agentUniverse
v0.0.13
Version linguistique : anglais | Chine | 日本語
agentUniverse est un framework multi-agent basé sur de grands modèles de langage. agentUniverse vous offre la capacité flexible et facilement extensible de créer des agents uniques. À la base, agentUniverse propose un riche ensemble de composants de mode de collaboration multi-agents (qui peuvent être considérés comme une usine de mode de collaboration ou une fabrique de modèles). Ces composants permettent aux agents de maximiser leur efficacité en se spécialisant dans différents domaines pour résoudre les problèmes. agentUniverse se concentre également sur l'intégration de l'expertise du domaine, vous aidant à intégrer de manière transparente les connaissances du domaine dans le travail de vos agents.???
??? agentUniverse aide les développeurs et les entreprises à créer facilement des agents collaboratifs puissants qui fonctionnent à un niveau expert dans leurs domaines respectifs.
Nous vous encourageons à pratiquer et à partager différents modèles de domaine au sein de la communauté. Le framework est préchargé avec plusieurs composants de mode de collaboration multi-agents qui ont été validés dans des industries réelles et continueront à se développer à l'avenir. Les composants qui seront bientôt disponibles incluent :
D'autres modèles arriveront bientôt...
Le projet agentUniverse est soutenu par les réalisations de recherche suivantes.
Formaté 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},
}
Présentation : ce document fournit une introduction détaillée aux mécanismes et principes du cadre multi-agent PEER. Dans la section expérimentale, des scores ont été attribués selon sept dimensions : exhaustivité, pertinence, concision, caractère factuel, logique, structure et exhaustivité (chaque dimension a un score maximum de 5 points). Le modèle PEER a obtenu en moyenne des résultats plus élevés dans chaque dimension d'évaluation par rapport à BabyAGI et a démontré des avantages significatifs dans les dimensions d'exhaustivité, de pertinence, de logique, de structure et d'exhaustivité. De plus, le modèle PEER a atteint un taux supérieur de 83 % par rapport à BabyAGI en utilisant le modèle GPT-3.5 Turbo (16k) et de 81 % en utilisant le modèle GPT-4. Pour plus de détails, veuillez vous référer au document. ?https://arxiv.org/pdf/2407.06985
En utilisant pip :
pip install agentUniverseExécutez votre premier exemple et vous pourrez rapidement découvrir les performances des agents (ou groupes d'agents) créés par agentUniverse via le didacticiel.
Veuillez vous référer au document pour les étapes détaillées : Exécutez le premier exemple.
configurer le projet standard : agentUniverse Standard Project
Vous pouvez en apprendre davantage sur les composants importants des agents grâce à l'introduction aux agents. Pour des informations détaillées sur la création d'agents, reportez-vous à Création et utilisation d'agents. Vous pouvez également approfondir votre compréhension de la création et de l'utilisation d'agents en explorant des exemples officiels, tels que l'agent de génération et d'exécution de code Python.
Dans la construction d’applications d’agents intelligents, la construction et le rappel de bases de connaissances sont indispensables. Le framework agentUniverse , basé sur la technologie RAG, fournit une procédure opérationnelle standard efficace pour la construction de la base de connaissances et le processus de récupération et de rappel de RAG. Vous pouvez en apprendre davantage sur son utilisation via l'introduction aux connaissances et la définition et l'utilisation des connaissances, et mieux comprendre comment créer rapidement une base de connaissances et créer un agent capable de rappeler via Comment créer des agents RAG.
Lors de la construction d’applications d’agent, les agents doivent se connecter à une variété d’outils. Vous devez spécifier une gamme d’outils qu’ils peuvent utiliser. Vous pouvez intégrer diverses API et services propriétaires en tant que plugins d'outils via la création et l'utilisation d'outils. Le framework a déjà intégré LangChain et certaines boîtes à outils tierces. Pour une utilisation détaillée, vous pouvez vous référer à Intégration des outils LangChain et des outils intégrés existants.
L'évaluation de l'efficacité des agents peut être réalisée par le biais d'évaluations d'experts d'une part et en tirant parti des capacités d'évaluation des agents d'autre part. agentUniverse a lancé DataAgent (version Minimum Viable Product), qui vise à doter vos agents de capacités d'auto-évaluation et d'évolution grâce à l'intelligence des agents. Vous pouvez également personnaliser les critères d'évaluation qu'il contient. Pour plus de détails, consultez la documentation : DataAgent - Agents de données autonomes.
agentUniverse offre plusieurs fonctionnalités de serveur Web standard, ainsi que des protocoles HTTP et RPC standard. Vous pouvez explorer davantage la documentation sur l'enregistrement et l'utilisation du service ainsi que les sections du serveur Web.
agentUniverse fournit une plate-forme de canevas visuel pour le flux de travail agent. Veuillez suivre les étapes ci-dessous pour un démarrage rapide :
Installer via pip
pip install magent-ui ruamel.yamlExécuter en un clic
Exécutez le fichier product_application.py situé dans sample_standard_app/app/bootstrap pour un démarrage en un clic.
