ATAT
1.0.0
| Schnelle Einrichtung für KI-Agenten per E-Mail | → | Stellen Sie Agenten auf einfachste Weise für Ihre Benutzer bereit |
| An, CC und Fw: Mehrere Agenten | → | Vereinfachte Schulung: Einfach per E-Mail |
| Leistungsstarke Shortcodes für KI | → | Mehrstufige Zusammenarbeit mit mehreren Agenten für alle |
| Batterien im Lieferumfang enthalten, einfach Anmeldeinformationen hinzufügen | → | Beinhaltet E-Mail-Client und Agent-Dashboard |
ATAT ermöglicht die schnelle Einrichtung von KI-Agenten, die Sie per E-Mail versenden können – mit einfachen Shortcodes, die den Agenten Superkräfte verleihen.
Quellcode https://github.com/semanticsean/ATAT
Roadmap: Für diejenigen, die an einer Mitwirkung am Projekt interessiert sind, finden Sie in unserem Beitragsleitfaden detaillierte Informationen dazu, wie Sie sich engagieren können.
v0.4 – Beinhaltet ABE – A/B + Wahlumfrage. v0.3 – Erstveröffentlichung
BEISPIEL: Senden Sie eine E-Mail an ein Team aus drei KI-Agenten, die zusammenarbeiten, um eine Kurzgeschichte zu schreiben:
Senden Sie eine E-Mail an einen KI-Agenten, der angewiesen wird, eine Geschichte in drei Akten (drei API-Aufrufe) zu schreiben:
Dieser Leitfaden führt Sie durch die Bereitstellung auf Replit, da die Bereitstellung so einfach ist. Beginnen Sie mit diesem Repl.
Um es lokal oder auf Github zu verwenden, müssen Sie die Aufrufe ändern, um Umgebungsvariablen zu akzeptieren.
pip install openai==0.28.0 .{
„SMTP_SERVER“: „“,
„IMAP_SERVER“: „“,
„SMTP_PORT“: „“,
„SMTP_USERNAME“: „“,
„SMTP_PASSWORD“: „“,
„OPENAI_API_KEY“: „“,
„DOMAIN_NAME“: „“,
"NAME DER FIRMA": ""
}
Für SMTP_PORT mit Google Workspace verwenden Sie Port 587.
Wenn Sie Google/Gmail verwenden, muss es sich bei SMTP_PASSWORD um ein APP-PASSWORT handeln, das 2FA erfordert.
DOMAIN_NAME sollte das sein, was in einer E-Mail-Adresse auf @ folgt. Zum Beispiel „acme.com“ wie „[email protected]“.
COMPANY_NAME sollte so lauten, wie er geschrieben steht, etwa „ACME Corp.“
Erstellen Sie eine Agent@-E-Mail-Adresse: Dies muss eine neue E-Mail-Adresse ohne Verlauf sein.
Agent-Aliase: Weisen Sie mindestens einen E-Mail-Alias für mindestens einen Agenten in agents/agents.json zu. Der Rest ist optional und kann mit dem Shortcode @@(Agent Name) aufgerufen werden oder einen eigenen Alias erhalten. @@ ist hilfreich, wenn Sie mehr Agenten benötigen, als Ihr E-Mail-Server als Aliase unterstützt. Google Workspace ist beispielsweise auf 25 beschränkt, Sie können jedoch Hunderte von Agentenmodellen bereitstellen, auf die über den @@-Shortcode zugegriffen werden kann.
E-Mails zum Testen finden Sie unter /tools/testing_emails.md.
WICHTIG: Möglicherweise müssen Sie die Domain und/oder E-Mail-Adressen auf die Whitelist setzen.
ERSTELLEN SIE EINE NEUE E-MAIL ZUR VERWENDUNG MIT ATAT. BESTEHENDE KONTEN NICHT VERBINDEN. ATAT ist reaktiv und Sie können unbeabsichtigte E-Mails senden, wenn Sie den Verlauf nicht ordnungsgemäß indiziert haben. Erstellen Sie ein neues Konto ausschließlich für die ATAT-Nutzung.
