LaVague

Lavague에 오신 것을 환영합니다

AI 웹 에이전트 개발을위한 대규모 액션 모델 프레임 워크

Lavague : 빌더를위한 웹 에이전트 프레임 워크

Lavague는 최종 사용자를위한 프로세스를 자동화하기 위해 AI 웹 에이전트를 만들고자하는 개발자를 위해 설계된 오픈 소스 프레임 워크입니다.

웹 에이전트는 "Face Diffusers 라이브러리를 포옹하기위한 인쇄 단계"와 같은 목표를 취하고 목표를 달성하는 데 필요한 조치를 생성하고 수행 할 수 있습니다.

Lavague 요원은 다음으로 구성됩니다.

• 목표와 현재 상태 (일명 현재 웹 페이지)를 취하고 적절한 지침 세트를 출력하는 세계 모델.
• 이 지침을 액션 코드로 "컴파일"하는 액션 엔진 (예 : 셀레늄 또는 극작가 및 실행

Lavague QA : QA 엔지니어를위한 전용 툴링

? Lavague에 지어졌습니다

Lavague QA는 프레임 워크를 활용하는 QA 엔지니어를위한 도구입니다.

이를 통해 Gherkin 사양을 통합하기 쉬운 테스트로 전환하여 테스트 작성을 자동화 할 수 있습니다. Lavague QA는 Lavague 프레임 워크를 활용하여 웹 테스트를 더 효율적으로 만들기 위해 프로젝트입니다.

자세한 정보 및 설정 지침은 Lavague QA 문서를 방문하십시오.

시작하기

데모

다음은 Lavague가 "Peft의 Quicktour"라는 목표를 달성하기 위해 여러 단계를 수행 할 수있는 방법의 예입니다.

실습

다음 단계 로이 작업을 수행 할 수 있습니다.

1. Lavague를 다운로드하십시오.

pip install lavague

2. 당사의 프레임 워크를 사용하여 웹 에이전트를 구축하고 목표를 구현하십시오.

 from lavague . core import  WorldModel , ActionEngine
from lavague . core . agents import WebAgent
from lavague . drivers . selenium import SeleniumDriver

selenium_driver = SeleniumDriver ( headless = False )
world_model = WorldModel ()
action_engine = ActionEngine ( selenium_driver )
agent = WebAgent ( world_model , action_engine )
agent . get ( "https://huggingface.co/docs" )
agent . run ( "Go on the quicktour of PEFT" )

# Launch Gradio Agent Demo
agent . demo ( "Go on the quicktour of PEFT" )

이 예제에 대한 자세한 내용과 Lavague 사용 방법은 빠른 투어를 참조하십시오.

이 예제는 기본 OpenAI API 구성을 사용하므로 로컬 환경에서 OpenAI_API_Key 변수를 설정할 수있는 유효한 API 키를 설정해야합니다.

Google Colab의 Lavague의 엔드 투 엔드 예는 빠른 투어 노트북을 참조하십시오.

주요 기능

• ∎ 내장 컨텍스트 (일명 구성)
• ✅ 사용자 정의 가능한 구성
• lavague의 성능 테스트 및 벤치마킹을위한 테스트 러너
• ✅ 토큰 사용 및 비용 추정을위한 토큰 카운터
• ✅ 로깅 도구
• expection 선택적 대화 형 Gradio 인터페이스
• debugging 도구
• Chrome 크롬 확장

지원되는 드라이버

우리는 세 가지 드라이버 옵션을 지원합니다.

• 셀레늄 웹 드라이버
• 극작가 웹 드라이버
• 크롬 확장 드라이버

모든 드라이버가 모든 에이전트 기능을 지원하는 것은 아닙니다.

특징	셀렌	극작가	크롬 확장
헤드리스 요원	✅	⏳	N/A
iframes를 처리하십시오	✅	✅
여러 탭을 엽니 다	✅	⏳	✅
요소를 강조합니다	✅	✅	✅

✅ 지원
∎ 곧 출시됩니다
지원되지 않습니다

? 지원하다

Lavague를 시작하는 데 문제가있는 경우 다음을 수행 할 수 있습니다.