Pour plus de détails, reportez-vous à Démarrage rapide pour Product Platform et au Guide avancé.
Cette fonctionnalité est lancée conjointement par difizen et agentUniverse .
Le cœur d' agentUniverse fournit tous les composants clés nécessaires à la création d'un agent intelligent unique, aux mécanismes de collaboration entre plusieurs agents et à l'injection de connaissances expertes, permettant aux développeurs de créer facilement des applications intelligentes dotées d'un savoir-faire professionnel.
agentUniverse propose plusieurs composants de modèle de collaboration multi-agents qui ont été validés dans des industries réelles, parmi lesquels « PEER » est l'un des modèles les plus distinctifs.
Le modèle PEER utilise des agents avec quatre responsabilités différentes : planification, exécution, expression et révision. Cette structure permet la décomposition et l'exécution étape par étape de problèmes complexes, et permet une itération autonome basée sur les commentaires d'évaluation, améliorant finalement les performances dans les tâches de raisonnement et d'analyse. Ce modèle est particulièrement efficace dans les scénarios qui nécessitent une décomposition en plusieurs étapes et une analyse approfondie, tels que l'interprétation des événements, l'analyse macroéconomique et l'analyse de faisabilité des propositions commerciales.
Le modèle PEER a obtenu des résultats passionnants, et les derniers résultats de recherche et résultats expérimentaux peuvent être trouvés dans la littérature suivante.
Sur la base de l'introduction ci-dessus, nous résumons agentUniverse comprend les principales fonctionnalités suivantes :
Capacité de construction d'agent flexible et extensible : il fournit tous les composants essentiels nécessaires à la création d'agents, qui prennent tous en charge la personnalisation pour améliorer les agents spécifiques à l'utilisateur.
Modèles de collaboration multi-agents riches et efficaces : il propose des modèles collaboratifs tels que PEER (Plan/Execute/Express/Review) et DOE (Data-finding/Opinion-inject/Express), qui ont été validés dans l'industrie. Les utilisateurs peuvent également personnaliser et orchestrer de nouveaux modèles pour permettre une collaboration organique entre plusieurs agents.
Intégration facile de l'expertise du domaine : il offre des fonctionnalités pour les invites de domaine, la construction et la gestion des connaissances, prenant en charge l'orchestration et l'injection de SOP au niveau du domaine, alignant les agents avec les connaissances du domaine de niveau expert.
Pour plus de fonctionnalités, consultez les fonctionnalités clés de la section agentUniverse .
Agent de consultation juridique v2
Agent de génération et d'exécution de code Python
Groupe de discussion basé sur le mode multi-tours multi-agents
Analyse des événements financiers basée sur le mode multi-agent PEER
Réplication de l'agent de traduction de flux de travail réflexif d'Andrew Ng
? Zhi Xiao Zhu -Assistant IA pour les professionnels de la finance
Zhi Xiao Zhu AI Assistant : Faciliter la mise en œuvre de grands modèles dans des secteurs rigoureux pour améliorer l'efficacité des experts en recherche en investissement
Zhi Xiao Zhu AI Assistant est une solution efficace pour l'application pratique de grands modèles dans des industries rigoureuses. Il est basé sur le modèle Finix, axé sur des applications précises, et sur le framework d'agents intelligents agentUniverse , qui excelle dans la personnalisation professionnelle. Cette solution cible une gamme d'assistants commerciaux professionnels en IA liés à la recherche en investissement, à l'ESG (environnemental, social et gouvernance), à la finance, aux rapports sur les résultats et à d'autres domaines spécialisés. Il a été largement validé dans des scénarios à grande échelle chez Ant Group, améliorant ainsi l’efficacité des experts.
Pour des informations plus détaillées, veuillez lire le guide de l'utilisateur.
Veuillez lire la référence de l'API.
? Nous vous recommandons de soumettre vos requêtes en utilisant GitHub Issues, nous répondons généralement dans les 2 jours.
? Rejoignez notre chaîne Discord pour interagir avec nous.
? E-mail:
ID : agentUniverse _
Ce projet est partiellement construit sur d'excellents projets open source tels que langchain, pydantic, gunicorn, flask, SQLAlchemy, chromadb, etc. (La liste détaillée des dépendances peut être trouvée dans pyproject.toml). Nous tenons à remercier tout particulièrement les projets et contributeurs associés.