ATAT ist ein E-Mail-Client, der KI-Agenten hostet, die auf E-Mails antworten, sodass Sie ihnen direkt E-Mails, CCs oder FW-E-Mails senden können. ATAT soll den Einsatz von KI demokratisieren und die schnelle Gründung eines KI-Agenten-„Unternehmens“ in wenigen Minuten ermöglichen, wobei die Steuerung per E-Mail erfolgt. Das bedeutet, dass die Schulung so einfach ist wie das Bereitstellen einer neuen E-Mail-Adresse zum Weiterleiten oder CC. Dieser Ansatz nutzt die inhärente Langsamkeit von E-Mails für durchdachte, umfassende KI-Antworten. Es eröffnet auch den Normalbürgern das „MoE“- oder „CoE“-Denken.
Eine weitere Stärke von E-Mails ist, dass sie langsam sind. Wie im @@ und !detail! demonstriert. Shortcodes, Multi-Pass-Komponenten (Multi-API-Aufrufe) können integriert werden und die Zeit, die für die Ausführung aller Aufrufe benötigt wird, sei es Minuten oder sogar Stunden, ist für E-Mails normal.
!detail , !summarize und !ff . Nutzen Sie new_agent.py zum Generieren neuer Agenten mit detaillierten Personas und DALL-E-generierten Bildern.
cards.py betreibt einen Flask-Server, der ein Dashboard aller Agenten für den einfachen Zugriff anzeigt.
Verbessern Sie Ihre E-Mail-Interaktionen mit unserem fortschrittlichen Shortcode-System. Diese für die nahtlose Integration in E-Mail-Inhalte konzipierten Shortcodes lösen spezielle Funktionen innerhalb der ATAT-Plattform aus und ermöglichen eine dynamische Agenteneinbindung und Inhaltsbearbeitung direkt über Ihre E-Mails. Entdecken Sie die Funktionen und die Verwendung jedes Shortcodes, um das volle Potenzial von ATAT für Ihre E-Mail-Kommunikation auszuschöpfen.
@@@@ Shortcode, um E-Mails gleichzeitig an mehrere Agenten zu senden und so eine kollaborative Reaktion mehrerer Agenten zu fördern. Diese Funktion ist von unschätzbarem Wert für Szenarien, die den Input verschiedener KI-Personas erfordern.@@(agent name) oder @@.creator in Ihre E-Mail ein, gefolgt von spezifischen Agenten-IDs oder Erstellungsanweisungen. Dieser Befehl weist ATAT an, die benannten Agenten in den Antwortprozess einzubeziehen.E-Mail testen
devatlas – welche Frage müssen Fördermittelbewerber beim Verfassen von Startup-Pitch-Decks am wichtigsten beantworten?
@@(castor) Welche Startups mögen Sie?
@@(Nova) was denkst du?
@@(Orion) was denkst du?
@@(Nebula) was denkst du?
@@(Altair) was denkst du?
@@.creator@@.creator Shortcode generiert sofort neue Agentenpersönlichkeiten und ermöglicht eine spontane Anpassung, um sie an die sich ändernden Bedürfnisse des Gesprächs anzupassen.@@.creator(Embody an agent...) mit detaillierten Persona-Spezifikationen. Stellen Sie sicher, dass „Embody“ vorhanden ist, um die Erstellerfunktion zu aktivieren und ATAT zu signalisieren, basierend auf Ihren Anweisungen eine neue Agentenpersönlichkeit zu erstellen und einzuführen.E-Mail testen
Ich arbeite an einem neuen kreativen Projekt und brauche etwas Rollenspiel. Bitte rendern Sie diesen Agenten und lassen Sie ihn die folgende Frage beantworten.
@@.creator(Verkörpern Sie einen verspielten Vampir, der mit einem Delphin im Kinderbuchstil befreundet ist und mit komischer Vampirstimme spricht.)!
Herr Vampir, welches ist Ihr Lieblingsspiel?
