HybridAGI
1.0.0
Ce qui différencie notre approche de Agent as Graph est le fait que notre système Agent n'est pas un processus représenté par un graphe, mais un interpréteur qui peut lire/écrire et exécuter une structure de données graphiques (les programmes graphiques) séparée de ce processus. Permettant à l'agent d'apprendre en exécutant, en lisant et en modifiant les programmes graphiques (comme toute autre donnée), HybridAGI est essentiellement destiné à être un système d'auto-programmation centré autour du langage Cypher. Il s’agit d’un projet de recherche prêt à être mis en production et centré sur la programmation neuro-symbolique, la synthèse de programmes et l’IA symbolique.
Turing Complete DSL : Le langage DSL (Turing Complete Domain Specific Language) d'HybridAGI a été spécifiquement conçu pour décrire un nombre infini d'algorithmes utilisant seulement 4 types de nœuds différents (Contrôle, Action, Décision, Programme). L'agent interpréteur peut boucler et appeler des sous-programmes, similaire à un langage de programmation traditionnel.
Recherche de programme graphique et appel dynamique : étant donné que notre système d'agent n'est pas une machine à états finis statique mais un interpréteur qui interprète un nœud DSL basé sur un graphique nœud par nœud, il peut rechercher des programmes en mémoire et appeler dynamiquement le meilleur pour résoudre la requête de l'utilisateur.
Pipeline et agent optimisables : Avec HybridAGI et DSPy, vous pouvez optimiser les pipelines de traitement des données et le système d'agent selon vos propres besoins. Étant donné que chaque module HybridAGI est également un module DSPy, vous pouvez utiliser les optimiseurs DSPy de manière transparente avec eux.
Comportement de l'agent en tant que logiciel : avec HybridAGI, vous pouvez expédier le comportement de l'agent sous forme de logiciel Cypher, permettant aux start-ups et aux entreprises de créer leur propre adresse IP basée sur leur logique métier implémentée dans Cypher.
Système centré sur la mémoire : HybridAGI est un système centré sur la mémoire qui utilise fortement les Knowledge Graphs, à la fois pour exécuter des programmes et pour stocker des connaissances structurées. Cela active les applications Knowledge Graph RAG pour les domaines critiques.
Sécurisé et sécurisé : Une attention particulière a été accordée pour empêcher les injections de chiffrement mais également pour empêcher le système d'agent de modifier son propre mécanisme d'invite principal en introduisant le concept de programmes protégés.
Comportement prévisible/déterministe et nombre infini d'outils : Parce que nous ne laissons pas l'Agent choisir la séquence d'outils à utiliser, nous pouvons utiliser un nombre infini d'outils. En suivant les programmes graphiques, nous garantissons une méthodologie prévisible et déterministe pour notre système d'agents. Nous pouvons combiner chaque système de mémoire en un seul agent en utilisant les outils correspondants sans limitation.
HybridAGI est le premier agent programmable basé sur LLM qui vous permet de définir son comportement à l'aide d'une approche de programmation rapide basée sur des graphiques . Contrairement à d’autres frameworks qui considèrent les agents comme des chatbots avancés, nous avons adopté une méthodologie ancrée dans l’informatique, les sciences cognitives et l’IA symbolique.
Pour nous, un système d’agents est un logiciel cognitif orienté vers un objectif, capable de traiter le langage naturel et d’exécuter les tâches pour lesquelles il a été programmé. Tout comme pour les logiciels traditionnels, le développeur précise le comportement de l'application, et le système n'est véritablement autonome que s'il a été programmé pour l'être. La programmation du système aide non seulement l'agent à réaliser ses tâches mais permet également de formaliser l'intention du développeur .
HybridAGI est conçu pour les scientifiques des données, les ingénieurs rapides, les chercheurs et les passionnés d'IA qui aiment expérimenter l'IA. Il s'agit d'un produit « Build Yourself » qui se concentre sur la créativité humaine plutôt que sur l'autonomie de l'IA.
Pour installer facilement HybridAGI nous vous recommandons d'utiliser pip avec la commande suivante :
pip install hybridagi
Si vous souhaitez explorer plus en profondeur notre système, ou contribuer au projet, vous pouvez utiliser la commande suivante pour installer HybridAGI à partir des sources :
git clone https://github.com/SynaLinks/HybridAGI
cd HybridAGI
pip install .
