agentUniverse
v0.0.13
Sprachversion: Englisch | 中文 | 日本語
agentUniverse ist ein Multi-Agent-Framework, das auf großen Sprachmodellen basiert. agentUniverse bietet Ihnen die flexible und leicht erweiterbare Möglichkeit, einzelne Agenten zu erstellen. Im Kern verfügt agentUniverse über einen umfangreichen Satz an Multi-Agent-Kollaborationsmodus-Komponenten (die als Collaboration Mode Factory oder Pattern Factory betrachtet werden können). Mithilfe dieser Komponenten können Agenten ihre Effektivität maximieren, indem sie sich auf verschiedene Bereiche spezialisieren, um Probleme zu lösen. agentUniverse konzentriert sich auch auf die Integration von Domänenexpertise und hilft Ihnen, Domänenwissen nahtlos in die Arbeit Ihrer Agenten zu integrieren.???
??? agentUniverse hilft Entwicklern und Unternehmen dabei, auf einfache Weise leistungsstarke kollaborative Agenten zu erstellen, die in ihren jeweiligen Domänen auf Expertenniveau arbeiten.
Wir ermutigen Sie, verschiedene Domänenmuster innerhalb der Community zu üben und zu teilen. Das Framework ist mit mehreren Komponenten für den Multi-Agent-Kollaborationsmodus vorinstalliert, die in realen Branchen validiert wurden und in Zukunft weiter ausgebaut werden. Zu den Komponenten, die in Kürze verfügbar sein werden, gehören:
Weitere Muster folgen bald...
Das Projekt agentUniverse wird durch folgende Forschungsleistungen unterstützt.
BibTeX formatiert
@misc{wang2024peerexpertizingdomainspecifictasks,
title={PEER: Expertizing Domain-Specific Tasks with a Multi-Agent Framework and Tuning Methods},
author={Yiying Wang and Xiaojing Li and Binzhu Wang and Yueyang Zhou and Han Ji and Hong Chen and Jinshi Zhang and Fei Yu and Zewei Zhao and Song Jin and Renji Gong and Wanqing Xu},
year={2024},
eprint={2407.06985},
archivePrefix={arXiv},
primaryClass={cs.AI},
url={https://arxiv.org/abs/2407.06985},
}
Überblick: Dieses Dokument bietet eine detaillierte Einführung in die Mechanismen und Prinzipien des PEER-Multiagenten-Frameworks. Im experimentellen Teil wurden Punkte für sieben Dimensionen vergeben: Vollständigkeit, Relevanz, Prägnanz, Sachlichkeit, Logik, Struktur und Vollständigkeit (jede Dimension hat eine maximale Punktzahl von 5 Punkten). Das PEER-Modell schnitt im Vergleich zu BabyAGI in jeder Bewertungsdimension im Durchschnitt besser ab und zeigte deutliche Vorteile in den Dimensionen Vollständigkeit, Relevanz, Logik, Struktur und Vollständigkeit. Darüber hinaus erreichte das PEER-Modell mit dem GPT-3.5 Turbo (16k)-Modell eine bessere Rate von 83 % gegenüber BabyAGI und mit dem GPT-4-Modell eine höhere Rate von 81 %. Weitere Einzelheiten entnehmen Sie bitte dem Dokument. ?https://arxiv.org/pdf/2407.06985
Pip verwenden:
pip install agentUniverseFühren Sie Ihr erstes Beispiel aus, und Sie können mithilfe des Tutorials schnell die Leistung der von agentUniverse erstellten Agenten (oder Agentengruppen) erleben.
Detaillierte Schritte finden Sie im Dokument: Führen Sie das erste Beispiel aus 。
Richten Sie das Standardprojekt ein: agentUniverse Standard Project
In der Einführung in Agenten erfahren Sie mehr über die wichtigen Komponenten von Agenten. Ausführliche Informationen zum Erstellen von Agenten finden Sie unter Erstellen und Verwenden von Agenten. Sie können Ihr Verständnis der Erstellung und Verwendung von Agenten auch vertiefen, indem Sie offizielle Beispiele wie den Python Code Generation and Execution Agent erkunden.