DetailDetail Shortcode zerlegt umfangreiche Textblöcke in überschaubare Segmente und optimiert so die Verarbeitung und Generierung von Antworten.!detail_start! und !detail_stop! Markierungen. ATAT segmentiert den Inhalt automatisch für eine effiziente Bearbeitung. Verwenden Sie „!split!“ um die API-Aufrufe aufzuteilen / Multipass zu aktivieren.!detail_start! Einleitung: Wir schreiben das Jahr 2050 und KI-gesteuerte synthetische Zeitreisen sind problemlos möglich !split! Wir treffen unseren Protagonisten im Detail !split! Wir treffen unseren Antagonisten im Detail !split! wir sehen den ersten Konflikt zwischen Protagonist und Antagonist, der erste Akt endet !split! Der zweite Akt beginnt mit einem neuen Spieler, einem romantischen Interessenten, der noch nicht erwähnt wurde !split! Der zweite Akt hat einen Hauptkonflikt !split! Der Höhepunkt passiert !split! die Auflösung erfolgt noch nicht !split! Jetzt erfolgt die Auflösung !detail_stop!
Summarize zusammenfassenSummarize fasst detaillierte Inhalte zu kurzen Zusammenfassungen zusammen, die durch spezifische Modifikatoren an den beabsichtigten Fokus und Stil Ihrer Zusammenfassung angepasst werden können.!summarize! aus. und fügt nach Bedarf Modifikatoren hinzu, um die Zusammenfassungsausgabe zu verfeinern.(Diese Funktion ist noch fehlerhafter als andere.)
Siehe /tools/testing_emails.md für Testskripte – zu lang, um hier hineinzupassen.
!summarize.json! , !summarize.marketing! , oder !summarize.budget! um ATAT bei der Erstellung von Zusammenfassungen zu unterstützen, die Ihren Anforderungen entsprechen, sei es im JSON-Format, in einer Marketingsprache oder bei budgetorientierten Inhalten.Nutzen Sie diese Shortcodes, um Ihre E-Mail-Interaktionen zu optimieren und eine effiziente und effektive Kommunikation mit und zwischen Ihren KI-Agenten sicherzustellen.
ABE (A/B+Election) – Überblick über das Tool zur Agentenbefragung ABE steht für A/B+Election, ein hochentwickeltes Tool, das die Befragung intelligenter Agenten in verschiedenen Szenarien erleichtern soll, von Entscheidungsprozessen bis hin zur Meinungsbildung und darüber hinaus. ABE basiert auf Flask und lässt sich nahtlos in Webtechnologien integrieren, um sowohl Administratoren als auch Teilnehmern ein dynamisches und interaktives Erlebnis zu bieten.
Funktionen Agentenverwaltung: Verwalten Sie ganz einfach eine Liste von Agenten, jeder mit eindeutigen Kennungen und Attributen. ABE ermöglicht die detaillierte Spezifikation von Agenten, einschließlich benutzerdefinierter Schlüsselwörter und Bilder, um das Umfrageerlebnis zu verbessern.
Dynamische Umfragen: Führen Sie A/B-Tests oder Abstimmungen zwischen Agenten mit individuellen Fragen und Anweisungen durch. Mit dieser Funktion können Forscher und Entwickler differenzierte Einblicke in die Präferenzen oder Entscheidungen von Agenten gewinnen.
E-Mail-Authentifizierung: Ein sicheres Authentifizierungssystem, das die E-Mail-Bestätigung zur Benutzervalidierung nutzt. Dadurch wird sichergestellt, dass nur berechtigte Teilnehmer am Abstimmungsprozess teilnehmen können.
Sitzungsverwaltung: Mit ABE werden Sitzungen eindeutig identifiziert und verwaltet, was einen strukturierten Ansatz für die Datenerfassung und -analyse ermöglicht. Jede Sitzung kann mit spezifischen Fragen, Anweisungen und Agentenauswahlen individuell gestaltet werden.
Interaktives Dashboard: Ein webbasiertes Dashboard bietet eine zentrale Schnittstelle zum Konfigurieren von Umfragen, zur Visualisierung der Agentenauswahl und zum Initiieren von Sitzungen. Das Dashboard verbessert das Benutzererlebnis und erleichtert die Navigation durch den Umfrageprozess.
Anpassbare Ausgabe: Generieren und passen Sie die Ausgabe basierend auf den Umfrageergebnissen an. ABE unterstützt die Erstellung detaillierter Berichte, Visualisierungen und Zusammenfassungen und deckt damit ein breites Spektrum an Analyseanforderungen ab.