Pas d'agents React ici , le seul système d'agents que nous fournissons est notre agent d'interprétation graphique personnalisé qui suit une méthodologie stricte en exécutant nœud par nœud les programmes graphiques qu'il a en mémoire. Parce que nous contrôlons le comportement de l'agent de bout en bout en déchargeant la planification sur des composants symboliques, nous pouvons corriger/améliorer facilement le comportement du système, éliminant ainsi les besoins de réglage fin mais permettant également au système d'apprendre à la volée.
HybridAGI s'appuie sur des années d'expérience dans la création de systèmes robotiques fiables. Nous avons combiné nos connaissances en robotique, en IA symbolique, en LLM et en sciences cognitives dans un produit destiné aux programmeurs, aux data-scientists et aux ingénieurs en IA. La mémoire à long terme de notre système Agent utilise largement des graphiques pour stocker des connaissances structurées et non structurées ainsi que ses programmes graphiques.
Nous vous fournissons tout pour créer votre application LLM en mettant l'accent sur les bases de données Cypher Graph. Nous fournissons également une base de données locale pour un prototypage rapide avant de faire évoluer votre application avec l'une de nos intégrations.
Avec HybridAGI, vous pouvez créer des pipelines d'extraction de données, des applications RAG ou des systèmes d'agents avancés, chacun étant éventuellement optimisé à l'aide des optimiseurs DSPy. Nous fournissons également des modules et des métriques prédéfinis pour un prototypage facile.
Chaque module et type de données est strictement typé et utilise Pydantic comme couche de validation des données. Vous pouvez créer des pipelines en un rien de temps en empilant les modules de manière séquentielle, comme dans Keras ou HuggingFace.
Nous fournissons la liste suivante d'outils natifs pour R/W dans le système mémoire ou modifier l'état de l'agent :
| Nom de l'outil | Usage |
|---|---|
Predict | Utilisé pour remplir le contexte avec des informations de raisonnement |
ChainOfThought | Utilisé pour remplir le contexte avec des informations de raisonnement |
Speak | Utilisé pour envoyer un message à l'utilisateur et donner la réponse finale |
AskUser | Utilisé pour poser une question à l'utilisateur (peut simuler le personnage de l'utilisateur) |
UpdateObjective | Mettre à jour l'objectif à long terme de l'agent |
AddDocument | Enregistrer en mémoire un nouveau document |
AddFact | Enregistrez de nouveaux faits en mémoire |
AddGraphProgram | Enregistrer en mémoire le nouveau programme (remplacer s'il existe) |
DocumentSearch | Utilisé pour rechercher des informations dans la mémoire du document |
PastActionSearch | Utilisé pour rechercher des actions passées dans la mémoire de trace |
EntitySearch | Utilisé pour rechercher des entités dans la mémoire des faits |
FactSearch | Utilisé pour rechercher des faits dans la mémoire des faits |
GraphProgramSearch | Utilisé pour rechercher des programmes graphiques dans la mémoire du programme |
ReadGraphProgram | Utilisé pour lire un programme graphique de la mémoire par son nom |
CallGraphProgram | Utilisé pour appeler dynamiquement un programme graphique depuis la mémoire par son nom |
Vous pouvez ajouter plus d'outils en utilisant les fonctions FunctionTool et Python comme les appels de fonctions actuels.
Nous acceptons les contributions pour plus d'intégrations de bases de données. N'hésitez pas à rejoindre la chaîne Discord pour plus d'informations !
Nous ne sommes pas satisfaits de la trajectoire actuelle des systèmes basés sur des agents qui manquent de contrôle et d’efficacité. L'approche actuelle consiste à créer des agents React/MKRL qui fonctionnent de manière indépendante sans contrôle humain, ce qui conduit souvent à des boucles infinies d'absurdités en raison de leur tendance à rester dans leur distribution de données. Les systèmes multi-agents tentent de résoudre ce problème, mais ils entraînent souvent des coûts encore plus absurdes et prohibitifs en raison du bavardage des agents. De plus, les agents d'aujourd'hui ont souvent besoin d'être peaufinés pour améliorer ou corriger leur comportement, ce qui peut s'avérer un processus long et complexe.
