swarms
5.3.7
Предприятие, готовая к производству многоагентных оркестровки
? Twitter • ? Discord • Swarms Platform • ? Документация
| Категория | Функции | Преимущества |
|---|---|---|
| ? Корпоративная архитектура | • готовая к производству инфраструктура • Системы высокой надежности • Модульный дизайн • Комплексная регистрация | • Уменьшенное время простоя • Проще говоря • Лучшая отладка • Улучшенный мониторинг |
| ? Агент оркестровая | • Иерархические рои • Параллельная обработка • Последовательные рабочие процессы • Рабочие процессы на основе графика • Динамическая перестройка агента | • Сложная обработка задач • Повышенная производительность • Гибкие рабочие процессы • Оптимизированное выполнение |
| Возможности интеграции | • Многомодельная поддержка • Создание пользовательского агента • Обширная библиотека инструментов • Несколько систем памяти | • Гибкость поставщика • Пользовательские решения • Расширенная функциональность • Усовершенствованное управление памятью |
| ? Масштабируемость | • Одновременная обработка • Управление ресурсами • Балансировка нагрузки • Горизонтальное масштабирование | • Более высокая пропускная способность • Эффективное использование ресурсов • Лучшая производительность • Легкое масштабирование |
| Инструменты разработчика | • Простой API • Обширная документация • Активное сообщество • CLI Инструменты | • быстрее развитие • Легкая кривая обучения • Поддержка сообщества • Быстрое развертывание |
| ? Функции безопасности | • Обработка ошибок • Ограничение скорости • Мониторинг интеграции • Логирование аудита | • Улучшенная надежность • Защита API • Лучший мониторинг • Усовершенствованное отслеживание |
| Расширенные функции | • Электронная таблица • Групповой чат • Агентство • Смесь агентов | • Управление массовыми агентами • Совместный ИИ • Централизованный контроль • Сложные решения |
| ? Поддержка провайдера | • Openai • Антроп • Chromadb • Посетители пользовательских поставщиков | • Гибкость поставщика • Параметры хранения • Пользовательская интеграция • Независимость поставщика |
| ? Производственные особенности | • Автоматические повторения • Асинхронная поддержка • Управление окружающей средой • Безопасность типа | • Лучшая надежность • Повышенная производительность • Легкая конфигурация • более безопасный код |
| Поддержка использования | • Агенты, специфичные для задачи • Пользовательские рабочие процессы • Отраслевые решения • Расширяемая структура | • Быстрое развертывание • Гибкие решения • Готовность отрасли • Легкая настройка |
python3.10 или выше!$ pip install -U swarms и не забудьте установить рой!.env Файл с клавишами API от ваших поставщиков, таких как OPENAI_API_KEY , ANTHROPIC_API_KEY.env с желаемой рабочей пространством Dir: WORKSPACE_DIR="agent_workspace" или сделайте это в вашем терминале с помощью export WORKSPACE_DIR="agent_workspace"swarms onboarding чтобы запустить вас. Обратитесь к нашей документации для сведения о реализации производственного уровня.
| Раздел | Ссылки |
|---|---|
| Установка | Установка |
| QuickStart | Начните |
| Агент внутренние механизмы | Агентная архитектура |
| Агент API | Агент API |
| Интеграция Griptape, Autogen и т. Д. | Интеграция внешних API |
| Создание агентов из YAML | Создание агентов из YAML |
| Зачем вам нужны рой | Почему необходимо многоагентное сотрудничество |
| Анализ архитектур роя | Рой архитектуры |
| Выбор подходящего роя для вашей бизнес -проблемы | КЛИКНИТЕ СЮДА |
| AgentRearrange Docs | КЛИКНИТЕ СЮДА |
$ pip3 install -U swarms Теперь, когда вы загрузили рой с помощью pip3 install -U swarms , мы получаем доступ к CLI . Сейчас на борту с CLI:
swarms onboardingВы также можете запустить эту команду за помощью:
swarms helpДля получения дополнительной документации на CLI нажмите здесь
Вот несколько примеров сценариев, чтобы начать вас. Для получения более полной документации посетите наши документы.
| Пример имени | Описание | Тип примеров | Связь |
|---|---|---|---|
| Ряд примеров | Коллекция простых примеров для демонстрации возможностей роя. | Основное использование | https://github.com/the-swarm-corporation/swarms-examples?tab=readme-ov-file |
| Кулинарная книга | Комплексное руководство с рецептами для различных вариантов использования и сценариев. | Расширенное использование | https://github.com/the-swarm-corporation/cookbook |
Agent класс Agent класс является фундаментальным компонентом фреймворка роя, предназначенной для автономного выполнения задач. Он объединяет LLM, инструменты и возможности долговременной памяти для создания полного агента стека. Класс Agent очень настраивается, что позволяет мелкозернистый контроль над его поведением и взаимодействиями.
