agentUniverse
v0.0.13
Versión de idioma: inglés | 中文 | 日本語
agentUniverse es un marco multiagente basado en grandes modelos de lenguaje. agentUniverse le proporciona la capacidad flexible y fácilmente extensible para crear agentes únicos. En esencia, agentUniverse presenta un rico conjunto de componentes de modo de colaboración multiagente (que pueden verse como una fábrica de modo de colaboración o una fábrica de patrones). Estos componentes permiten a los agentes maximizar su eficacia al especializarse en diferentes dominios para resolver problemas. agentUniverse también se centra en la integración de la experiencia en el dominio, ayudándole a incorporar perfectamente el conocimiento del dominio en el trabajo de sus agentes.
??? agentUniverse ayuda a desarrolladores y empresas a crear fácilmente potentes agentes colaborativos que se desempeñan a un nivel experto en sus respectivos dominios.
Le animamos a practicar y compartir diferentes patrones de dominio dentro de la comunidad. El marco viene precargado con varios componentes del modo de colaboración multiagente que han sido validados en industrias del mundo real y continuarán expandiéndose en el futuro. Los componentes que estarán disponibles pronto incluyen:
Próximamente habrá más patrones...
El proyecto agentUniverse está respaldado por los siguientes logros de investigación.
Formateado BibTeX
@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},
}
Descripción general: este documento proporciona una introducción detallada a los mecanismos y principios del marco multiagente PEER. En la sección experimental, se asignaron puntuaciones en siete dimensiones: integridad, relevancia, concisión, factualidad, lógica, estructura y exhaustividad (cada dimensión tiene una puntuación máxima de 5 puntos). El modelo PEER obtuvo una puntuación más alta en promedio en cada dimensión de evaluación en comparación con BabyAGI y demostró ventajas significativas en las dimensiones de integridad, relevancia, lógica, estructura y exhaustividad. Además, el modelo PEER logró una tasa superior del 83 % sobre BabyAGI usando el modelo GPT-3.5 Turbo (16k) y del 81 % usando el modelo GPT-4. Para obtener más detalles, consulte el documento. https://arxiv.org/pdf/2407.06985
Usando pipa:
pip install agentUniverseEjecute su primer ejemplo y podrá experimentar rápidamente el rendimiento de los agentes (o grupos de agentes) creados por agentUniverse a través del tutorial.
Consulte el documento para conocer los pasos detallados: Ejecute el primer ejemplo.
configurar el proyecto estándar: proyecto estándar agentUniverse
Puede aprender sobre los componentes importantes de los agentes a través de la Introducción a los agentes. Para obtener información detallada sobre la creación de agentes, consulte Creación y uso de agentes. También puede profundizar su comprensión de la creación y el uso de agentes explorando ejemplos oficiales, como el Agente de ejecución y generación de código Python.
En la construcción de aplicaciones de agentes inteligentes, la construcción y recuperación de la base de conocimientos son indispensables. El marco agentUniverse , basado en la tecnología RAG, proporciona un procedimiento operativo estándar eficiente para la construcción de la base de conocimientos y el proceso de recuperación y recuperación de RAG. Puede aprender sobre su uso a través de la Introducción al conocimiento y la Definición y uso del conocimiento, y dominar aún más cómo construir rápidamente una base de conocimientos y crear un agente con capacidad de recuperación a través de Cómo crear agentes RAG.
En la construcción de aplicaciones de agentes, los agentes necesitan conectarse a una variedad de herramientas. Debe especificar una variedad de herramientas que pueden utilizar. Puede integrar varias API y servicios propietarios como complementos de herramientas a través de la creación y el uso de herramientas. El marco ya ha integrado LangChain y algunos kits de herramientas de terceros. Para un uso detallado, puede consultar Integración de herramientas LangChain y herramientas integradas existentes.
La evaluación de la eficacia de los agentes se puede realizar mediante evaluaciones de expertos, por un lado, y aprovechando las capacidades de evaluación de los agentes, por el otro. agentUniverse ha lanzado DataAgent (versión de Producto Mínimo Viable), cuyo objetivo es dotar a sus agentes de capacidades de autoevaluación y evolución utilizando inteligencia de agentes. También puede personalizar los criterios de evaluación dentro del mismo. Para más detalles, consulte la documentación: DataAgent - Agentes de datos autónomos.
agentUniverse ofrece múltiples capacidades de servidor web estándar, así como protocolos HTTP y RPC estándar. Puede explorar más a fondo la documentación sobre Registro y uso del servicio y las secciones del Servidor web.
agentUniverse proporciona una plataforma de lienzo visual para el flujo de trabajo agente. Siga los pasos a continuación para un inicio rápido:
Instalar a través de pip
pip install magent-ui ruamel.yamlEjecutar con un clic
Ejecute el archivo product_application.py ubicado en sample_standard_app/app/bootstrap para iniciar con un solo clic.
