agentUniverse
v0.0.13
Versi bahasa: Bahasa Inggris | 中文 | 日本語
agentUniverse adalah kerangka kerja multi-agen berdasarkan model bahasa besar. agentUniverse memberi Anda kemampuan yang fleksibel dan mudah diperluas untuk membangun agen tunggal. Pada intinya, agentUniverse menampilkan serangkaian komponen mode kolaborasi multi-agen (yang dapat dilihat sebagai Pabrik Mode Kolaborasi, atau Pabrik Pola). Komponen-komponen ini memungkinkan agen untuk memaksimalkan efektivitasnya dengan mengkhususkan diri pada domain berbeda untuk memecahkan masalah. agentUniverse juga berfokus pada integrasi keahlian domain, membantu Anda menggabungkan pengetahuan domain dengan lancar ke dalam pekerjaan agen Anda.???
??? agentUniverse membantu pengembang dan perusahaan dengan mudah membangun agen kolaboratif yang kuat yang bekerja pada tingkat ahli di domain masing-masing.
Kami mendorong Anda untuk berlatih dan berbagi Pola domain yang berbeda dalam komunitas. Kerangka kerja ini dilengkapi dengan beberapa komponen mode kolaborasi multi-agen yang telah divalidasi di industri dunia nyata dan akan terus berkembang di masa depan. Komponen yang akan segera tersedia antara lain:
Lebih banyak pola akan segera hadir...
Proyek agentUniverse didukung oleh pencapaian penelitian berikut.
BibTeX diformat
@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},
}
Ikhtisar: Dokumen ini memberikan pengenalan rinci tentang mekanisme dan prinsip kerangka kerja multi-agen PEER. Pada bagian eksperimen, skor diberikan pada tujuh dimensi: kelengkapan, relevansi, keringkasan, faktual, logis, struktur, dan komprehensif (setiap dimensi memiliki skor maksimum 5 poin). Model PEER mendapatkan skor rata-rata lebih tinggi di setiap dimensi evaluasi dibandingkan dengan BabyAGI dan menunjukkan keunggulan signifikan dalam dimensi kelengkapan, relevansi, logika, struktur, dan kelengkapan. Selain itu, model PEER mencapai tingkat keunggulan sebesar 83% dibandingkan BabyAGI yang menggunakan model GPT-3.5 Turbo (16k), dan 81% menggunakan model GPT-4. Untuk lebih jelasnya, silakan merujuk ke dokumen. ?https://arxiv.org/pdf/2407.06985
Menggunakan pip:
pip install agentUniverseJalankan contoh pertama Anda, dan Anda dapat dengan cepat merasakan kinerja agen (atau grup agen) yang dibangun oleh agentUniverse melalui tutorial.
Silakan merujuk ke dokumen untuk mengetahui langkah-langkah detailnya: Jalankan contoh pertama 。
siapkan proyek standar: agentUniverse Standard Project
Anda dapat mempelajari komponen penting agen melalui Pengenalan Agen. Untuk informasi detail tentang pembuatan agen, lihat Membuat dan Menggunakan Agen. Anda juga dapat memperdalam pemahaman Anda tentang pembuatan dan penggunaan agen dengan menjelajahi contoh resmi, seperti Agen Eksekusi dan Pembuatan Kode Python.
Dalam pembangunan aplikasi agen cerdas, konstruksi basis pengetahuan dan penarikan kembali sangat diperlukan. Kerangka kerja agentUniverse , berdasarkan teknologi RAG, menyediakan prosedur operasi standar yang efisien untuk konstruksi basis pengetahuan serta proses pengambilan dan penarikan kembali RAG. Anda dapat mempelajari penggunaannya melalui Pengenalan Pengetahuan serta Definisi dan Penggunaan Pengetahuan, dan selanjutnya menguasai cara membangun basis pengetahuan dengan cepat dan membuat agen yang mampu mengingat kembali melalui Cara Membangun Agen RAG.
Dalam pembangunan aplikasi agen, agen perlu terhubung ke berbagai alat. Anda harus menentukan serangkaian alat yang dapat mereka gunakan. Anda dapat mengintegrasikan berbagai API dan layanan kepemilikan sebagai plugin alat melalui Pembuatan dan Penggunaan Alat. Kerangka kerja ini telah mengintegrasikan LangChain dan beberapa perangkat pihak ketiga. Untuk penggunaan detailnya, Anda dapat merujuk ke Mengintegrasikan Alat LangChain dan Alat Terintegrasi yang Ada.
Evaluasi efektivitas agen dapat dilakukan melalui penilaian ahli di satu sisi dan dengan memanfaatkan kemampuan evaluasi agen di sisi lain. agentUniverse telah meluncurkan DataAgent (versi Produk Minimum yang Layak), yang bertujuan untuk memberdayakan agen Anda dengan kemampuan evaluasi diri dan evolusi menggunakan kecerdasan agen. Anda juga dapat menyesuaikan kriteria evaluasi di dalamnya. Untuk detail selengkapnya, lihat dokumentasi: DataAgent - Agen Data Otonom.
agentUniverse menawarkan beberapa kemampuan server web standar, serta protokol HTTP dan RPC standar. Anda dapat menjelajahi lebih lanjut dokumentasi tentang Pendaftaran dan Penggunaan Layanan serta bagian Server Web.
agentUniverse menyediakan platform kanvas visual untuk alur kerja agen. Silakan ikuti langkah-langkah di bawah ini untuk memulai dengan cepat:
Instal melalui pip
pip install magent-ui ruamel.yamlJalankan sekali klik
Jalankan file product_application.py yang terletak di sample_standard_app/app/bootstrap untuk memulai dengan satu klik.
