В современном быстро меняющемся мире следить за последними новостями в той или иной области может быть непросто. Что если использовать возможности генеративного ИИ и агентов для создания персонализированного агрегатора новостей, работающего исключительно на локальных машинах? В этой статье мы рассмотрим, как использоватьОлламамодели Llama 3.2,РойВыполните планирование прокси, иDuckDuckGoПроведите поиск в Интернете, чтобы создать такую систему.

Сила местного искусственного интеллекта

С появлением крупномасштабных языковых моделей мы теперь можем запускать сложные системы искусственного интеллекта на своих компьютерах. Это открывает безграничные возможности для создания инструментов, адаптированных под наши конкретные нужды. Наш новостной агрегатор - идеальный пример такого потенциала.

Компоненты нашей системы

1. Оллама с ламой 3.2 : Это сердце нашей системы, обеспечивающее работу наших агентов ИИ.
2. Рой : Фреймворк для оркестровки агентов, позволяющий создавать и управлять несколькими агентами искусственного интеллекта.
3. Поиск DuckDuckGo :: Предоставление актуальных результатов веб-поиска без отслеживания данных пользователя.

Принцип работы

Наш агрегатор новостей состоит из двух основных агентов искусственного интеллекта:

1. Пресс-ассистент : Используйте поиск DuckDuckGo для получения последних новостных статей по определенным темам.
2. Помощник редактора : Пересмотрите и доработайте собранные новости для финальной презентации.

Давайте разберемся с рабочим процессом:

1. Настройка среды

ollama pull llama3.2
export OPENAI_MODEL_NAME=llama3.2
export OPENAI_BASE_URL=http://localhost:11434/v1
export OPENAI_API_KEY=any
pip install git+https://github.com/openai/swarm.git duckduckgo-search

Мы начнем с импорта необходимых библиотек и инициализации нашего Рой Клиент:

from duckduckgo_search import DDGS
from swarm import Swarm, Agent
from datetime import datetime
current_date = datetime.now().strftime("%Y-%m")
client = Swarm()

2. Создание функции поиска новостей

Мы определяем функцию для поиска новостей с помощью DuckDuckGo:

pythondef get_news_articles(topic):
ddg_api = DDGS()
results = ddg_api.text(f"{topic} {current_date}", max_results=5)
if results:
news_results = "\n\n".join([f"Title: {result['title']}\nURL: {result['href']}\nDescription: {result['body']}" for result in results])
return news_results
else:
return f"Could not find news results for {topic}."

3. определение наших агентов ИИ

Мы создаем двух агентов, используя модель Llama 3.2 компании Ollama:

news_agent = Agent(
model="llama3.2",
name="News Assistant",
instructions="You provide the latest news articles for a given topic using DuckDuckGo search.",
functions=[get_news_articles],
)
editor_agent = Agent(
model="llama3.2",
name="Editor Assistant",
instructions="You review and finalise the news article for publishing.",
)

4. координация рабочих процессов

Мы определяем функцию для запуска рабочего процесса агрегации новостей:

def run_news_workflow(topic):
# Fetch news
news_response = client.run(
agent=news_agent,
messages=[{"role": "user", "content": f"Get me the news about {topic} on {current_date}"}],
)
raw_news = news_response.messages[-1]["content"]
# Pass news to editor for final review
edited_news_response = client.run(
agent=editor_agent,
messages=[{"role": "system", "content": raw_news}],
)
print(f"{edited_news_response.messages[-1]['content']}")

5. операционные системы

Наконец, мы можем запустить агрегатор новостей на любую интересующую нас тему:

run_news_workflow("AI in Drug Discovery")