Bei der Erstellung intelligenter Agentenanwendungen sind der Aufbau und der Rückruf von Wissensdatenbanken unverzichtbar. Das auf der RAG-Technologie basierende agentUniverse -Framework bietet eine effiziente Standardarbeitsanweisung für den Aufbau von Wissensdatenbanken und den Abruf- und Rückrufprozess von RAG. Sie können mehr über seine Verwendung durch die Wissenseinführung und Wissensdefinition und -verwendung erfahren und weiter lernen, wie man schnell eine Wissensdatenbank aufbaut und einen abruffähigen Agenten erstellt, indem man RAG-Agenten erstellt.
Bei der Erstellung von Agentenanwendungen müssen Agenten eine Verbindung zu einer Vielzahl von Tools herstellen. Sie sollten eine Reihe von Tools angeben, die sie verwenden können. Über Tool Creation and Usage können Sie verschiedene proprietäre APIs und Dienste als Tool-Plugins integrieren. Das Framework hat LangChain und einige Toolkits von Drittanbietern bereits integriert. Ausführliche Informationen zur Verwendung finden Sie unter „Integration von LangChain-Tools und vorhandenen integrierten Tools“.
Die Wirksamkeitsbewertung von Wirkstoffen kann einerseits durch Expertenbewertungen und andererseits durch Nutzung der Bewertungsfähigkeiten der Wirkstoffe erfolgen. agentUniverse hat DataAgent (Minimum Viable Product-Version) auf den Markt gebracht, das darauf abzielt, Ihre Agenten mithilfe von Agentenintelligenz mit Selbstbewertungs- und Weiterentwicklungsfähigkeiten auszustatten. Sie können darin auch die Bewertungskriterien anpassen. Weitere Einzelheiten finden Sie in der Dokumentation: DataAgent – Autonomous Data Agents.
agentUniverse bietet mehrere Standard-Webserverfunktionen sowie Standard-HTTP- und RPC-Protokolle. Weitere Informationen finden Sie in der Dokumentation zur Dienstregistrierung und -nutzung sowie in den Abschnitten zum Webserver.
agentUniverse bietet eine visuelle Canvas-Plattform für den Agenten-Workflow. Bitte befolgen Sie für einen schnellen Start die folgenden Schritte:
Per Pip installieren
pip install magent-ui ruamel.yamlMit einem Klick ausführen
Führen Sie die Datei „product_application.py“ unter „sample_standard_app/app/bootstrap“ aus, um mit einem Klick zu starten.
Weitere Einzelheiten finden Sie im Quick Start for Product Platform und im Advanced Guide.
Diese Funktion wird gemeinsam von difizen und agentUniverse eingeführt.
Der Kern von agentUniverse bietet alle wichtigen Komponenten, die zum Aufbau eines einzelnen intelligenten Agenten erforderlich sind, die Kooperationsmechanismen zwischen mehreren Agenten und die Einspeisung von Expertenwissen, sodass Entwickler auf einfache Weise intelligente Anwendungen erstellen können, die mit professionellem Know-How ausgestattet sind.
agentUniverse bietet mehrere Multi-Agent-Kollaborationsmodellkomponenten, die in realen Branchen validiert wurden, darunter „PEER“ eines der markantesten Modelle.
Das PEER-Modell nutzt Agenten mit vier verschiedenen Verantwortlichkeiten: Planen, Ausführen, Ausdrücken und Überprüfen. Diese Struktur ermöglicht die Zerlegung und schrittweise Ausführung komplexer Probleme und ermöglicht eine autonome Iteration auf der Grundlage von Bewertungsrückmeldungen, wodurch letztendlich die Leistung bei Argumentations- und Analyseaufgaben verbessert wird. Dieses Modell ist besonders effektiv in Szenarien, die eine mehrstufige Zerlegung und eine eingehende Analyse erfordern, wie z. B. Ereignisinterpretation, makroökonomische Analyse und Machbarkeitsanalyse von Geschäftsvorschlägen.
