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:
- Preparação do ambiente
- Certifique-se de que o Python 3.8+ esteja instalado e execute o comando
python --version
Verificar. - Crie um ambiente virtual (recomendado):
python -m venv nexus_env source nexus_env/bin/activate # Linux/Mac nexus_env\Scripts\activate # Windows
- Certifique-se de que o Python 3.8+ esteja instalado e execute o comando
- Instalando o Nexus
- Use o pip para instalar:
pip install primisai
- Verificar versão: executar
pip show primisai
para confirmar que a instalação foi bem-sucedida.
- Use o pip para instalar:
- 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
- Verificar a instalação
- Criação de scripts de teste
test_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 movimento
python test_nexus.py
Se a saída for "Nexus is ready!", a instalação será bem-sucedida. indicando uma instalação bem-sucedida.
- Criação de scripts de teste
Funções principais
1. criação de sistemas de inteligência múltipla dimensionáveis
- procedimento::
- Módulo de importação:
from primisai.nexus.core import Agent, Supervisor
- Configurar o LLM:
llm_config = { "api_key": "your-api-key-here", "model": "gpt-4o" }
- 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)
- Para cumprir a missão:
task = "编写并验证一个排序算法" supervisor.run(task)
- Módulo de importação:
- 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::
- estabelecer
config.yaml
Documentação: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。"
- 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")
- estabelecer
- 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::
- Inicie uma sessão interativa:
supervisor.start_interactive_session()
- Insira uma tarefa, por exemplo, "Gerar uma ferramenta de pesquisa na Web", e observe os resultados da colaboração de inteligência.
- importação
exit
Sair da sessão.
- Inicie uma sessão interativa:
- 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::
- Configure o depurador:
from primisai.nexus.core import Debugger debugger = Debugger(log_level="DEBUG") supervisor.set_debugger(debugger)
- Execute a tarefa e visualize o registro (salvo por padrão em
nexus.log
). - Otimize a lógica do smartbody ou a atribuição de tarefas com base nos registros.
- Configure o depurador:
- 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.