Avec HybridAGI, la seule chose que vous devez faire est de modifier le graphe de comportement (les programmes graphiques). Nous pensons que la mise au point devrait être un dernier recours lorsque l’apprentissage en contexte ne parvient pas à produire les résultats souhaités. En ancrant les sciences cognitives dans les concepts informatiques, nous permettons aux programmeurs de construire le système d'agents de leurs rêves en contrôlant la séquence d'action et de décision. Notre objectif est de construire un système d'agents capable de résoudre des problèmes du monde réel en utilisant un langage intermédiaire interprétable à la fois par les humains et les machines. Si nous voulons tenir les humains informés dans les années à venir, nous devons concevoir des systèmes d’agents à cet effet.
LangGraph est construit sur LangChain, ce qui était également le cas pour HybridAGI l'année dernière. Cependant, étant donné la volonté de l'équipe LangChain d'encourager les agents ReACT qui manquent de contrôle et d'explicabilité, nous sommes passés à DSPy, qui offre une meilleure valeur en se concentrant sur l'optimisation des pipelines. Récemment, LangGraph est apparu pour compenser la mauvaise prise de décision de LangChain, mais nous avions déjà prouvé la valeur de notre travail. De plus, LangGraph, comme de nombreux frameworks agentiques, décrit une machine à états finis statique. Notre vision des systèmes AGI est qu'il est nécessaire d'être complet avec Turing, ce qui est le cas pour de nombreux frameworks agents, mais avoir la capacité de se programmer à la volée (ce qui signifie un véritable apprentissage continu) est également nécessaire pour véritablement commencer le voyage AGI, ce qui est qui manque dans d’autres cadres.
Llama-Index a récemment publié un système d'agents événementiels, similaire à LangGraph, il s'agit d'une machine à états statique, et les mêmes remarques s'appliquent à leur travail.
HybridAGI s'appuie sur l'excellent travail de l'équipe DSPy et est conçu comme une abstraction pour simplifier la création de programmes DSPy complexes dans le contexte des agents LLM. DSPy est plus général et est également utilisé pour des tâches plus simples qui ne nécessitent pas de systèmes agentiques. Contrairement à DSPy, nos programmes ne sont pas statiques mais dynamiques et peuvent s'adapter à la requête de l'utilisateur en appelant dynamiquement les programmes stockés en mémoire. De plus, nous concentrons nos travaux sur les systèmes AGI neuro-symboliques explicables à l’aide de graphiques. Les programmes graphiques sont plus faciles à créer que de les implémenter à partir de zéro à l'aide de DSPy. Si DSPy est le PyTorch des applications LLM, considérez HybridAGI comme le Keras ou HuggingFace des agents neuro-symboliques LLM.
OpenAI o1 et HybridAGI partagent de nombreux objectifs communs, mais ils sont construits avec des paradigmes différents à l'esprit. Comme OpenAI o1, HybridAGI utilise des inférences en plusieurs étapes et est un système d'agents orientés objectifs. Cependant, contrairement à OpenAI o1, nous guidons la trace CoT de notre système d'agent au lieu de le laisser explorer librement son espace d'action, un paradigme plus proche d'un A* où l'Agent navigue dans un graphe défini au lieu d'un Q-learning. Cela se traduit par un raisonnement plus efficace, car les experts peuvent le programmer pour résoudre un cas d'utilisation particulier. Nous pouvons utiliser des LLM plus petits, réduisant ainsi l’impact environnemental et augmentant le retour sur investissement. L’inconvénient de notre technologie est que vous avez besoin de connaissances expertes dans votre domaine ainsi qu’en programmation et en systèmes d’IA pour exploiter au mieux ses capacités. C'est pour cette raison que nous fournissons des services d'audit, de conseil et de développement aux personnes et aux entreprises qui ne disposent pas des compétences techniques en IA nécessaires pour mettre en œuvre leur système.
Nous ne sommes pas basés dans la Silicon Valley ni dans une grande entreprise ; nous sommes une petite équipe dévouée du sud de la France. Notre objectif est de fournir un produit d'IA où l'utilisateur garde le contrôle. Nous ne sommes pas satisfaits de la trajectoire actuelle des produits à base d'agents. Nous sommes experts dans les interactions homme-robot et dans la construction de systèmes interactifs qui se comportent comme prévu. Bien que nous nous inspirions des sciences cognitives et de l’IA symbolique, nous visons à maintenir nos concepts ancrés dans l’informatique pour un public plus large.
Notre mission s'étend au-delà de la sécurité et des performances de l'IA ; il s'agit de façonner le monde dans lequel nous voulons vivre. Même si la programmation devient obsolète dans 5 ou 10 ans, remplacée par une invite magique, nous pensons que les invites traditionnelles sont insuffisantes pour préserver les emplois. Ils sont trop simplistes et ne parviennent pas à transmettre avec précision les intentions.