Das PEER-Modell hat spannende Ergebnisse erzielt und die neuesten Forschungsergebnisse und experimentellen Ergebnisse finden Sie in der folgenden Literatur.
Basierend auf der obigen Einführung fassen wir zusammen, dass agentUniverse die folgenden Hauptfunktionen umfasst:
Flexible und erweiterbare Agentenkonstruktionsfunktion: Es stellt alle wesentlichen Komponenten bereit, die für die Erstellung von Agenten erforderlich sind, und alle unterstützen die Anpassung, um benutzerspezifische Agenten zu verbessern.
Umfangreiche und effektive Multi-Agent-Kollaborationsmodelle: Es bietet Kollaborationsmodelle wie PEER (Plan/Execute/Express/Review) und DOE (Data-Finding/Opinion-Inject/Express), die in der Branche validiert wurden. Benutzer können außerdem neue Modelle anpassen und orchestrieren, um eine organische Zusammenarbeit zwischen mehreren Agenten zu ermöglichen.
Einfache Integration von Domänenexpertise: Es bietet Funktionen für Domänenaufforderungen, Wissensaufbau und -verwaltung, unterstützt die Orchestrierung und Injektion von SOPs auf Domänenebene und richtet Agenten auf Domänenwissen auf Expertenebene aus.
Weitere Funktionen finden Sie im Abschnitt „Hauptfunktionen von agentUniverse .
Rechtsberatungsagent v2
Python-Codegenerierungs- und -ausführungsagent
Diskussionsgruppe basierend auf dem Multi-Turn-Multi-Agent-Modus
Finanzielle Ereignisanalyse basierend auf dem PEER-Multi-Agent-Modus
Andrew Ngs Reflexive Workflow Translation Agent-Replikation
? Zhi Xiao Zhu – KI-Assistent für Finanzfachleute
Zhi Xiao Zhu KI-Assistent: Erleichtern Sie die Implementierung großer Modelle in anspruchsvollen Branchen, um die Effizienz von Investment-Research-Experten zu steigern
Zhi Xiao Zhu AI Assistant ist eine effiziente Lösung für die praktische Anwendung großer Modelle in anspruchsvollen Branchen. Es basiert auf dem Finix-Modell, das sich auf präzise Anwendungen konzentriert, und dem intelligenten Agenten-Framework agentUniverse , das sich durch professionelle Anpassung auszeichnet. Diese Lösung richtet sich an eine Reihe professioneller KI-Geschäftsassistenten in den Bereichen Investment Research, ESG (Umwelt, Soziales und Governance), Finanzen, Gewinnberichte und andere Spezialgebiete. Es wurde umfassend in groß angelegten Szenarien bei der Ant Group validiert und steigerte die Experteneffizienz.
Für detailliertere Informationen lesen Sie bitte das Benutzerhandbuch.
Bitte lesen Sie die API-Referenz.
? Wir empfehlen, Ihre Anfragen über GitHub Issues einzureichen. Wir antworten normalerweise innerhalb von 2 Tagen.
? Treten Sie unserem Discord-Kanal bei, um mit uns zu interagieren.
? E-Mail:
ID: @ agentUniverse _
Dieses Projekt basiert teilweise auf hervorragenden Open-Source-Projekten wie Langchain, Pydantic, Gunicorn, Flask, SQLAlchemy, Chromadb usw. (Die detaillierte Abhängigkeitsliste finden Sie in pyproject.toml). Unser besonderer Dank gilt den entsprechenden Projekten und Mitwirkenden.