run метод Метод run является основной точкой входа для выполнения задач с помощью экземпляра Agent . Он принимает строку задачи в качестве основной входной задачи и обрабатывает ее в соответствии с конфигурацией агента. И он также может принять параметр img , такой как img="image_filepath.png для обработки изображений, если у вас есть VLM
Класс Agent предлагает ряд настроек для адаптации его поведения к конкретным потребностям. Некоторые настройки ключей включают в себя:
| Параметр | Описание | Значение по умолчанию |
|---|---|---|
agent_name | Имя агента. | "DEFAULTAGENT" |
system_prompt | Системная подсказка для использования для агента. | "Система по умолчанию." |
llm | Языковая модель для использования для обработки задач. | Экземпляр OpenAIChat |
max_loops | Максимальное количество циклов для выполнения задачи. | 1 |
autosave | Включает или отключает автоосовирование состояния агента. | ЛОЖЬ |
dashboard | Включает или отключает панель панели для агента. | ЛОЖЬ |
verbose | Управляет условно -докладом вывода агента. | ЛОЖЬ |
dynamic_temperature_enabled | Включает или отключает динамическую регулировку температуры для языковой модели. | ЛОЖЬ |
saved_state_path | Путь к спасению состояния агента. | "Agent_state.json" |
user_name | Имя пользователя, связанное с агентом. | "default_user" |
retry_attempts | Количество попыток повторения для неудачных задач. | 1 |
context_length | Максимальная длина контекста для рассмотрения для задач. | 200000 |
return_step_meta | Управляет, возвращать ли шаги метаданные в выходе. | ЛОЖЬ |
output_type | Тип вывода для возврата (например, «json», «String»). | "нить" |
import os
from swarms import Agent
from swarm_models import OpenAIChat
from swarms . prompts . finance_agent_sys_prompt import (
FINANCIAL_AGENT_SYS_PROMPT ,
)
from dotenv import load_dotenv
load_dotenv ()
# Get the OpenAI API key from the environment variable
api_key = os . getenv ( "OPENAI_API_KEY" )
# Create an instance of the OpenAIChat class
model = OpenAIChat (
openai_api_key = api_key , model_name = "gpt-4o-mini" , temperature = 0.1
)
# Initialize the agent
agent = Agent (
agent_name = "Financial-Analysis-Agent" ,
system_prompt = FINANCIAL_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
dashboard = False ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "finance_agent.json" ,
user_name = "swarms_corp" ,
retry_attempts = 1 ,
context_length = 200000 ,
return_step_meta = False ,
output_type = "string" ,
streaming_on = False ,
)
agent . run (
"How can I establish a ROTH IRA to buy stocks and get a tax break? What are the criteria"
) Agent оснащен квази-инфинитной долгосрочной памятью с использованием RAG (график реляционного агента) для расширенного понимания, анализа и поиска документов.
Диаграмма русалки для интеграции тряпки
График тд
[Инициализированный агент с тряпкой] -> b [Задача получения]
B-> c [Запрос долговременной памяти]
C -> D [Задача процесса с контекстом]
D -> E [генерировать ответ]
E-> f [обновить долговременную память]
F -> g [вернуть выход]
Шаг 1: Инициализируйте клиент ChromADB
import os
from swarms_memory import ChromaDB
# Initialize the ChromaDB client for long-term memory management
chromadb = ChromaDB (
metric = "cosine" , # Metric for similarity measurement
output_dir = "finance_agent_rag" , # Directory for storing RAG data
# docs_folder="artifacts", # Uncomment and specify the folder containing your documents
)Шаг 2: Определите модель
from swarm_models import Anthropic
from swarms . prompts . finance_agent_sys_prompt import (
FINANCIAL_AGENT_SYS_PROMPT ,
)
# Define the Anthropic model for language processing
model = Anthropic ( anthropic_api_key = os . getenv ( "ANTHROPIC_API_KEY" ))Шаг 3: Инициализируйте агент с помощью тряпки
from swarms import Agent
# Initialize the agent with RAG capabilities
agent = Agent (
agent_name = "Financial-Analysis-Agent" ,
system_prompt = FINANCIAL_AGENT_SYS_PROMPT ,
agent_description = "Agent creates a comprehensive financial analysis" ,
llm = model ,
max_loops = "auto" , # Auto-adjusts loops based on task complexity
autosave = True , # Automatically saves agent state
dashboard = False , # Disables dashboard for this example
verbose = True , # Enables verbose mode for detailed output
streaming_on = True , # Enables streaming for real-time processing
dynamic_temperature_enabled = True , # Dynamically adjusts temperature for optimal performance
saved_state_path = "finance_agent.json" , # Path to save agent state
user_name = "swarms_corp" , # User name for the agent
retry_attempts = 3 , # Number of retry attempts for failed tasks
context_length = 200000 , # Maximum length of the context to consider
long_term_memory = chromadb , # Integrates ChromaDB for long-term memory management
return_step_meta = False ,
output_type = "string" ,
)
# Run the agent with a sample task
agent . run (
"What are the components of a startups stock incentive equity plan"
)Мы предоставляем огромный спектр функций, чтобы сэкономить государствами агента, используя JSON, YAML, TOML, загрузку PDF -файл, пакетные задания и многое другое!
Метод таблица
| Метод | Описание |
|---|---|
to_dict() | Преобразует объект агента в словарь. |
to_toml() | Преобразует объект агента в строку Toml. |
model_dump_json() | Сбрасывает модель в файл JSON. |
model_dump_yaml() | Сбрасывает модель в файл YAML. |
ingest_docs() | Перегуляет документы в базу знаний агента. |
receive_message() | Получает сообщение от пользователя и обрабатывает его. |
send_agent_message() | Отправляет сообщение от агента пользователю. |
filtered_run() | Запускает агент с помощью подсказки отфильтрованной системы. |
bulk_run() | Запускает агент с несколькими системными подсказками. |
add_memory() | Добавляет память агенту. |
check_available_tokens() | Проверяет количество доступных токенов для агента. |
tokens_checks() | Выполняет проверки токенов для агента. |
print_dashboard() | Отпечатает приборную панель агента. |
get_docs_from_doc_folders() | Извлекает все документы из папок DOC. |
activate_agentops() | Активирует операции агента. |
check_end_session_agentops() | Проверяет конец сеанса на операции агента. |
# # Convert the agent object to a dictionary
print ( agent . to_dict ())
print ( agent . to_toml ())
print ( agent . model_dump_json ())
print ( agent . model_dump_yaml ())
# Ingest documents into the agent's knowledge base
agent . ingest_docs ( "your_pdf_path.pdf" )
# Receive a message from a user and process it
agent . receive_message ( name = "agent_name" , message = "message" )
# Send a message from the agent to a user
agent . send_agent_message ( agent_name = "agent_name" , message = "message" )
# Ingest multiple documents into the agent's knowledge base
agent . ingest_docs ( "your_pdf_path.pdf" , "your_csv_path.csv" )
# Run the agent with a filtered system prompt
agent . filtered_run (
"How can I establish a ROTH IRA to buy stocks and get a tax break? What are the criteria?"
