Kheish: многоролевые интеллекты, проверяющие, проверяющие и форматирующие выходные данные для получения высококачественных результатов

Общее введение

Kheish - это многоролевой агент с открытым исходным кодом, предназначенный для решения задач моделирования больших языков (LLM), требующих структурированного пошагового взаимодействия. Kheish - это не просто простой координатор, а самостоятельный интеллектуальный агент, запрашивающий модули по запросу, интегрирующий отзывы пользователей и переключающийся между различными профессиональными ролями (например, Proposer, Reviewer, Validator, Formatter и т.д.), что в конечном счете позволяет получить уточненные результаты. В конечном счете, они предоставляют уточненные результаты. Благодаря использованию нескольких "субагентов" (ролей) в рамках единой структуры Kheish способен решать такие задачи, как аудит безопасности, поиск документов, исследование на основе RAG и многое другое.

Список функций

• Адаптивное переключение ролейKheish действует как единый агент с множеством внутренних ролей, таких как автор предложения, рецензент, валидатор и форматер.
• Запрос модуля по требованию: Kheish может самопроизвольно вызывать такие модули, как файловые системы, команды оболочки, RAG, SSH и модули памяти.
• Обратная связь и итерацииКхейш перепроверяет и пересматривает свои предложения во многих заданиях, постепенно повышая качество решений.
• Поколение дополнения поиска (RAG): Для больших кодовых баз или многофайловых контекстов Kheish индексирует данные в векторном хранилище, сокращая использование токенов и масштабируясь для больших проектов.
• Одиночный агент, многозадачный: Kheish может обрабатывать параллельные или последовательные задачи, определяя отдельные конфигурации YAML или объединяя их в многошаговый сценарий.

Использование помощи

Процесс установки

1. склад клонов: Сначала клонируйте репозиторий Kheish на GitHub с помощью Git.

   git clone https://github.com/graniet/kheish.git
   

2. Доступ к каталогу: Введите клонированный каталог Kheish.

   cd kheish
   

3. Установка зависимостей: Используйте Cargo для установки необходимых зависимостей.

   cargo build
   

Руководство по использованию

1. файл конфигурации: Прежде чем использовать Kheish, необходимо настроить YAML-файл для определения задач и ролей. Пример конфигурационного файла показан ниже:

   tasks:
   - name: "代码审计"
   roles:
   - proposer
   - reviewer
   - validator
   modules:
   - fs
   - sh
   

2. Выполнение заданий: Запустите Kheish, используя файл конфигурации.

   cargo run -- --config path/to/config.yaml
   

3. вызов модуля: Kheish может спонтанно вызывать такие модули, как файловая система (fs), команды оболочки (sh), RAG (rag), SSH (ssh) и долговременная память (memories), исходя из требований задачи.
4. Обратная связь и итерации: В ходе выполнения задания Кхейш постоянно проверяет и пересматривает свое предложение, чтобы обеспечить точность и полноту конечного результата.

Функции Поток операций

1. Адаптивное переключение ролей::
   • Предложивший: Генерируйте или обновляйте предложения на основе пользовательского ввода и контекста.
   • Обозреватель: Критически оценивать предложения, выявлять недостатки и требовать улучшений.
   • Валидатор: Выполняет роль главного контролера, обеспечивая правильность и полноту предложения.
   • Форматировщик: Конвертируйте проверенное решение в формат конечной презентации (например, Markdown).
2. Запрос модуля по требованию::
   • Файловая система (fs): считывает файлы блок за блоком и индексирует их в RAG.
   • Команды оболочки (sh): запуск ограниченного числа команд оболочки в изолированной среде.
   • RAG: хранение и поиск больших объемов текста путем встраивания, поддержка запросов на основе блоков.
   • SSH: безопасная удаленная команда.
   • Модули памяти (воспоминания): хранят или вызывают данные вне контекста LLM (долговременной памяти).
3. Обратная связь и итерации::
   • Спонсор предлагает решение.
   • Рецензенты критикуют и могут потребовать внести изменения.
   • Сторонники вносят улучшения на основе отзывов.
   • Валидатор в итоге одобряет или запрашивает дополнительные поправки.
4. Поколение дополнения поиска (RAG)::
   • Для больших кодовых баз или многофайловых контекстов Kheish индексирует данные в векторном хранилище и затем извлекает нужные фрагменты с помощью семантических запросов.
5. Одиночный агент, многозадачный::
   • Kheish может обрабатывать параллельные или последовательные задачи, определяя отдельные конфигурации YAML или объединяя их в многошаговый сценарий.