Полный код : app.py

from duckduckgo_search import DDGS
from swarm import Swarm, Agent
from datetime import datetime
current_date = datetime.now().strftime("%Y-%m")
# 初始化 Swarm 客户端
client = Swarm()
# 1. 创建互联网搜索工具
def get_news_articles(topic):
print(f"正在为 {topic} 进行 DuckDuckGo 新闻搜索...")
# DuckDuckGo 搜索
ddg_api = DDGS()
results = ddg_api.text(f"{topic} {current_date}", max_results=5)
if results:
news_results = "\n\n".join([f"标题: {result['title']}\n网址: {result['href']}\n描述: {result['body']}" for result in results])
return news_results
else:
return f"未能找到关于 {topic} 的新闻结果。"
# 2. 创建 AI 代理
def transfer_to_editor_assistant(raw_news):
print("将文章传递给编辑助手...")
return editor_agent.run({"role": "system", "content": raw_news})
# 新闻代理以获取新闻
news_agent = Agent(
model="llama3.2",
name="新闻助手",
instructions="您提供有关给定主题的最新新闻文章，使用 DuckDuckGo 搜索。",
functions=[get_news_articles],
)
# 编辑代理以编辑新闻
editor_agent = Agent(
model="llama3.2",
name="编辑助手",
instructions="您审阅并最终确定新闻文章以供发布。",
)
# 3. 创建工作流程
def run_news_workflow(topic):
print("运行新闻代理工作流程...")
# 第一步: 获取新闻
news_response = client.run(
agent=news_agent,
messages=[{"role": "user", "content": f"获取关于 {topic} 在 {current_date} 的新闻"}],
)
raw_news = news_response.messages[-1]["content"]
print(f"获取的新闻: {raw_news}")
# 第二步: 将新闻传递给编辑进行最终审查
edited_news_response = client.run(
agent=editor_agent,
messages=[{"role": "system", "content": raw_news}],
)
print(f"{edited_news_response.messages[-1]['content']}")
# 运行给定主题的新闻工作流程示例
run_news_workflow("药物发现中的 AI")

образец вывода (вычисления)

Running news Agent workflow...
Running DuckDuckGo news search for AI in Drug Discovery...
Fetched news: Here's a formatted answer based on the news articles:
**药物发现中的人工智能：革命性的转变**
人工智能（AI）在药物发现中的作用标志着制药领域的革命性转变。AI利用复杂的算法进行自主决策，从数据分析中增强人类能力，而不是取代它们。
**挑战与局限性**
尽管有着令人期待的进展，但在该领域中仍然存在挑战和局限性。论文《AI在药物发现中的作用》探讨了这些问题，强调了高质量数据的必要性、伦理问题的解决以及对基于AI的方法局限性的认识。
**AI在药物发现中的应用**
AI有潜力在药物发现、设计和研究药物间相互作用中发挥关键作用。AI在药物发现中的应用包括：
* 多靶点药理学：AI可以预测化合物对多种疾病的有效性。
* 化学合成：AI可以优化化学合成过程，以实现更快和更高效的生产。
* 药物重定位：AI可以识别现有药物的新用途。
* 预测药物特性：AI可以预测化合物的效力、毒性和物理化学特性。
**药物发现中AI的未来**
随着AI的不断发展，预计将对制药行业产生重大影响。AI的成功应用将依赖于高质量数据的可用性、伦理问题的解决以及对基于AI的方法局限性的认识。

Преимущества синдикации местных новостей ИИ

• частный бизнес : Вся обработка происходит на вашем локальном компьютере, что гарантирует, что ваши данные останутся в ваших собственных руках.
• персонализация Вы можете легко изменить инструкции агента или добавить нового агента в соответствии с вашими потребностями.
• Последняя информация : Благодаря поиску с помощью DuckDuckGo вы всегда получаете последние новости по выбранной вами теме.
• Курирование с помощью искусственного интеллекта : Ассистент редакции помогает уточнять и организовывать собранные новости, чтобы в итоге получился более отточенный продукт.

вынести вердикт

Этот местный агрегатор новостей на базе ИИ демонстрирует потенциал сочетания крупномасштабных языковых моделей с возможностями веб-поиска. Используя модель Ollama Llama 3.2, Swarm для оркестровки агентов и DuckDuckGo для поиска, мы создали мощный инструмент, который позволяет нам оставаться в курсе любой интересующей нас темы, сохраняя при этом конфиденциальность и работая полностью на локальных компьютерах.

По мере развития ИИ возможности создания персонализированных инструментов на базе ИИ будут только расширяться. Этот агрегатор новостей - только начало, представьте, какие еще инновационные приложения можно создать с помощью этих технологий!