• 일반적인 문제에 대한 정보 및 수정 사항을 나열하는 문제 해결 안내서를 확인하십시오.
• 문제를 설명하는 GitHub 문제를여십시오
• Discord 서버의 '#Support Channel'에서 우리를 메시지를 보내십시오.

? 기여

우리는 웹 자동화를위한 강력하고 안정적인 대형 액션 모델을 구축하려는 노력에 대한 귀하의 도움과 지원을 좋아합니다.

여러 사람이 동일한 작업을 수행하고 귀하의 업무를 병합 할 수없는 것을 피하기 위해 다음과 같은 기여 과정을 설명했습니다.

1. ? GitHub issues 사용하여 작업을 간략하게 설명합니다. help-wanted & good first issue
2. ? interested️이 작업 중 하나에 관심이 있으시면 문제에 대해 의견을 제시하십시오!
3. ? 우리는 귀하와 논의하고 community assigned 레이블과 함께 작업을 할당하겠습니다.
4. 그런 다음이 작업을 귀하와 논의 할 수 있습니다.
5. ⬆️ 작업을 PR로 제출해야합니다
6. ✅ 코드를 검토하고 병합하거나 변경 사항 변경/피드백 제공

자세한 내용은 contributing guide 확인하십시오.

? 슬 로드맵

프로젝트 백 로그를 여기에서 최신 상태로 유지하려면 여기에 있습니다.

? 에이전트를 운영하는 데 드는 비용은 얼마입니까?

Lavague는 LLM을 사용합니다 (기본적으로 OpenAi의 gpt4-o 는 완전히 사용자 정의 할 수 있음).

이 LLM 통화 비용은 다음에 따라 다릅니다.

• 주어진 에이전트를 실행하도록 선택된 모델
• 목표의 복잡성
• 상호 작용하는 웹 사이트.

토큰 계산 및 비용 추정에 대한 전용 문서를 참조하여 모든 토큰을 추적하고 에이전트 운영 비용을 추정하는 방법을 배우십시오.

? 데이터 수집

우리는 AI 커뮤니티에서 사용할 수있는 데이터 세트를 구축하여 더 나은 웹 에이전트를위한 더 나은 대형 액션 모델을 구축하고자합니다. Bigaction Huggingface 페이지에서 커뮤니티 데이터 세트를 구축하는 데 지금까지의 작업을 볼 수 있습니다.

이것이 Lavague가 기본적으로 다음 사용자 데이터 원격 측정을 수집하는 이유입니다.

• Lavague의 버전이 설치되었습니다
• 각 웹 동작 단계에 대해 생성 된 조치 코드 / 목록
• 과거의 행동
• "관찰"(현재 페이지를 확인하는 데 사용되는 메소드)
• LLM 사용 (IE GPT4)
• 사용 된 멀티 모달 LLM (IE GPT4)
• 무작위로 생성 된 익명 사용자 ID
• CLI 명령 (예 : Lavague-QA), Gradio 데모 또는 라이브러리를 직접 사용하든간에.
• 사용 된 목표
• 에이전트에 대한 생각의 사슬
• 페이지의 상호 작용 구역 (제한 상자)
• 브라우저의 뷰포트 크기
• 현재 단계
• 생성 된 명령 및 사용 된 현재 엔진
• 토큰 비용 및 사용
• 작업을 수행 한 URL
• 행동이 실패했는지 성공했는지 여부
• 추가로 사용 된 데이터가 지정되었습니다
• 관련된 오류 메시지
• 소스 노드 (이 작업을 수행하기 위해 웹 페이지에서 검색된 HTML 코드의 청크)

목표와 추가 사용자 데이터에 개인 정보를 포함하지 않도록주의하십시오. 목표/추가 사용자 데이터에 개인 정보를 포함하려는 경우 원격 측정을 끄는 것이 좋습니다.

모든 원격 측정을 끄십시오

모든 원격 측정을 끄려면 LAVAGUE_TELEMETRY 환경 변수를 "NONE" 으로 설정해야합니다.

LAVAGUE_TELEMTRY 환경 변수를 설정하는 방법에 대한 지침은 여기를 참조하십시오.