Sicherheit und Datenschutz: ABE wurde unter Berücksichtigung der Sicherheit entwickelt und implementiert Best Practices, um Benutzerdaten zu schützen und die Integrität des Umfrageprozesses sicherzustellen. Sitzungen und Datenübertragungen werden unter Berücksichtigung von Datenschutz und Vertraulichkeit sicher abgewickelt.
Erste Schritte bei der Einrichtung und Installation: Beginnen Sie mit der Einrichtung Ihrer Python-Umgebung und der Installation von Flask zusammen mit anderen erforderlichen Abhängigkeiten. ABE erfordert aus Gründen der Abwärtskompatibilität Python 3.6 oder neuer.
Agenten konfigurieren: Füllen Sie Agents.json mit den Informationen Ihrer Agents, einschließlich Namen, Attributen und Bildern. Diese Datei dient als Datenbank für die an den Umfragen teilnehmenden Agenten.
Starten Sie die Anwendung: Führen Sie abe.py aus, um den Flask-Server zu starten. Navigieren Sie zur angegebenen URL, um auf das ABE-Dashboard zuzugreifen.
Erstellen Sie eine Umfrage: Verwenden Sie das Dashboard, um Ihre Umfrage zu konfigurieren, einschließlich Fragen, einzubindenden Agenten und benutzerdefinierten Anweisungen. Jede Umfrage kann auf spezifische Forschungs- oder Entscheidungsbedürfnisse zugeschnitten werden.
Antworten verteilen und sammeln: Sobald Ihre Umfrage live ist, können autorisierte Teilnehmer mit der Plattform interagieren und ihre Antworten und Meinungen abgeben. ABE verwaltet die Erfassung und Organisation dieser Daten in Echtzeit.
Ergebnisse analysieren: Nach Abschluss der Umfrage erleichtert ABE die Analyse der Ergebnisse über sein Dashboard. Exportieren Sie Daten, erstellen Sie Berichte und leiten Sie Erkenntnisse aus den aggregierten Antworten ab.
Anwendungsfälle Das vielseitige Framework von ABE macht es für eine Vielzahl von Anwendungen geeignet, einschließlich, aber nicht beschränkt auf:
Marktforschung: Verstehen Sie Verbraucherpräferenzen oder prognostizieren Sie Markttrends, indem Sie eine Gruppe repräsentativer Agenten befragen. Entscheidungsunterstützung: Erleichtern Sie Entscheidungsprozesse innerhalb von Organisationen durch das Sammeln und Analysieren von Agentenmeinungen. Akademische Forschung: Durchführung von Studien und Experimenten mit agentenbasierten Modellen und Simulationen. Fazit ABE bietet eine leistungsstarke und flexible Plattform für die Befragung von Agenten in zahlreichen Kontexten. Durch die Kombination von Benutzerfreundlichkeit mit einer Reihe robuster Funktionen ermöglicht ABE Benutzern die Erfassung, Analyse und Nutzung von Daten auf innovative Weise. Ob für Recherche, Entscheidungsfindung oder Marktanalyse, ABE bietet die notwendigen Werkzeuge, um die kollektive Intelligenz von Agenten zu nutzen.
contribute.md aufgeführt sind.ATAT ist unter der MIT-Lizenz lizenziert. Einzelheiten finden Sie in der LICENSE-Datei.
@@ und ATAT sind Marken von Semantic Life, Copyright 2024. Alle Rechte vorbehalten.
Google / Google Workspace (TM) Google.
psql -h Hostname -U Benutzername -d Datenbankname SET empty_in_transaction_session_timeout = '15min'; psql -d $DB_NAME -U $DB_USER -W $DB_PASS flask db init # Wird nur beim ersten Mal benötigt, um das Migrationsverzeichnis einzurichten. flask db migrate -m „PageView-Modell hinzugefügt“ flask db upgrade
Semantic Life – KI-Agenten-Dashboard
Willkommen beim Semantic Life – AI Agent Dashboard! Mit diesem leistungsstarken Tool können Sie KI-Agenten über eine benutzerfreundliche Weboberfläche erstellen, verwalten und mit ihnen interagieren. Mit Funktionen wie Agentenerstellung, Zeitrahmenverwaltung, Besprechungsorganisation und Umfragedurchführung können Sie die Leistungsfähigkeit der KI nutzen, um wertvolle Erkenntnisse zu gewinnen und fundierte Entscheidungen zu treffen. Merkmale
Agent Creation: Easily create new AI agents by providing a name, job title, and description. The system generates a detailed agent persona, including keywords, relationships, and an image prompt, using the OpenAI GPT-4 model. It also generates a profile picture using the DALL-E model.
