agentUniverse
v0.0.13
Versão do idioma: Inglês | 中文 | 日本語
agentUniverse é uma estrutura multiagente baseada em grandes modelos de linguagem. agentUniverse fornece capacidade flexível e facilmente extensível para criar agentes únicos. Em sua essência, agentUniverse apresenta um rico conjunto de componentes do modo de colaboração multiagente (que podem ser vistos como Collaboration Mode Factory ou Pattern Factory). Esses componentes permitem que os agentes maximizem sua eficácia, especializando-se em diferentes domínios para resolver problemas. agentUniverse também se concentra na integração do conhecimento do domínio, ajudando você a incorporar perfeitamente o conhecimento do domínio no trabalho de seus agentes.
??? agentUniverse ajuda desenvolvedores e empresas a criar facilmente agentes colaborativos poderosos com desempenho de nível especializado em seus respectivos domínios.
Nós encorajamos você a praticar e compartilhar diferentes padrões de domínio dentro da comunidade. A estrutura vem pré-carregada com vários componentes do modo de colaboração multiagente que foram validados em indústrias do mundo real e continuarão a se expandir no futuro. Os componentes que estarão disponíveis em breve incluem:
Mais padrões virão em breve...
O projeto agentUniverse é apoiado pelas seguintes realizações de pesquisa.
Formatado 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},
}
Visão geral: Este documento fornece uma introdução detalhada aos mecanismos e princípios da estrutura multiagente PEER. Na seção experimental, foram atribuídas pontuações em sete dimensões: completude, relevância, concisão, factualidade, logicidade, estrutura e abrangência (cada dimensão tem pontuação máxima de 5 pontos). O modelo PEER obteve pontuação média mais alta em cada dimensão de avaliação em comparação ao BabyAGI e demonstrou vantagens significativas nas dimensões de completude, relevância, logicidade, estrutura e abrangência. Além disso, o modelo PEER alcançou uma taxa superior de 83% em relação ao BabyAGI usando o modelo GPT-3.5 Turbo (16k) e 81% usando o modelo GPT-4. Para mais detalhes, consulte o documento. ?https://arxiv.org/pdf/2407.06985
Usando pip:
pip install agentUniverseExecute seu primeiro exemplo e você poderá experimentar rapidamente o desempenho dos agentes (ou grupos de agentes) criados pelo agentUniverse por meio do tutorial.
Consulte o documento para obter etapas detalhadas: Execute o primeiro exemplo 。
configure o projeto padrão: agentUniverse Standard Project
Você pode aprender sobre os componentes importantes dos agentes através da Introdução aos Agentes. Para obter informações detalhadas sobre a criação de agentes, consulte Criação e uso de agentes. Você também pode aprofundar sua compreensão sobre a criação e uso de agentes explorando exemplos oficiais, como o Agente de Geração e Execução de Código Python.
Na construção de aplicações de agentes inteligentes, a construção e recuperação da base de conhecimento são indispensáveis. A estrutura agentUniverse , baseada na tecnologia RAG, fornece um procedimento operacional padrão eficiente para a construção da base de conhecimento e o processo de recuperação e recuperação do RAG. Você pode aprender sobre seu uso por meio da Introdução ao conhecimento e da Definição e uso do conhecimento, e aprender ainda mais como construir rapidamente uma base de conhecimento e criar um agente com capacidade de recall em Como construir agentes RAG.
Na construção de aplicações de agentes, os agentes precisam se conectar a uma variedade de ferramentas. Você deve especificar uma variedade de ferramentas que eles podem usar. Você pode integrar várias APIs e serviços proprietários como plug-ins de ferramentas por meio da criação e uso de ferramentas. A estrutura já integrou LangChain e alguns kits de ferramentas de terceiros. Para uso detalhado, você pode consultar Integração de ferramentas LangChain e ferramentas integradas existentes.
A avaliação da eficácia dos agentes pode ser realizada através de avaliações especializadas, por um lado, e aproveitando as capacidades de avaliação dos agentes, por outro. agentUniverse lançou o DataAgent (versão Minimum Viable Product), que visa capacitar seus agentes com capacidades de autoavaliação e evolução usando a inteligência do agente. Você também pode personalizar os critérios de avaliação dentro dele. Para mais detalhes, consulte a documentação: DataAgent - Autonomous Data Agents.
agentUniverse oferece vários recursos padrão de servidor web, bem como protocolos HTTP e RPC padrão. Você pode explorar ainda mais a documentação sobre registro e uso de serviços e as seções do servidor Web.
agentUniverse fornece uma plataforma de tela visual para fluxo de trabalho de agente. Siga as etapas abaixo para um início rápido:
Instalar via pip
pip install magent-ui ruamel.yamlExecutar com um clique
Execute o arquivo product_application.py localizado em sample_standard_app/app/bootstrap para iniciar com um clique.
