteligência múltipla de IA dimensionáveis e automatizar tarefas.