KwaiAgents
1.0.0
Englisch ｜ 中文 | 日本語
Datensatz | Benchmark | ? Modelle | ? Papier
KwaiAgents ist eine Reihe von Agenten-bezogenen Werken, die von der KwaiKEG von Kuaishou Technology als Open-Source-Lösung bereitgestellt werden. Zu den Open-Source-Inhalten gehören:
| Typ | Modelle | Trainingsdaten | Benchmark-Daten |
| Qwen | Qwen-7B-MAT Qwen-14B-MAT Qwen-7B-MAT-cpp Qwen1.5-14B-MAT | KAgentInstruct | KAgentBench |
| Baichuan | Baichuan2-13B-MAT |
| Skala | Planung | Werkzeuggebrauch | Spiegelung | Abschließend | Profil | Gesamtpunktzahl | |
|---|---|---|---|---|---|---|---|
| GPT-3.5-Turbo | - | 18.55 | 26.26 | 8.06 | 37.26 | 35,42 | 25.63 |
| Lama2 | 13B | 0,15 | 0,44 | 0,14 | 16.60 | 17.73 | 5.30 Uhr |
| ChatGLM3 | 6B | 7,87 | 11.84 | 7.52 | 30.01 | 30.14 | 15.88 |
| Qwen | 7B | 13.34 | 18.00 | 7,91 | 36.24 | 34,99 | 21.17 |
| Baichuan2 | 13B | 6,70 | 16.10 | 6,76 | 24.97 | 19.08 | 14.89 |
| ToolLama | 7B | 0,20 | 4,83 | 1.06 | 15.62 | 10.66 | 6.04 |
| AgentLM | 13B | 0,17 | 0,15 | 0,05 | 16.30 | 15.22 | 4,88 |
| Qwen-MAT | 7B | 31.64 | 43.30 | 33,34 | 44,85 | 44,78 | 39,85 |
| Baichuan2-MAT | 13B | 37.27 | 52,97 | 37.00 | 48.01 | 41,83 | 45,34 |
| Qwen-MAT | 14B | 43.17 | 63,78 | 32.14 | 45,47 | 45.22 | 49,94 |
| Qwen1.5-MAT | 14B | 42,42 | 64,62 | 30.58 | 46,51 | 45,95 | 50.18 |
| Skala | NoAgent | Reagieren | Auto-GPT | KAgentSys | |
|---|---|---|---|---|---|
| GPT-4 | - | 57,21 % (3,42) | 68,66 % (3,88) | 79,60 % (4,27) | 83,58 % (4,47) |
| GPT-3.5-Turbo | - | 47,26 % (3,08) | 54,23 % (3,33) | 61,74 % (3,53) | 64,18 % (3,69) |
| Qwen | 7B | 52,74 % (3,23) | 51,74 % (3,20) | 50,25 % (3,11) | 54,23 % (3,27) |
| Baichuan2 | 13B | 54,23 % (3,31) | 55,72 % (3,36) | 57,21 % (3,37) | 58,71 % (3,54) |
| Qwen-MAT | 7B | - | 58,71 % (3,53) | 65,67 % (3,77) | 67,66 % (3,87) |
| Baichuan2-MAT | 13B | - | 61,19 % (3,60) | 66,67 % (3,86) | 74,13 % (4,11) |
Installieren Sie zuerst Miniconda für die Build-Umgebung. Erstellen Sie dann zuerst die Build-Umgebung:
conda create -n kagent python=3.10
conda activate kagent
pip install -r requirements.txtWir empfehlen die Verwendung von vLLM und FastChat zur Bereitstellung des Modellinferenzdienstes. Zunächst müssen Sie die entsprechenden Pakete installieren (die genaue Verwendung finden Sie in der Dokumentation der beiden Projekte):
pip install vllm
pip install " fschat[model_worker,webui] "pip install " fschat[model_worker,webui] "
pip install vllm==0.2.0
pip install transformers==4.33.2Um KAgentLMs bereitzustellen, müssen Sie zunächst den Controller in einem Terminal starten.
python -m fastchat.serve.controllerZweitens sollten Sie den folgenden Befehl in einem anderen Terminal für die Bereitstellung des Inferenzdienstes mit einer GPU verwenden:
python -m fastchat.serve.vllm_worker --model-path $model_path --trust-remote-code Dabei ist $model_path der lokale Pfad des heruntergeladenen Modells. Wenn die GPU Bfloat16 nicht unterstützt, können Sie --dtype half zur Befehlszeile hinzufügen.