Para obter mais detalhes, consulte o Início rápido da plataforma do produto e o Guia avançado.
Este recurso é lançado em conjunto por dizizen e agentUniverse .
O núcleo do agentUniverse fornece todos os componentes-chave necessários para construir um único agente inteligente, os mecanismos de colaboração entre vários agentes e a injeção de conhecimento especializado, permitindo que os desenvolvedores criem facilmente aplicativos inteligentes equipados com know-how profissional.
agentUniverse oferece vários componentes de modelo de colaboração multiagente que foram validados em indústrias reais, entre os quais "PEER" é um dos modelos mais distintos.
O modelo PEER utiliza agentes com quatro responsabilidades diferentes: Planejamento, Execução, Expressão e Revisão. Esta estrutura permite a decomposição e execução passo a passo de problemas complexos e permite a iteração autônoma baseada no feedback da avaliação, melhorando, em última análise, o desempenho em tarefas de raciocínio e analíticas. Este modelo é particularmente eficaz em cenários que requerem decomposição em várias etapas e análise aprofundada, como interpretação de eventos, análise macroeconómica e análise de viabilidade de propostas comerciais.
O modelo PEER alcançou resultados interessantes, e as últimas descobertas de pesquisas e resultados experimentais podem ser encontrados na literatura a seguir.
Com base na introdução acima, resumimos que agentUniverse inclui os seguintes recursos principais:
Capacidade flexível e extensível de construção de agentes: fornece todos os componentes essenciais necessários para a construção de agentes, todos os quais suportam personalização para aprimorar agentes específicos do usuário.
Modelos de colaboração multiagente ricos e eficazes: oferece modelos colaborativos como PEER (Planejar/Executar/Expressar/Revisar) e DOE (Data-finding/Opinion-inject/Express), que foram validados na indústria. Os usuários também podem personalizar e orquestrar novos modelos para permitir a colaboração orgânica entre vários agentes.
Fácil integração de conhecimento de domínio: oferece recursos para prompts de domínio, construção e gerenciamento de conhecimento, apoiando a orquestração e injeção de SOPs em nível de domínio, alinhando agentes com conhecimento de domínio em nível de especialista.
Para obter mais recursos, consulte os principais recursos da seção agentUniverse .
Agente de Consulta Jurídica v2
Agente de geração e execução de código Python
Grupo de discussão baseado no modo multiagente multivoltas
Análise de eventos financeiros baseada no modo multiagente PEER
Replicação do agente de tradução de fluxo de trabalho reflexivo de Andrew Ng
? Zhi Xiao Zhu -Assistente de IA para Profissionais Financeiros
Zhi Xiao Zhu AI Assistant: Facilitar a implementação de grandes modelos em indústrias rigorosas para aumentar a eficiência dos especialistas em pesquisa de investimentos
Zhi Xiao Zhu AI Assistant é uma solução eficiente para a aplicação prática de grandes modelos em indústrias rigorosas. É baseado no modelo Finix, que foca em aplicações precisas, e na estrutura de agente inteligente agentUniverse , que se destaca na customização profissional. Esta solução tem como alvo uma gama de assistentes de negócios profissionais de IA relacionados com pesquisa de investimentos, ESG (Ambiental, Social e Governança), finanças, relatórios de lucros e outras áreas especializadas. Foi amplamente validado em cenários de grande escala no Ant Group, melhorando a eficiência especializada.
Para obter informações mais detalhadas, leia o Guia do usuário.
Por favor, leia a Referência da API.
? Recomendamos enviar suas dúvidas usando GitHub Issues, normalmente respondemos em 2 dias.
? Junte-se ao nosso canal Discord para interagir conosco.
? E-mail:
ID: agentUniverse
Este projeto é parcialmente construído em excelentes projetos de código aberto, como langchain, pydantic, gunicorn, flask, SQLAlchemy, chromadb, etc. (A lista detalhada de dependências pode ser encontrada em pyproject.toml). Gostaríamos de estender agradecimentos especiais aos projetos e colaboradores relacionados.