Para obtener más detalles, consulte Inicio rápido para la plataforma del producto y la Guía avanzada.
Esta función la lanzan conjuntamente difizen y agentUniverse .
El núcleo de agentUniverse proporciona todos los componentes clave necesarios para crear un único agente inteligente, los mecanismos de colaboración entre múltiples agentes y la inyección de conocimiento experto, lo que permite a los desarrolladores crear fácilmente aplicaciones inteligentes equipadas con conocimientos profesionales.
agentUniverse ofrece varios componentes del modelo de colaboración multiagente que han sido validados en industrias reales, entre los cuales "PEER" es uno de los modelos más distintivos.
El modelo PEER utiliza agentes con cuatro responsabilidades diferentes: planificación, ejecución, expresión y revisión. Esta estructura permite la descomposición y ejecución paso a paso de problemas complejos y permite la iteración autónoma basada en la retroalimentación de la evaluación, lo que en última instancia mejora el desempeño en tareas analíticas y de razonamiento. Este modelo es particularmente eficaz en escenarios que requieren una descomposición en varios pasos y un análisis en profundidad, como la interpretación de eventos, el análisis macroeconómico y el análisis de viabilidad de propuestas comerciales.
El modelo PEER ha logrado resultados interesantes y los últimos hallazgos de investigación y resultados experimentales se pueden encontrar en la siguiente literatura.
Con base en la introducción anterior, resumimos que agentUniverse incluye las siguientes características principales:
Capacidad de construcción de agentes flexible y extensible: proporciona todos los componentes esenciales necesarios para la creación de agentes, todos los cuales admiten la personalización para mejorar agentes específicos del usuario.
Modelos de colaboración multiagente ricos y eficaces: ofrece modelos colaborativos como PEER (Plan/Ejecutar/Express/Review) y DOE (Data-finding/Opinion-inject/Express), que han sido validados en la industria. Los usuarios también pueden personalizar y orquestar nuevos modelos para permitir la colaboración orgánica entre múltiples agentes.
Fácil integración de la experiencia en el dominio: ofrece capacidades para indicaciones de dominio, construcción y gestión de conocimientos, respaldando la orquestación e inyección de SOP a nivel de dominio, alineando a los agentes con conocimientos de dominio de nivel experto.
Para obtener más funciones, consulte la sección Funciones clave de agentUniverse .
Agente de Consulta Legal v2
Agente de generación y ejecución de código Python
Grupo de discusión basado en el modo multiagente de múltiples turnos
Análisis de eventos financieros basado en el modo multiagente PEER
Replicación del agente de traducción de flujo de trabajo reflexivo de Andrew Ng
? Zhi Xiao Zhu -Asistente de IA para profesionales financieros
Asistente de inteligencia artificial de Zhi Xiao Zhu : facilite la implementación de modelos grandes en industrias rigurosas para mejorar la eficiencia de los expertos en investigación de inversiones
Zhi Xiao Zhu AI Assistant es una solución eficiente para la aplicación práctica de modelos grandes en industrias rigurosas. Se basa en el modelo Finix, que se centra en aplicaciones precisas, y en el marco de agente inteligente agentUniverse , que destaca en la personalización profesional. Esta solución está dirigida a una variedad de asistentes comerciales profesionales de IA relacionados con la investigación de inversiones, ESG (ambiental, social y de gobernanza), finanzas, informes de ganancias y otras áreas especializadas. Ha sido ampliamente validado en escenarios a gran escala en Ant Group, lo que mejora la eficiencia de los expertos.
Para obtener información más detallada, lea la Guía del usuario.
Lea la referencia de API.
? Recomendamos enviar sus consultas mediante Problemas de GitHub; normalmente respondemos dentro de 2 días.
? Únase a nuestro canal de Discord para interactuar con nosotros.
? Correo electrónico:
ID: agentUniverse
Este proyecto se basa parcialmente en excelentes proyectos de código abierto como langchain, pydantic, gunicorn, flask, SQLAlchemy, chromadb, etc. (La lista detallada de dependencias se puede encontrar en pyproject.toml). Nos gustaría extender un agradecimiento especial a los proyectos y contribuyentes relacionados.