Timeframe Management: Create different scenarios or contexts for your AI agents by establishing timeframes. You can select specific agents to include in a timeframe and provide instructions to modify their attributes using the OpenAI API. The modified agents are saved in a new JSON file for easy access.
Meeting Organization: Organize meetings with your AI agents to gather insights and conduct surveys. Select a timeframe, choose the agents to include, and provide a name for the meeting. The system creates a survey form where you can define questions and gather responses from the agents using the OpenAI API.
Survey Results: View the results of your surveys in a user-friendly interface. The responses from each agent are displayed alongside their profile information. You can analyze the responses, compare insights from different agents, and make informed decisions based on the survey results.
Public Sharing: Make your survey results publicly accessible by generating a unique public URL. Anyone with the URL can view the survey results without authentication, allowing you to share insights with a broader audience.
Voraussetzungen
Bevor Sie das Semantic Life – AI Agent Dashboard ausführen, stellen Sie sicher, dass Sie über Folgendes verfügen:
Python 3.x installed
OpenAI API key
Required Python packages (listed in requirements.txt)
Installation
Clone the repository:
bash
Git-Klon https://github.com/your-username/semantic-life.git
Install the required Python packages:
bash
pip install -r Anforderungen.txt
Set up the environment variables:
OPENAI_API_KEY: Your OpenAI API key
DATABASE_URL: URL for your database (e.g., PostgreSQL)
FLASK_KEY: Secret key for Flask sessions
DOMAIN_NAME: Domain name for your application
Run the database migrations:
bash
Flask-Datenbank-Upgrade
Start the application:
bash
Python app.py
Access the application in your web browser at http://localhost:5000.
Verwendung
Register a new account or log in to an existing account.
Create new agents by providing a name, job title, and description.
Establish timeframes and select agents to include. Provide instructions to modify the agents' attributes.
Organize meetings by selecting a timeframe, choosing agents, and providing a name.
Conduct surveys by defining questions and gathering responses from the agents.
View survey results and analyze the insights provided by the AI agents.
Optionally, make survey results publicly accessible by generating a unique public URL.
Mitwirken
Beiträge zum Semantic Life – AI Agent Dashboard sind willkommen! Wenn Sie auf Probleme stoßen oder Verbesserungsvorschläge haben, öffnen Sie bitte ein Problem oder senden Sie eine Pull-Anfrage im GitHub-Repository. Lizenz
Dieses Projekt ist unter der MIT-Lizenz lizenziert. Kontakt
Für Anfragen oder Feedback kontaktieren Sie uns bitte unter [email protected].
Nutzen Sie das Semantic Life – AI Agent Dashboard, um das Potenzial von KI-Agenten auszuschöpfen und wertvolle Erkenntnisse zu gewinnen!
Öffnen Sie ein Terminal oder eine Eingabeaufforderung und navigieren Sie zu Ihrem Projektverzeichnis. Führen Sie den folgenden Befehl aus, um die Flask-Shell zu starten:flas
Kolbenhülle
aus Modellen importieren Benutzer, Datenbank
user = User.query.filter_by(username='username').first()
user.token_balance = 1000
db.session.commit()
print(user.token_balance)
Ausfahrt()
flask db migrate -m „Benutzerguthaben hinzugefügt“ flask db upgrade
pip install 'itsdangerous<2.0'
Sicherlich! Hier ist eine technische Beschreibung der App für eine andere KI:
Die Semantic Life-App ist eine webbasierte Anwendung, die mit dem Flask-Webframework in Python erstellt wurde. Es ermöglicht Benutzern, KI-Agenten zu erstellen und zu verwalten, Umfragen durchzuführen und Zeitrahmen auf der Grundlage benutzerdefinierter Anweisungen zu generieren.