)
# Run the agent with multiple system prompts
agent . bulk_run (
[
"How can I establish a ROTH IRA to buy stocks and get a tax break? What are the criteria?" ,
"Another system prompt" ,
]
)
# Add a memory to the agent
agent . add_memory ( "Add a memory to the agent" )
# Check the number of available tokens for the agent
agent . check_available_tokens ()
# Perform token checks for the agent
agent . tokens_checks ()
# Print the dashboard of the agent
agent . print_dashboard ()
# Fetch all the documents from the doc folders
agent . get_docs_from_doc_folders ()
# Activate agent ops
agent . activate_agentops ()
agent . check_end_session_agentops ()
# Dump the model to a JSON file
agent . model_dump_json ()
print ( agent . to_toml ())Agent с пидантской базоделем в качестве выходного типаНиже приведен пример агента, который приказывает пиджантскую базоделью и выводит ее одновременно:
from pydantic import BaseModel , Field
from swarms import Agent
from swarm_models import Anthropic
# Initialize the schema for the person's information
class Schema ( BaseModel ):
name : str = Field (..., title = "Name of the person" )
agent : int = Field (..., title = "Age of the person" )
is_student : bool = Field (..., title = "Whether the person is a student" )
courses : list [ str ] = Field (
..., title = "List of courses the person is taking"
)
# Convert the schema to a JSON string
tool_schema = Schema (
name = "Tool Name" ,
agent = 1 ,
is_student = True ,
courses = [ "Course1" , "Course2" ],
)
# Define the task to generate a person's information
task = "Generate a person's information based on the following schema:"
# Initialize the agent
agent = Agent (
agent_name = "Person Information Generator" ,
system_prompt = (
"Generate a person's information based on the following schema:"
),
# Set the tool schema to the JSON string -- this is the key difference
tool_schema = tool_schema ,
llm = Anthropic (),
max_loops = 3 ,
autosave = True ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
interactive = True ,
# Set the output type to the tool schema which is a BaseModel
output_type = tool_schema , # or dict, or str
metadata_output_type = "json" ,
# List of schemas that the agent can handle
list_base_models = [ tool_schema ],
function_calling_format_type = "OpenAI" ,
function_calling_type = "json" , # or soon yaml
)
# Run the agent to generate the person's information
generated_data = agent . run ( task )
# Print the generated data
print ( f"Generated data: { generated_data } " )
Запустите агента с несколькими модальностями, полезными для различных реальных задач в области производства, логистики и здоровья.
import os
from dotenv import load_dotenv
from swarms import Agent
from swarm_models import GPT4VisionAPI
# Load the environment variables
load_dotenv ()
# Initialize the language model
llm = GPT4VisionAPI (
openai_api_key = os . environ . get ( "OPENAI_API_KEY" ),
max_tokens = 500 ,
)
# Initialize the task
task = (
"Analyze this image of an assembly line and identify any issues such as"
" misaligned parts, defects, or deviations from the standard assembly"
" process. IF there is anything unsafe in the image, explain why it is"
" unsafe and how it could be improved."
)
img = "assembly_line.jpg"
## Initialize the workflow
agent = Agent (
agent_name = "Multi-ModalAgent" ,
llm = llm ,
max_loops = "auto" ,
autosave = True ,
dashboard = True ,
multi_modal = True
)
# Run the workflow on a task
agent . run ( task , img )ToolAgentToolagent - это агент, который может использовать инструменты с помощью вызова функции JSON. Он применяет любую модель с открытым исходным кодом от HuggingFace и чрезвычайно модульной, подключайте и играет. Нам нужна помощь, добавив общую поддержку всем моделям в ближайшее время.
from pydantic import BaseModel , Field
from transformers import AutoModelForCausalLM , AutoTokenizer
from swarms import ToolAgent
from swarms . utils . json_utils import base_model_to_json
# Load the pre-trained model and tokenizer
model = AutoModelForCausalLM . from_pretrained (
"databricks/dolly-v2-12b" ,
load_in_4bit = True ,
device_map = "auto" ,
)
tokenizer = AutoTokenizer . from_pretrained ( "databricks/dolly-v2-12b" )
# Initialize the schema for the person's information
class Schema ( BaseModel ):
name : str = Field (..., title = "Name of the person" )
agent : int = Field (..., title = "Age of the person" )
is_student : bool = Field (
..., title = "Whether the person is a student"
)
courses : list [ str ] = Field (
..., title = "List of courses the person is taking"
)
# Convert the schema to a JSON string
tool_schema = base_model_to_json ( Schema )
# Define the task to generate a person's information
task = (
"Generate a person's information based on the following schema:"
)
# Create an instance of the ToolAgent class
agent = ToolAgent (
name = "dolly-function-agent" ,
description = "Ana gent to create a child data" ,
model = model ,
tokenizer = tokenizer ,
json_schema = tool_schema ,
)
# Run the agent to generate the person's information
generated_data = agent . run ( task )
# Print the generated data
print ( f"Generated data: { generated_data } " )Интеграция внешних агентов из других агентских рамок легко с рой.
Шаги:
Agent.run(task: str) -> str , который запускает агент и возвращает ответ.Например, вот пример того, как создать агента из Griptape.
Вот как вы можете создать пользовательский агент Griptape , который интегрируется с рамками роя , унаследовав от класса Agent в роях и переоценивая метод run(task: str) -> str .
from swarms import (
Agent as SwarmsAgent ,
) # Import the base Agent class from Swarms
from griptape . structures import Agent as GriptapeAgent
from griptape . tools import (
WebScraperTool ,
FileManagerTool ,
PromptSummaryTool ,
)
# Create a custom agent class that inherits from SwarmsAgent
class GriptapeSwarmsAgent ( SwarmsAgent ):
def __init__ ( self , * args , ** kwargs ):
# Initialize the Griptape agent with its tools
self . agent = GriptapeAgent (
input = "Load {{ args[0] }}, summarize it, and store it in a file called {{ args[1] }}." ,
tools = [
WebScraperTool ( off_prompt = True ),
PromptSummaryTool ( off_prompt = True ),
FileManagerTool (),
],
* args ,
** kwargs ,
# Add additional settings
)
# Override the run method to take a task and execute it using the Griptape agent
def run ( self , task : str ) -> str :
# Extract URL and filename from task (you can modify this parsing based on task structure)
url , filename = task . split (
","
) # Example of splitting task string
# Execute the Griptape agent with the task inputs
result = self . agent . run ( url . strip (), filename . strip ())
# Return the final result as a string
return str ( result )
# Example usage:
griptape_swarms_agent = GriptapeSwarmsAgent ()
output = griptape_swarms_agent . run (
"https://griptape.ai, griptape.txt"
)
print ( output )SwarmsAgent класса и интегрирует агента Griptape.WebScraperTool , PromptSummaryTool , FileManagerTool ) позволяют для соскобки, суммирования и управления файлами веб -соскоба.Теперь вы можете легко подключить этого пользовательского агента Griptape к рамке роя и использовать его для выполнения задач!
