PrimisAI Nexus: легкий фреймворк для создания масштабируемых мультиинтеллектуальных систем ИИ и автоматизации задач

Общее введение

PrimisAI Nexus - это легкий фреймворк с открытым исходным кодом на языке Python, размещенный на GitHub и разработанный командой PrimisAI, чтобы помочь пользователям создавать и управлять масштабируемыми системами ИИ с несколькими интеллектами для автоматизации сложных задач с помощью моделирования большого языка (LLM). Он имеет модульную конструкцию, которая обеспечивает упрощенные рабочие процессы и YAML-конфигурации с помощью одного контролирующего интеллекта (Supervisor), сотрудничающего с несколькими рабочими интеллектами (Worker Agents), что снижает порог разработки. По состоянию на февраль 2025 года Nexus отлично справляется с задачами генерации кода, такими как HumanEval и VerilogEval-Human benchmarking, что делает его подходящим для разработчиков и исследователей для создания эффективных решений по автоматизации ИИ.

Архитектура Nexus

Список функций

• Масштабируемая мультиинтеллектуальная система: Поддержка динамического добавления интеллектов для масштабирования системы в зависимости от сложности задачи.
• Автоматизация задач: Автоматизированное выполнение контролирующими интеллектами, разбивающими задачи и поручающими их специализированным рабочим интеллектам.
• Легкая архитектура: Обеспечьте чистый дизайн рабочего процесса, чтобы снизить затраты на разработку и обслуживание.
• Интеграция LLM: Бесшовное подключение к большим языковым моделям (например, GPT-4o) с поддержкой пользовательских конфигураций.
• Конфигурация YAML: Упростите управление, определив структуру и задачи интеллектов с помощью файлов конфигурации.
• Отладка и оптимизация: Встроенная система регистрации и обратной связи для снижения влияния сбоев в работе интеллектуального тела.

Использование помощи

Процесс установки

Установка PrimisAI Nexus - простой процесс, и ниже приведены подробные шаги:

1. Подготовка среды
   • Убедитесь, что установлен Python 3.8+, запустите программуpython --versionПроверьте.
   • Создайте виртуальную среду (рекомендуется):

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

2. Установка Nexus
   • Для установки используйте pip:

     pip install primisai
     

   • Проверить версию: выполнитьpip show primisaiчтобы убедиться, что установка прошла успешно.
3. Настройка доступа к LLM
   • Получите ключ API для большой языковой модели (например, ключ API OpenAI).
   • Установка переменных окружения:

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

4. Проверка установки
   • Создание сценариев тестированияtest_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！")
     

   • быть в движенииpython test_nexus.pyЕсли выводится сообщение "Nexus готов!", установка прошла успешно. указывает на успешную установку.

Основные функции

1. Создание масштабируемых мультиинтеллектуальных систем

• процедура::
  1. Модуль импорта:

     from primisai.nexus.core import Agent, Supervisor
     

  2. Настройте LLM:

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

  3. Создание супервизорской интеллигенции и рабочей интеллигенции:

     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. Выполнение миссии:

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

• Функциональное описаниеИнтеллекты-руководители декомпозируют задачи (например, написание кода и тестов) и распределяют их между интеллектами-кодировщиками и тестировщиками, а систему можно динамически расширять, добавляя новые интеллекты по мере необходимости.

2. Настройка автоматизированных задач с помощью YAML

• процедура::
  1. создатьconfig.yamlДокументация:

     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. Загрузите и запустите:

     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")
     

• Функциональное описаниеОпределение ролей и логики задач интеллектов с помощью YAML-файлов для автоматизации сбора данных и создания отчетов, а также настройка конфигурации без внесения изменений в код.

3. Взаимодействие и тестирование в режиме реального времени

• процедура::
  1. Начните интерактивную сессию:

     supervisor.start_interactive_session()
     

  2. Введите задание, например, "Создать инструмент для поиска в Интернете", и наблюдайте за результатами совместной работы интеллектов.
  3. импортexitВыйдите из сеанса.
• Функциональное описание: Поддерживает тестирование эффективности совместной работы нескольких разведчиков в режиме реального времени для проверки плавности процесса автоматизации задач.

4. Ввод в эксплуатацию и оптимизация

• процедура::
  1. Настройте отладчик:

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

  2. Запустите задание и просмотрите журнал (по умолчанию сохраняется вnexus.log).
  3. Оптимизируйте логику работы смарт-тела или назначение задач на основе журналов.
• Функциональное описаниеОтладочные инструменты фиксируют детали работы "умного тела" и обеспечивают стабильное и надежное выполнение задач с помощью контуров обратной связи.

предостережение

• Убедитесь, что сеть работает без сбоев и что для вызовов LLM требуется стабильный API-сервис.
• Отступы в файлах YAML должны быть равномерными (например, 2 пробела), иначе разбор может быть неудачным.
• Сложные задачи предлагается разбивать на подзадачи, чтобы повысить эффективность совместной работы нескольких разумных тел.

Выполнив эти шаги, пользователи смогут быстро начать работу с Nexus, создавать масштабируемые многоинтеллектуальные системы искусственного интеллекта и автоматизировать задачи.