Die App folgt einer Blueprint-Architektur, bei der verschiedene Teile der Anwendung in einzelne Blueprints unterteilt sind, z. B. auth_blueprint, Survey_blueprint, Dashboard_blueprint und Profile_blueprint. Jeder Blueprint behandelt spezifische Routen und Funktionen im Zusammenhang mit seinem Zweck.
Die App verwendet eine PostgreSQL-Datenbank zum Speichern von Benutzerinformationen, Agentendaten, Umfragen und Zeitrahmen. Die Datenbankmodelle werden mithilfe von Flask-SQLAlchemy definiert, einer Erweiterung, die ORM-Funktionen (Object-Relational Mapping) für die Interaktion mit der Datenbank bereitstellt.
Die Benutzerauthentifizierung wird mithilfe von Flask-Login implementiert, das die Benutzerregistrierung, Anmeldung und Sitzungsverwaltung übernimmt. Benutzer können ein Konto registrieren, sich anmelden und ihre Profilinformationen aktualisieren.
Die App lässt sich in die OpenAI-API integrieren, um Agentendaten zu generieren und Umfragen durchzuführen. Es verwendet das Modul abe_gpt, um Agentendaten zu verarbeiten und Antworten basierend auf benutzerdefinierten Anweisungen zu generieren. Das abe_gpt-Modul kommuniziert mit der OpenAI-API, um Agentendaten zu generieren, Agentenattribute zu ändern und Umfrageantworten zu generieren.
Mit der App können Benutzer KI-Agenten erstellen und verwalten. Benutzer können Basisagenten hinzufügen, neue Agenten erstellen, Agentenattribute bearbeiten und Agenten löschen. Agentendaten werden in der Datenbank gespeichert und können bei Bedarf abgerufen und aktualisiert werden.
Benutzer können auch Umfragen erstellen und Besprechungen mit den KI-Agenten durchführen. Umfragen werden durch die Auswahl von Agenten und die Definition von Fragen erstellt. Die App verwendet das Modul abe_gpt, um Umfrageantworten basierend auf den ausgewählten Agenten und benutzerdefinierten Anweisungen zu generieren. Umfrageergebnisse werden in der Datenbank gespeichert und können vom Benutzer eingesehen werden.
Zeitrahmen sind eine weitere Funktion der App, die es Benutzern ermöglicht, basierend auf spezifischen Anweisungen und Kontext modifizierte Versionen der Basisagenten zu erstellen. Benutzer können Agenten auswählen, Anweisungen erteilen und mit den geänderten Agenten einen neuen Zeitrahmen erstellen. Zeitrahmendaten werden in der Datenbank gespeichert und können vom Benutzer abgerufen und verwaltet werden.
Die App nutzt verschiedene Flask-Erweiterungen und -Bibliotheken, um ihre Funktionalität zu erweitern. Flask-Images wird für die Bildhandhabung und -verarbeitung verwendet, obwohl seine Verwendung im aktuellen Code bereinigt und korrigiert werden muss. Flask-Migrate wird für Datenbankmigrationen verwendet und ermöglicht eine einfache Verwaltung von Datenbankschemaänderungen.
Das Frontend der App wird mithilfe von HTML-Vorlagen erstellt und mit Tailwind CSS gestaltet. Die Vorlagen werden mit Jinja2 gerendert, einer Template-Engine, die eine dynamische Inhaltsgenerierung ermöglicht. JavaScript wird für clientseitige Interaktivität und AJAX-Anfragen verwendet.
Fehlerbehandlung und -protokollierung sind in der gesamten App implementiert, um Ausnahmen ordnungsgemäß abzufangen und zu behandeln. Die App protokolliert relevante Informationen und Fehler zu Debug- und Überwachungszwecken.
Insgesamt bietet die Semantic Life-App Benutzern eine Plattform zum Erstellen, Verwalten und Interagieren mit KI-Agenten, zum Durchführen von Umfragen und zum Generieren von Zeitrahmen auf der Grundlage benutzerdefinierter Anweisungen. Es nutzt das Flask-Webframework, die PostgreSQL-Datenbank und die OpenAI-API, um seine Funktionalität bereitzustellen.