Рой относится к группе из более чем двух агентов, работающих совместно для достижения общей цели. Этими агентами могут быть программные объекты, такие как LLM, которые взаимодействуют друг с другом, для выполнения сложных задач. Концепция роя вдохновлена природными системами, такими как колонии муравей или птичьи стада, где простое индивидуальное поведение приводит к сложной групповой динамике и возможностям решения проблем.
Архитектуры роя предназначены для установления и управления коммуникацией между агентами в рамках роя. Эти архитектуры определяют, как агенты взаимодействуют, делятся информацией, и координируют свои действия для достижения желаемых результатов. Вот несколько ключевых аспектов архитектур роя:
Иерархическое общение : в иерархических роях общение течет от агентов более высокого уровня к агентам более низкого уровня. Агенты более высокого уровня выступают в качестве координаторов, распределяют задачи и агрегирующие результаты. Эта структура эффективна для задач, которые требуют нисходящего контроля и принятия решений.
Параллельное общение : параллельные рой, агенты работают независимо и общаются друг с другом по мере необходимости. Эта архитектура подходит для задач, которые могут быть обработаны одновременно без зависимостей, что обеспечивает более быстрое выполнение и масштабируемость.
Последовательная связь : задачи процесса последовательных рой в линейном порядке, где выход каждого агента становится входом для следующего агента. Это гарантирует, что задачи с зависимостями обрабатываются в правильной последовательности, сохраняя целостность рабочего процесса.
Сетчатая связь : в сетчатых роях агенты полностью связаны, что позволяет любому агенту общаться с любым другим агентом. Эта настройка обеспечивает высокую гибкость и избыточность, что делает ее идеальным для сложных систем, требующих динамических взаимодействий.
Федеративное общение : федеративные рой включают несколько независимых рой, которые сотрудничают, обмениваясь информацией и результатами. Каждый рой работает автономно, но может способствовать более крупной задаче, позволяя распределенному решению проблем в разных узлах.
Архитектуры роя используют эти модели связи, чтобы обеспечить эффективную работу агентов, адаптируясь к конкретным требованиям поставленной задачи. Определяя четкие протоколы связи и модели взаимодействия, архитектура роя обеспечивает бесшовную оркестровку нескольких агентов, что приводит к повышению производительности и возможностей решения проблем.
| Имя | Описание | Кодовая ссылка | Варианты использования |
|---|---|---|---|
| Иерархические роя | Система, в которой агенты организованы в иерархии, причем агенты более высокого уровня координируют агенты более низкого уровня для выполнения сложных задач. | Кодовая ссылка | Оптимизация процессов производства, многоуровневое управление продажами, координация ресурсов здравоохранения |
| Агент переставляется | Установка, в которой агенты перестраивают себя динамически на основе требований задачи и условий окружающей среды. | Кодовая ссылка | Адаптивные производственные линии, динамическая перестройка территории продаж, гибкий медицинский персонал |
| Одновременные рабочие процессы | Агенты выполняют разные задачи одновременно, координируя для достижения большей цели. | Кодовая ссылка | Одновременные производственные линии, параллельные продажи, одновременные процессы ухода за пациентами |
| Последовательная координация | Агенты выполняют задачи в определенной последовательности, где выполнение одной задачи вызывает начало следующей. | Кодовая ссылка | Пошаговые сборочные линии, последовательные процессы продаж, пошаговые рабочие процессы лечения пациента |
| Параллельная обработка | Агенты работают на разных частях задачи одновременно, чтобы ускорить общий процесс. | Кодовая ссылка | Параллельная обработка данных в производстве, одновременной аналитике продаж, одновременных медицинских тестах |
| Смесь агентов | Гетерогенный рой, где агенты с различными возможностями объединяются для решения сложных задач. | Кодовая ссылка | Финансовое прогнозирование, сложное решение проблем, требующее разнообразных навыков |
| График рабочий процесс | Агенты сотрудничают в формате направленного ациклического графика (DAG) для управления зависимостями и параллельными задачами. | Кодовая ссылка | ИИ, управляемые ИИ, трубопроводы разработки программного обеспечения, сложное управление проектами |
| Групповой чат | Агенты участвуют в взаимодействии, подобном чату для совместного принятия решений. | Кодовая ссылка | Сотрудничество в режиме реального времени, переговоры по контракту |
| Агент реестр | Централизованный реестр, где агенты хранятся, извлекаются и динамически вызывают. | Кодовая ссылка | Динамическое управление агентами, развивающиеся рекомендательные двигатели |
| Электронная таблица рой | Управляет задачами в масштабе, отслеживая выходы агента в структурированном формате, как файлы CSV. | Кодовая ссылка | Крупномасштабная маркетинговая аналитика, финансовые аудиты |
| Лесной рой | Структура роя, которая организует агенты в иерархии, подобной деревьям, для сложных процессов принятия решений. | Кодовая ссылка | Многоэтапные рабочие процессы, иерархическое обучение подкреплению |
| Рой маршрутизатор | Маршруты и выбирают архитектуру роя на основе требований задачи и доступных агентов. | Кодовая ссылка | Динамическая маршрутизация задач, выбор архитектуры адаптивного роя, оптимизированное распределение агентов |
SequentialWorkflow Последовательный рабочий процесс позволяет последовательно выполнять задачи с Agent , а затем передавать выход в следующий агент и далее, пока вы не определите свои максимальные петли.