En revanche, programmer chaque étape de raisonnement nécessite des connaissances expertes en ingénierie et en programmation rapides. Étonnamment, c'est agréable et pas si difficile pour les programmeurs, car cela vous permet d'avoir un aperçu du fonctionnement réel de l'IA en la contrôlant. Le langage naturel combiné aux algorithmes ouvre des possibilités infinies. Nous ne pouvons pas imaginer un monde sans cela.
Nous fournissons des services d'audit, de conseil et de développement aux entreprises qui souhaitent mettre en œuvre des solutions d'IA neuro-symbolique dans divers domaines, de la vision par ordinateur au raisonnement de haut niveau avec des systèmes de graphes de connaissances/ontologies dans des domaines critiques comme la santé, la biologie, la finance, l'aérospatiale. , et bien d'autres encore.
HybridAGI est un projet de recherche visant à présenter nos capacités mais également à apporter notre vision des systèmes AGI sûrs pour l'avenir. Nous sommes une start-up amorcée qui recherche des cas d'utilisation réels au lieu de faire des déclarations prétentieuses pour plaire aux sociétés de capital-risque et alimenter le battage médiatique.
Parce que notre vision des capacités des LLM est plus modérée que d’autres, nous cherchons activement à combiner différents domaines de l’IA (apprentissage évolutif, symbolique et profond) pour faire ce saut vers le futur sans brûler la planète en nous appuyant uniquement sur la mise à l’échelle. Outre les impacts environnementaux évidents, en nous appuyant sur des modèles petits/moyens, nous avons une meilleure compréhension et la capacité de mener des recherches utiles sans avoir recours à des centres de données valant des milliers de milliards.
HybridAGI est notre façon de nous préparer à cet avenir tout en démontrant notre compréhension des systèmes d'IA modernes et traditionnels. HybridAGI est la preuve qu'il n'est pas nécessaire de dépenser des milliards de dollars pour travailler sur des systèmes AGI, et qu'une petite équipe de passionnés peut faire la différence.
Nous avons publié HybridAGI sous GNU GPL pour diverses raisons, la première étant que nous souhaitons protéger notre travail et celui de nos contributeurs. La deuxième raison est que nous voulons construire un avenir dans lequel les gens pourront vivre, sans dépendre des grandes entreprises de technologie de l'IA. Nous voulons donner aux gens les moyens d'agir et non les asservir en détruisant le marché et en laissant les gens sans emploi sans moyen de devenir propriétaires de leur connaissance. HybridAGI est un projet communautaire, par la communauté, pour la communauté. Enfin, HybridAGI est un moyen de se connecter avec des personnes talentueuses partageant les mêmes idées partout dans le monde et de créer une communauté autour d’un avenir souhaitable.
Certains pourraient affirmer qu’HybridAGI n’est qu’une boîte à outils. Cependant, contrairement à LangChain ou Llama-Index, HybridAGI a été conçu dès le départ pour fonctionner en synergie avec un LLM spécialisé formé sur notre DSL/architecture. Nous avons amélioré notre logiciel grâce à la communauté et parce que c'est nous qui avons créé notre propre langage de programmation, nous sommes également les meilleurs pour le programmer. Nous avons accumulé des données, appris de nombreuses techniques d'augmentation et nettoyé nos ensembles de données au cours de la dernière année du projet pour conserver notre avantage concurrentiel. Nous pourrions publier le LLM que nous construisons à un moment donné lorsque nous déciderons que cela est bénéfique pour nous de le faire.
Notre logiciel est publié sous licence GNU GPL pour nous protéger ainsi que les contributions de la communauté. La logique de votre application étant séparée (les programmes graphes) il n'y a aucun problème d'IP pour que vous utilisiez HybridAGI. De plus, lorsqu'il est utilisé en production, vous souhaitez sûrement créer un serveur FastAPI pour demander à votre agent et séparer le backend et le frontend de votre application (comme un site Web), afin que la licence GPL ne contamine pas les autres éléments de votre logiciel. Nous proposons également une double licence à nos clients si nécessaire.
Faites partie de notre communauté de développeurs, de chercheurs et de passionnés d’IA. Contribuez au projet, partagez vos commentaires et aidez à façonner l’avenir d’HybridAGI. Nous apprécions et apprécions votre participation !