Drittens starten Sie den REST-API-Server im dritten Terminal.
python -m fastchat.serve.openai_api_server --host localhost --port 8888Schließlich können Sie den Befehl „curl“ verwenden, um das Modell genauso aufzurufen wie das OpenAI-Aufrufformat. Hier ist ein Beispiel:
curl http://localhost:8888/v1/chat/completions
-H " Content-Type: application/json "
-d ' {"model": "kagentlms_qwen_7b_mat", "messages": [{"role": "user", "content": "Who is Andy Lau"}]} ' Ändern Sie hier kagentlms_qwen_7b_mat in das von Ihnen bereitgestellte Modell.
llama-cpp-python bietet einen Webserver, der als Ersatz für die OpenAI-API dienen soll. Dadurch können Sie llama.cpp-kompatible Modelle mit jedem OpenAI-kompatiblen Client (Sprachbibliotheken, Dienste usw.) verwenden. Das konvertierte Modell finden Sie in kwaikeg/kagentlms_qwen_7b_mat_gguf.
So installieren Sie das Serverpaket und legen los:
pip install " llama-cpp-python[server] "
python3 -m llama_cpp.server --model kagentlms_qwen_7b_mat_gguf/ggml-model-q4_0.gguf --chat_format chatml --port 8888Schließlich können Sie den Befehl „curl“ verwenden, um das Modell genauso aufzurufen wie das OpenAI-Aufrufformat. Hier ist ein Beispiel:
curl http://localhost:8888/v1/chat/completions
-H " Content-Type: application/json "
-d ' {"messages": [{"role": "user", "content": "Who is Andy Lau"}]} 'Laden Sie die KwaiAgents herunter und installieren Sie sie, empfohlen Python>=3.10
git clone [email protected]:KwaiKEG/KwaiAgents.git
cd KwaiAgents
python setup.py develop export OPENAI_API_KEY=sk-xxxxx
export WEATHER_API_KEY=xxxxxx
Der WEATHER_API_KEY ist nicht obligatorisch, Sie müssen ihn jedoch konfigurieren, wenn Sie wetterbezogene Fragen stellen. Sie können den API-Schlüssel von dieser Website erhalten (dasselbe gilt für die Verwendung lokaler Modelle).
kagentsys --query= " Who is Andy Lau's wife? " --llm_name= " gpt-3.5-turbo " --lang= " en "Um ein lokales Modell zu verwenden, müssen Sie den entsprechenden Modelldienst wie im vorherigen Kapitel beschrieben bereitstellen
kagentsys --query= " Who is Andy Lau's wife? " --llm_name= " kagentlms_qwen_7b_mat "
--use_local_llm --local_llm_host= " localhost " --local_llm_port=8888 --lang= " en "Vollständige Befehlsargumente:
options:
-h, --help show this help message and exit
--id ID ID of this conversation
--query QUERY User query
--history HISTORY History of conversation
--llm_name LLM_NAME the name of llm
--use_local_llm Whether to use local llm
--local_llm_host LOCAL_LLM_HOST
The host of local llm service
--local_llm_port LOCAL_LLM_PORT
The port of local llm service
--tool_names TOOL_NAMES
the name of llm
--max_iter_num MAX_ITER_NUM
the number of iteration of agents
--agent_name AGENT_NAME
The agent name
--agent_bio AGENT_BIO
The agent bio, a short description
--agent_instructions AGENT_INSTRUCTIONS
The instructions of how agent thinking, acting, or talking
--external_knowledge EXTERNAL_KNOWLEDGE
The link of external knowledge
--lang {en,zh} The language of the overall system
--max_tokens_num Maximum length of model input
Notiz :
browse_website verwenden müssen, müssen Sie den Chromedriver auf Ihrem Server konfigurieren.http_proxy festlegen. Die Verwendung benutzerdefinierter Tools finden Sie in examples/custom_tool_example.py
Wir benötigen nur zwei Zeilen, um die Fähigkeiten des Agenten zu bewerten:
cd benchmark
python infer_qwen.py qwen_benchmark_res.jsonl
python benchmark_eval.py ./benchmark_eval.jsonl ./qwen_benchmark_res.jsonlDer obige Befehl liefert die Ergebnisse wie folgt
plan : 31.64, tooluse : 43.30, reflextion : 33.34, conclusion : 44.85, profile : 44.78, overall : 39.85
Weitere Einzelheiten finden Sie unter benchmark/.
@article{pan2023kwaiagents,
author = {Haojie Pan and
Zepeng Zhai and
Hao Yuan and
Yaojia Lv and
Ruiji Fu and
Ming Liu and
Zhongyuan Wang and
Bing Qin
},
title = {KwaiAgents: Generalized Information-seeking Agent System with Large Language Models},
journal = {CoRR},
volume = {abs/2312.04889},
year = {2023}
}