График LR
A [Агент 1] -> b [агент 2]
B -> c [агент 3]
C -> D [агент 4]
D -> E [Max Loops]
E -> f [конец]
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
__init__ | Инициализируйте SequentialWorkFlow | agents : список объектов агентаmax_loops : максимальное количество итерацийverbose : логическая для словесного вывода | Никто |
run | Выполнить рабочий процесс | input_data : начальный ввод для первого агента | Окончательный результат после того, как все агенты обработали |
| Вход | Тип | Описание |
|---|---|---|
agents | Список [Агент] | Список объектов агента, которые будут выполнены последовательно |
max_loops | инт | Максимальное количество раз, когда вся последовательность будет повторена |
verbose | буль | Если это правда, распечатайте подробную информацию во время выполнения |
Метод run возвращает окончательный выход после того, как все агенты обработали входной последовательно.
В этом примере каждый Agent представляет задачу, которая выполняется последовательно. Выход каждого агента передается следующему агенту в последовательности до тех пор, пока не будет достигнуто максимальное количество петель. Этот рабочий процесс особенно полезен для задач, которые требуют выполнения ряда шагов в определенном порядке, таких как трубопроводы обработки данных или сложные расчеты, которые зависят от вывода предыдущих шагов.
import os
from swarms import Agent , SequentialWorkflow
from swarm_models import OpenAIChat
# model = Anthropic(anthropic_api_key=os.getenv("ANTHROPIC_API_KEY"))
company = "Nvidia"
# Get the OpenAI API key from the environment variable
api_key = os . getenv ( "GROQ_API_KEY" )
# Model
model = OpenAIChat (
openai_api_base = "https://api.groq.com/openai/v1" ,
openai_api_key = api_key ,
model_name = "llama-3.1-70b-versatile" ,
temperature = 0.1 ,
)
# Initialize the Managing Director agent
managing_director = Agent (
agent_name = "Managing-Director" ,
system_prompt = f"""
As the Managing Director at Blackstone, your role is to oversee the entire investment analysis process for potential acquisitions.
Your responsibilities include:
1. Setting the overall strategy and direction for the analysis
2. Coordinating the efforts of the various team members and ensuring a comprehensive evaluation
3. Reviewing the findings and recommendations from each team member
4. Making the final decision on whether to proceed with the acquisition
For the current potential acquisition of { company } , direct the tasks for the team to thoroughly analyze all aspects of the company, including its financials, industry position, technology, market potential, and regulatory compliance. Provide guidance and feedback as needed to ensure a rigorous and unbiased assessment.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "managing-director.json" ,
)
# Initialize the Vice President of Finance
vp_finance = Agent (
agent_name = "VP-Finance" ,
system_prompt = f"""
As the Vice President of Finance at Blackstone, your role is to lead the financial analysis of potential acquisitions.
For the current potential acquisition of { company } , your tasks include:
1. Conducting a thorough review of { company } ' financial statements, including income statements, balance sheets, and cash flow statements
2. Analyzing key financial metrics such as revenue growth, profitability margins, liquidity ratios, and debt levels
3. Assessing the company's historical financial performance and projecting future performance based on assumptions and market conditions
4. Identifying any financial risks or red flags that could impact the acquisition decision
5. Providing a detailed report on your findings and recommendations to the Managing Director
Be sure to consider factors such as the sustainability of { company } ' business model, the strength of its customer base, and its ability to generate consistent cash flows. Your analysis should be data-driven, objective, and aligned with Blackstone's investment criteria.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "vp-finance.json" ,
)
# Initialize the Industry Analyst
industry_analyst = Agent (
agent_name = "Industry-Analyst" ,
system_prompt = f"""
As the Industry Analyst at Blackstone, your role is to provide in-depth research and analysis on the industries and markets relevant to potential acquisitions.
For the current potential acquisition of { company } , your tasks include:
1. Conducting a comprehensive analysis of the industrial robotics and automation solutions industry, including market size, growth rates, key trends, and future prospects
2. Identifying the major players in the industry and assessing their market share, competitive strengths and weaknesses, and strategic positioning
3. Evaluating { company } ' competitive position within the industry, including its market share, differentiation, and competitive advantages
4. Analyzing the key drivers and restraints for the industry, such as technological advancements, labor costs, regulatory changes, and economic conditions
5. Identifying potential risks and opportunities for { company } based on the industry analysis, such as disruptive technologies, emerging markets, or shifts in customer preferences
Your analysis should provide a clear and objective assessment of the attractiveness and future potential of the industrial robotics industry, as well as { company } ' positioning within it. Consider both short-term and long-term factors, and provide evidence-based insights to inform the investment decision.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "industry-analyst.json" ,
)
# Initialize the Technology Expert
tech_expert = Agent (
agent_name = "Tech-Expert" ,
system_prompt = f"""
As the Technology Expert at Blackstone, your role is to assess the technological capabilities, competitive advantages, and potential risks of companies being considered for acquisition.
For the current potential acquisition of { company } , your tasks include:
1. Conducting a deep dive into { company } ' proprietary technologies, including its robotics platforms, automation software, and AI capabilities
2. Assessing the uniqueness, scalability, and defensibility of { company } ' technology stack and intellectual property
3. Comparing { company } ' technologies to those of its competitors and identifying any key differentiators or technology gaps
4. Evaluating { company } ' research and development capabilities, including its innovation pipeline, engineering talent, and R&D investments
5. Identifying any potential technology risks or disruptive threats that could impact { company } ' long-term competitiveness, such as emerging technologies or expiring patents
Your analysis should provide a comprehensive assessment of { company } ' technological strengths and weaknesses, as well as the sustainability of its competitive advantages. Consider both the current state of its technology and its future potential in light of industry trends and advancements.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "tech-expert.json" ,
)
# Initialize the Market Researcher
market_researcher = Agent (
agent_name = "Market-Researcher" ,
system_prompt = f"""
As the Market Researcher at Blackstone, your role is to analyze the target company's customer base, market share, and growth potential to assess the commercial viability and attractiveness of the potential acquisition.