Untuk detail selengkapnya, lihat Mulai Cepat untuk Platform Produk dan Panduan Tingkat Lanjut.
Fitur ini diluncurkan bersama oleh difizen dan agentUniverse .
Inti dari agentUniverse menyediakan semua komponen utama yang diperlukan untuk membangun satu agen cerdas, mekanisme kolaborasi antara beberapa agen, dan suntikan pengetahuan ahli, memungkinkan pengembang dengan mudah membuat aplikasi cerdas yang dilengkapi dengan Pengetahuan profesional.
agentUniverse menawarkan beberapa komponen model kolaborasi multi-agen yang telah divalidasi di industri nyata, di antaranya "PEER" adalah salah satu model yang paling khas.
Model PEER menggunakan agen dengan empat tanggung jawab berbeda: Perencanaan, Pelaksana, Pengekspresian, dan Peninjauan. Struktur ini memungkinkan dekomposisi dan pelaksanaan masalah kompleks selangkah demi selangkah, dan memungkinkan iterasi otonom berdasarkan umpan balik evaluasi, yang pada akhirnya meningkatkan kinerja dalam tugas penalaran dan analitis. Model ini sangat efektif dalam skenario yang memerlukan dekomposisi multi-langkah dan analisis mendalam, seperti interpretasi peristiwa, analisis makroekonomi, dan analisis kelayakan proposal bisnis.
Model PEER telah mencapai hasil yang menarik, dan temuan penelitian terbaru serta hasil eksperimen dapat ditemukan dalam literatur berikut.
Berdasarkan pendahuluan di atas, kami merangkum bahwa agentUniverse mencakup fitur-fitur utama berikut:
Kemampuan Konstruksi Agen yang Fleksibel dan Dapat Diperluas: Ini menyediakan semua komponen penting yang diperlukan untuk agen bangunan, yang semuanya mendukung penyesuaian untuk meningkatkan agen khusus pengguna.
Model Kolaborasi Multi-Agen yang Kaya dan Efektif: Menawarkan model kolaboratif seperti PEER (Plan/Execute/Express/Review) dan DOE (Data-finding/Opinion-inject/Express), yang telah divalidasi di industri. Pengguna juga dapat menyesuaikan dan mengatur model baru untuk memungkinkan kolaborasi organik di antara banyak agen.
Integrasi Keahlian Domain yang Mudah: Menawarkan kemampuan untuk perintah domain, konstruksi pengetahuan, dan manajemen, mendukung orkestrasi dan injeksi SOP tingkat domain, menyelaraskan agen dengan pengetahuan domain tingkat pakar.
Untuk fitur lainnya, lihat fitur utama bagian agentUniverse .
Agen Konsultasi Hukum v2
Agen Pembuatan dan Eksekusi Kode Python
Grup Diskusi Berdasarkan Mode Multi-Turn Multi-Agen
Analisis Peristiwa Keuangan Berdasarkan Mode Multi-Agen PEER
Replikasi Agen Terjemahan Alur Kerja Refleksif Andrew Ng
? Zhi Xiao Zhu -Asisten AI untuk Profesional Keuangan
Asisten AI Zhi Xiao Zhu : Memfasilitasi penerapan model besar di industri yang ketat untuk meningkatkan efisiensi pakar riset investasi
Zhi Xiao Zhu AI Assistant adalah solusi efisien untuk penerapan praktis model besar di industri yang ketat. Hal ini didasarkan pada model Finix, yang berfokus pada aplikasi yang tepat, dan kerangka agen cerdas agentUniverse , yang unggul dalam penyesuaian profesional. Solusi ini menargetkan sejumlah asisten bisnis AI profesional yang terkait dengan penelitian investasi, ESG (Lingkungan, Sosial, dan Tata Kelola), keuangan, laporan pendapatan, dan bidang khusus lainnya. Teknologi ini telah divalidasi secara luas dalam skenario skala besar di Ant Group, sehingga meningkatkan efisiensi para ahli.
Untuk informasi lebih rinci, silakan baca Panduan Pengguna.
Silakan baca Referensi API.
? Kami menyarankan untuk mengirimkan pertanyaan Anda menggunakan Masalah GitHub, kami biasanya merespons dalam 2 hari.
? Bergabunglah dengan Saluran Perselisihan kami untuk berinteraksi dengan kami.
? E-mail:
ID: agentUniverse _
Proyek ini sebagian dibangun di atas proyek sumber terbuka yang sangat baik seperti langchain, pydantic, gunicorn, flask, SQLAlchemy, chromedb, dll. (Daftar ketergantungan terperinci dapat ditemukan di pyproject.toml). Kami ingin menyampaikan terima kasih khusus kepada proyek dan kontributor terkait.