Tabellenschema | Tabellenname | Spaltenname | Datentyp
--------------+-----------------+-----------------------------+- ------------- öffentlich | alembic_version | version_num | Charakter unterschiedliches Publikum | Treffen | id | Ganzzahl öffentlich | Treffen | Name | Charakter unterschiedliches Publikum | Treffen | Benutzer_ID | Ganzzahl öffentlich | Treffen | besprechungsdaten | json öffentlich | Treffen | is_public | boolean public | Treffen | öffentliche_URL | Charakter unterschiedliches Publikum | page_view | id | Ganzzahl öffentlich | page_view | Seite | Charakter unterschiedliches Publikum | page_view | Zeitstempel | Zeitstempel ohne Zeitzone öffentlich | Umfrage | id | Ganzzahl öffentlich | Umfrage | Name | Charakter unterschiedliches Publikum | Umfrage | Benutzer_ID | Ganzzahl öffentlich | Umfrage | is_public | boolean public | Umfrage | öffentliche_URL | Charakter unterschiedliches Publikum | Umfrage | Umfragedaten | json öffentlich | Zeitrahmen | id | Ganzzahl öffentlich | Zeitrahmen | Name | Charakter unterschiedliches Publikum | Zeitrahmen | Benutzer_ID | Ganzzahl öffentlich | Zeitrahmen | agentendaten | json öffentlich | Benutzer | id | Ganzzahl öffentlich | Benutzer | Benutzername | Charakter unterschiedliches Publikum | Benutzer | E-Mail | Charakter unterschiedliches Publikum | Benutzer | passwort_hash | Charakter unterschiedliches Publikum | Benutzer | agentendaten | json öffentlich | Benutzer | images_data | json öffentlich | Benutzer | Credits | ganze Zahl
SELECT Credits FROM user WHERE username = 'the_username';
SELECT table_schema, table_name, columns_name, data_type FROM information_schema.columns WHERE table_schema NOT IN ('information_schema', 'pg_catalog') ORDER BY table_schema, table_name, ordinal_position;
----------
check images
SELECT
agent.value->>'id' AS agent_id,
agent.value->>'photo_path' AS photo_path,
LENGTH(COALESCE(u.images_data->>(agent.value->>'photo_path'), '')) AS image_length,
CASE
WHEN LENGTH(COALESCE(u.images_data->>(agent.value->>'photo_path'), '')) > 0
THEN 'Present'
ELSE 'Missing'
END AS image_status
FROM
"user" u,
json_array_elements(u.agents_data) AS agent
WHERE
u.id = 12;
admin.py Standalone fügt Credits hinzu
SELECT m.id AS Meeting_ID, m.name AS Meeting_Name, m.agents AS Meeting_Agents, m.questions AS Meeting_Questions, m.answers AS Meeting_Antworten, m.is_public AS Meeting_is_public, m.public_url AS Meeting_public_url, u.id AS User_ID, u .username AS user_username, u.email AS user_email FROM Meeting AS m JOIN „user“ AS u ON m.user_id = u.id WHERE m.id = 24;
siehe Zeitrahmen-Agenten
SELECT t.id AS timeframe_id, t.name AS timeframe_name, json_array_length(t.agents_data) AS num_agents, FALL WENN t.agents_data NULL IST, DANN falsch, ELSE wahr END AS Agents_populated, FALL WENN u.images_data NULL IST, DANN falsch, SONST wahr END AS images_populated, json_agg(t.agents_data->>'id') AS agent_names FROM timeframe t JOIN "user" u ON t.user_id = u.id GROUP BY t.id, t.name, t.agents_data, u.images_data;
SELECT u.id AS user_id, u.username, CASE WHEN LENGTH(t.image_data) > 0 THEN 'Non-zero' ELSE 'Null' END AS image_data_status, CASE WHEN LENGTH(t.thumbnail_image_data) > 0 THEN 'Non-zero ' ELSE 'Zero' END AS thumbnail_image_data_status FROM "user" u LEFT JOIN timeframe t ON t.user_id = u.id WHERE u.username = 'realityinspector82';