For the current potential acquisition of { company } , your tasks include:
1. Analyzing { company } ' current customer base, including customer segmentation, concentration risk, and retention rates
2. Assessing { company } ' market share within its target markets and identifying key factors driving its market position
3. Conducting a detailed market sizing and segmentation analysis for the industrial robotics and automation markets, including identifying high-growth segments and emerging opportunities
4. Evaluating the demand drivers and sales cycles for { company } ' products and services, and identifying any potential risks or limitations to adoption
5. Developing financial projections and estimates for { company } ' revenue growth potential based on the market analysis and assumptions around market share and penetration
Your analysis should provide a data-driven assessment of the market opportunity for { company } and the feasibility of achieving our investment return targets. Consider both bottom-up and top-down market perspectives, and identify any key sensitivities or assumptions in your projections.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "market-researcher.json" ,
)
# Initialize the Regulatory Specialist
regulatory_specialist = Agent (
agent_name = "Regulatory-Specialist" ,
system_prompt = f"""
As the Regulatory Specialist at Blackstone, your role is to identify and assess any regulatory risks, compliance requirements, and potential legal liabilities associated with potential acquisitions.
For the current potential acquisition of { company } , your tasks include:
1. Identifying all relevant regulatory bodies and laws that govern the operations of { company } , including industry-specific regulations, labor laws, and environmental regulations
2. Reviewing { company } ' current compliance policies, procedures, and track record to identify any potential gaps or areas of non-compliance
3. Assessing the potential impact of any pending or proposed changes to relevant regulations that could affect { company } ' business or create additional compliance burdens
4. Evaluating the potential legal liabilities and risks associated with { company } ' products, services, and operations, including product liability, intellectual property, and customer contracts
5. Providing recommendations on any regulatory or legal due diligence steps that should be taken as part of the acquisition process, as well as any post-acquisition integration considerations
Your analysis should provide a comprehensive assessment of the regulatory and legal landscape surrounding { company } , and identify any material risks or potential deal-breakers. Consider both the current state and future outlook, and provide practical recommendations to mitigate identified risks.
""" ,
llm = model ,
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "regulatory-specialist.json" ,
)
# Create a list of agents
agents = [
managing_director ,
vp_finance ,
industry_analyst ,
tech_expert ,
market_researcher ,
regulatory_specialist ,
]
swarm = SequentialWorkflow (
name = "blackstone-private-equity-advisors" ,
agents = agents ,
)
print (
swarm . run (
"Analyze nvidia if it's a good deal to invest in now 10B"
)
)AgentRearrange Техника оркестровки AgentRearrange , вдохновленная Einops и Einsum, позволяет вам определять и наметить отношения между различными агентами. Он предоставляет мощный инструмент для оркестровки сложных рабочих процессов, позволяя вам указать линейные и последовательные отношения, такие как a -> a1 -> a2 -> a3 , или одновременные отношения, где первый агент отправляет сообщение 3 агентам одновременно: a -> a1, a2, a3 . Этот уровень настройки позволяет создавать высокоэффективные и динамичные рабочие процессы, где агенты могут работать параллельно или в последовательности по мере необходимости. Техника AgentRearrange является ценным дополнением к библиотеке роя, обеспечивая новый уровень гибкости и контроля над оркестровкой агентов. Для получения более подробной информации и примеров, пожалуйста, обратитесь к официальной документации.
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
__init__ | Инициализируйте AgentRearrange | agents : список объектов агентаflow : строка, описывающая поток агента | Никто |
run | Выполнить рабочий процесс | input_data : начальный ввод для первого агента | Окончательный результат после того, как все агенты обработали |
| Вход | Тип | Описание |
|---|---|---|
agents | Список [Агент] | Список объектов агента, которые будут организованы |
flow | стр | Строка, описывающая поток агентов (например, «a -> b, c») |
Метод run возвращает конечный выход после того, как все агенты обработали вход в соответствии с указанным потоком.
from swarms import Agent , AgentRearrange
from swarm_models import Anthropic
# Initialize the director agent
director = Agent (
agent_name = "Director" ,
system_prompt = "Directs the tasks for the workers" ,
llm = Anthropic (),
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "director.json" ,
)
# Initialize worker 1
worker1 = Agent (
agent_name = "Worker1" ,
system_prompt = "Generates a transcript for a youtube video on what swarms are" ,
llm = Anthropic (),
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "worker1.json" ,
)
# Initialize worker 2
worker2 = Agent (
agent_name = "Worker2" ,
system_prompt = "Summarizes the transcript generated by Worker1" ,
llm = Anthropic (),
max_loops = 1 ,
dashboard = False ,
streaming_on = True ,
verbose = True ,
stopping_token = "<DONE>" ,
state_save_file_type = "json" ,
saved_state_path = "worker2.json" ,
)
# Create a list of agents
agents = [ director , worker1 , worker2 ]
# Define the flow pattern
flow = "Director -> Worker1 -> Worker2"
# Using AgentRearrange class
agent_system = AgentRearrange ( agents = agents , flow = flow )
output = agent_system . run (
"Create a format to express and communicate swarms of llms in a structured manner for youtube"
)
print ( output )HierarhicalSwarmВскоре...
GraphSwarm GraphSwarm - это система управления рабочими процессами, предназначенная для организации сложных задач, используя силу теории графика. Это позволяет создавать направленный ациклический график (DAG) для моделирования зависимостей между задачами и агентами. Это обеспечивает эффективное назначение, выполнение и мониторинг задач.
Вот разбивка того, как работает GraphSwarm :
GraphSwarm состоит из узлов, которые могут быть агентами или задачами. Агенты несут ответственность за выполнение задач, а задачи представляют конкретные операции, которые необходимо выполнить. В примере создаются два агента ( agent1 и agent2 ) и одна задача ( task1 ).agent1 и agent2 к task1 , что указывает на то, что оба агента способны выполнять task1 .GraphSwarm требует определения точек входа (где начинается рабочий процесс) и конечных точек (где завершается рабочий процесс). В этом примере agent1 и agent2 устанавливаются в качестве точек входа, а task1 устанавливается как конечная точка.GraphSwarm предоставляет функцию визуализации для графического представления рабочего процесса. Это позволяет легко понять и отладку структуры рабочего процесса.GraphSwarm выполняется путем прохождения графика из точек входа к конечной точкам. В этом случае как agent1 , так и agent2 выполняют task1 одновременно, и результаты собираются.task1 является «задача завершена». GraphSwarm предлагает несколько преимуществ, в том числе:
Используя GraphSwarm , сложные рабочие процессы могут эффективно управляться, и задачи могут выполняться скоординированным и масштабируемым образом.
