Атомарные агенты: основа для создания легких модульных интеллектов ИИ

Общее введение

Atomic Agents - это чрезвычайно легкий и модульный фреймворк, созданный на основе концепции атомарности для построения конвейеров агентного ИИ и приложений. Фреймворк предоставляет набор инструментов и агентов, которые можно комбинировать для создания мощных приложений. В его основе лежит Инструктор построена с использованием Pydantic для проверки и сериализации данных и шаблонов. Вся логика и поток управления написаны на Python, что позволяет разработчикам применять лучшие практики и рабочие процессы традиционной разработки программного обеспечения без ущерба для гибкости и ясности. Atomic Agents разработан для удовлетворения потребностей организаций в последовательных и надежных результатах за счет модульности, предсказуемости, масштабируемости и контроля.

Рекомендуемое чтение:Прощай, Лэнгчейн! Атомный агент в огне!

Список функций

• Модулирование: Создавайте приложения ИИ, комбинируя небольшие компоненты многократного использования.
• предсказуемость: Определите четкие схемы ввода и вывода данных, чтобы обеспечить последовательное поведение.
• масштабируемость: Легкая замена компонентов или интеграция новых без разрушения всей системы.
• контроль: Тонкая настройка каждой части системы в отдельности, от системных подсказок до интеграции инструментов.
• Проверка достоверности данных: Проверка и сериализация данных и шаблонов с помощью Pydantic.
• Разработка на языке Python: Вся логика и поток управления написаны на Python для удобства использования разработчиками.

Использование помощи

Процесс установки

1. Убедитесь, что у вас установлен Python 3.11 или более поздняя версия.
2. Используйте pip для установки Atomic Agents:

   pip install atomic-agents

3. При необходимости установите такие провайдеры, как OpenAI и Groq:

   pip install openai groq

Руководство по использованию

Создание прокси-сервера

1. Определение системных подсказок: Определите действие и цель агента.
2. Определение режимов ввода: Определяет структуру и правила проверки для ввода данных агентом.
3. Определение режима вывода: Определяет структуру и правила проверки выходных данных агента.
4. хранимая память: Сохранить историю диалога или другие важные данные.
5. поставщик контекста (вычислительная техника): Вставьте динамический контекст в системную подсказку агента во время выполнения.

пример кода (вычисления)

from atomic_agents import Agent, SystemPrompt, InputSchema, OutputSchema
# 定义系统提示
system_prompt = SystemPrompt("你是一个帮助用户解决问题的AI助手。")
# 定义输入和输出模式
input_schema = InputSchema({"type": "object", "properties": {"question": {"type": "string"}}})
output_schema = OutputSchema({"type": "object", "properties": {"answer": {"type": "string"}}})
# 创建代理
agent = Agent(system_prompt=system_prompt, input_schema=input_schema, output_schema=output_schema)
# 使用代理
response = agent.run({"question": "今天的天气怎么样？"})
print(response["answer"])

Рабочий процесс разработки

1. Создание новой ветки: Создавайте ветки для новых функций или исправлений.

   git checkout -b feature-branch

2. Внесение изменений в код: Внесите изменения в соответствующий каталог проекта.
3. Код форматирования: Используйте код форматирования Black.

   black atomic_agents

4. проверка кодов: Проверка кода с помощью Flake8.

   flake8 atomic_agents

5. эксплуатационное испытание: Убедитесь, что все тесты пройдены.

   pytest --cov atomic_agents

6. Внести изменения: Зафиксируйте и отправьте в удаленный репозиторий.

   git commit -m 'Add some feature'
git push origin feature-branch

7. Создание запроса на притяжение: Создайте запрос на притяжение на GitHub с описанием изменений и ссылками на связанные с ними проблемы.