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
add_node | Добавить узел на график | node : объект узла | Никто |
add_edge | Добавить край к графику | edge : Edge Object | Никто |
set_entry_points | Установите точки входа графика | entry_points : список идентификаторов узлов | Никто |
set_end_points | Установите конечные точки графика | end_points : список идентификаторов узлов | Никто |
visualize | Генерировать визуальное представление графика | Никто | Строковое представление графика |
run | Выполнить рабочий процесс | Никто | Словарь результатов исполнения |
| Вход | Тип | Описание |
|---|---|---|
Node | Объект | Представляет узел на графике (агент или задача) |
Edge | Объект | Представляет собой край, соединяющий два узла |
entry_points | Список [str] | Список идентификаторов узлов, где начинается рабочий процесс |
end_points | Список [str] | Список идентификаторов узлов, где заканчивается рабочий процесс |
Метод run возвращает словарь, содержащий результаты выполнения всех узлов на графике.
import os
from dotenv import load_dotenv
from swarms import Agent , Edge , GraphWorkflow , Node , NodeType
from swarm_models import OpenAIChat
load_dotenv ()
api_key = os . environ . get ( "OPENAI_API_KEY" )
llm = OpenAIChat (
temperature = 0.5 , openai_api_key = api_key , max_tokens = 4000
)
agent1 = Agent ( llm = llm , max_loops = 1 , autosave = True , dashboard = True )
agent2 = Agent ( llm = llm , max_loops = 1 , autosave = True , dashboard = True )
def sample_task ():
print ( "Running sample task" )
return "Task completed"
wf_graph = GraphWorkflow ()
wf_graph . add_node ( Node ( id = "agent1" , type = NodeType . AGENT , agent = agent1 ))
wf_graph . add_node ( Node ( id = "agent2" , type = NodeType . AGENT , agent = agent2 ))
wf_graph . add_node (
Node ( id = "task1" , type = NodeType . TASK , callable = sample_task )
)
wf_graph . add_edge ( Edge ( source = "agent1" , target = "task1" ))
wf_graph . add_edge ( Edge ( source = "agent2" , target = "task1" ))
wf_graph . set_entry_points ([ "agent1" , "agent2" ])
wf_graph . set_end_points ([ "task1" ])
print ( wf_graph . visualize ())
# Run the workflow
results = wf_graph . run ()
print ( "Execution results:" , results )MixtureOfAgentsЭто реализация, основанная на статье: «Mixture-Of-Agents расширяет возможности крупных языковых моделей» от kloand.ai, доступной по адресу https://arxiv.org/abs/2406.04692. Он достигает современных результатов (SOTA) на Alpacaeval 2.0, Mt-Bench и Flask, превосходя GPT-4 Omni. Эта архитектура особенно подходит для задач, которые требуют параллелизации с последующей последовательной обработкой в другом цикле.
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
__init__ | Инициализируйте смеси | name : Имя рояagents : список объектов агентаlayers : количество слоев обработкиfinal_agent : агент для окончательной обработки | Никто |
run | Выполнить рой | task : входная задача для роя | Окончательный результат после того, как все агенты обработали |
| Вход | Тип | Описание |
|---|---|---|
name | стр | Имя роя |
agents | Список [Агент] | Список объектов агента, которые будут использоваться в рой |
layers | инт | Количество слоев обработки в рой |
final_agent | Агент | Агент, ответственный за окончательную обработку |
Метод run возвращает конечный выход после того, как все агенты обработали вход в соответствии с указанными уровнями и конечным агентом.
import os
from swarm_models import OpenAIChat
from swarms import Agent , MixtureOfAgents
api_key = os . getenv ( "OPENAI_API_KEY" )
# Create individual agents with the OpenAIChat model
model = OpenAIChat (
openai_api_key = api_key , model_name = "gpt-4" , temperature = 0.1
)
# Agent 1: Financial Statement Analyzer
agent1 = Agent (
agent_name = "FinancialStatementAnalyzer" ,
llm = model ,
system_prompt = """You are a Financial Statement Analyzer specializing in 10-K SEC reports. Your primary focus is on analyzing the financial statements, including the balance sheet, income statement, and cash flow statement.
Key responsibilities:
1. Identify and explain significant changes in financial metrics year-over-year.
2. Calculate and interpret key financial ratios (e.g., liquidity ratios, profitability ratios, leverage ratios).
3. Analyze trends in revenue, expenses, and profitability.
4. Highlight any red flags or areas of concern in the financial statements.
5. Provide insights on the company's financial health and performance based on the data.
When analyzing, consider industry standards and compare the company's performance to its peers when possible. Your analysis should be thorough, data-driven, and provide actionable insights for investors and stakeholders.""" ,
max_loops = 1 ,
autosave = True ,
dashboard = False ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "financial_statement_analyzer_state.json" ,
user_name = "swarms_corp" ,
retry_attempts = 1 ,
context_length = 200000 ,
return_step_meta = False ,
)
# Agent 2: Risk Assessment Specialist
agent2 = Agent (
agent_name = "RiskAssessmentSpecialist" ,
llm = model ,
system_prompt = """You are a Risk Assessment Specialist focusing on 10-K SEC reports. Your primary role is to identify, analyze, and evaluate potential risks disclosed in the report.
Key responsibilities:
1. Thoroughly review the "Risk Factors" section of the 10-K report.
2. Identify and categorize different types of risks (e.g., operational, financial, legal, market, technological).
3. Assess the potential impact and likelihood of each identified risk.
4. Analyze the company's risk mitigation strategies and their effectiveness.
5. Identify any emerging risks not explicitly mentioned but implied by the company's operations or market conditions.
6. Compare the company's risk profile with industry peers when possible.
Your analysis should provide a comprehensive overview of the company's risk landscape, helping stakeholders understand the potential challenges and uncertainties facing the business. Be sure to highlight any critical risks that could significantly impact the company's future performance or viability.""" ,
max_loops = 1 ,
autosave = True ,
dashboard = False ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "risk_assessment_specialist_state.json" ,
user_name = "swarms_corp" ,
retry_attempts = 1 ,
context_length = 200000 ,
return_step_meta = False ,
)
# Agent 3: Business Strategy Evaluator
agent3 = Agent (
agent_name = "BusinessStrategyEvaluator" ,
llm = model ,
system_prompt = """You are a Business Strategy Evaluator specializing in analyzing 10-K SEC reports. Your focus is on assessing the company's overall strategy, market position, and future outlook.
Key responsibilities:
1. Analyze the company's business description, market opportunities, and competitive landscape.
2. Evaluate the company's products or services, including their market share and growth potential.
3. Assess the effectiveness of the company's current business strategy and its alignment with market trends.
4. Identify key performance indicators (KPIs) and evaluate the company's performance against these metrics.
5. Analyze management's discussion and analysis (MD&A) section to understand their perspective on the business.
6. Identify potential growth opportunities or areas for improvement in the company's strategy.
7. Compare the company's strategic position with key competitors in the industry.
Your analysis should provide insights into the company's strategic direction, its ability to create value, and its potential for future growth. Consider both short-term and long-term perspectives in your evaluation.""" ,
max_loops = 1 ,
autosave = True ,
dashboard = False ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "business_strategy_evaluator_state.json" ,
user_name = "swarms_corp" ,
retry_attempts = 1 ,
context_length = 200000 ,
return_step_meta = False ,
)
# Aggregator Agent
aggregator_agent = Agent (
agent_name = "10KReportAggregator" ,
llm = model ,
system_prompt = """You are the 10-K Report Aggregator, responsible for synthesizing and summarizing the analyses provided by the Financial Statement Analyzer, Risk Assessment Specialist, and Business Strategy Evaluator. Your goal is to create a comprehensive, coherent, and insightful summary of the 10-K SEC report.
Key responsibilities:
1. Integrate the financial analysis, risk assessment, and business strategy evaluation into a unified report.
2. Identify and highlight the most critical information and insights from each specialist's analysis.
3. Reconcile any conflicting information or interpretations among the specialists' reports.
4. Provide a balanced view of the company's overall performance, risks, and strategic position.
5. Summarize key findings and their potential implications for investors and stakeholders.
6. Identify any areas where further investigation or clarification may be needed.
Your final report should be well-structured, easy to understand, and provide a holistic view of the company based on the 10-K SEC report. It should offer valuable insights for decision-making while acknowledging any limitations or uncertainties in the analysis.""" ,
max_loops = 1 ,
autosave = True ,
dashboard = False ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "10k_report_aggregator_state.json" ,
user_name = "swarms_corp" ,
retry_attempts = 1 ,
context_length = 200000 ,
return_step_meta = False ,
)
# Create the Mixture of Agents class
moa = MixtureOfAgents (
agents = [ agent1 , agent2 , agent3 ],
aggregator_agent = aggregator_agent ,
aggregator_system_prompt = """As the 10-K Report Aggregator, your task is to synthesize the analyses provided by the Financial Statement Analyzer, Risk Assessment Specialist, and Business Strategy Evaluator into a comprehensive and coherent report.
Follow these steps:
1. Review and summarize the key points from each specialist's analysis.
2. Identify common themes and insights across the analyses.
3. Highlight any discrepancies or conflicting interpretations, if present.
4. Provide a balanced and integrated view of the company's financial health, risks, and strategic position.
5. Summarize the most critical findings and their potential impact on investors and stakeholders.
6. Suggest areas for further investigation or monitoring, if applicable.
Your final output should be a well-structured, insightful report that offers a holistic view of the company based on the 10-K SEC report analysis.""" ,
layers = 3 ,
)
# Example usage
company_name = "NVIDIA"
out = moa . run (
f"Analyze the latest 10-K SEC report for { company_name } . Provide a comprehensive summary of the company's financial performance, risk profile, and business strategy."
)
print ( out ) SpreadSheetSwarm предназначена для одновременного управления и надзора за тысячами агентов, что облегчает подход от одного ко многим для эффективного обработки задач и анализа выхода.
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
__init__ | Инициализируйте электронную таблицу | name : Имя рояdescription : Описание рояagents : список объектов агентаautosave_on : Boolean для включения Autosavesave_file_path : путь к сохранению электронной таблицыrun_all_agents : BOOLEN для запуска всех агентов или нетmax_loops : максимальное количество петель | Никто |
run | Выполнить рой | task : входная задача для роя | Словарь выходов агента |
| Вход | Тип | Описание |
|---|---|---|
name | стр | Имя роя |
description | стр | Описание цели роя |
agents | Список [Агент] | Список объектов агента, которые будут использоваться в рой |
autosave_on | буль | Включить аутосовирование результатов |
save_file_path | стр | Путь к сохранению результатов электронной таблицы |
run_all_agents | буль | Запускать все агенты или выбирать на основе актуальности |
max_loops | инт | Максимальное количество обработки петлей |
Метод run возвращает словарь, содержащий выходы каждого агента, который обрабатывал задачу.
Узнайте больше о документах здесь:
import os
from swarms import Agent
from swarm_models import OpenAIChat
from swarms . structs . spreadsheet_swarm import SpreadSheetSwarm
# Define custom system prompts for each social media platform
TWITTER_AGENT_SYS_PROMPT = """
You are a Twitter marketing expert specializing in real estate. Your task is to create engaging, concise tweets to promote properties, analyze trends to maximize engagement, and use appropriate hashtags and timing to reach potential buyers.
"""
INSTAGRAM_AGENT_SYS_PROMPT = """
You are an Instagram marketing expert focusing on real estate. Your task is to create visually appealing posts with engaging captions and hashtags to showcase properties, targeting specific demographics interested in real estate.
"""
FACEBOOK_AGENT_SYS_PROMPT = """
You are a Facebook marketing expert for real estate. Your task is to craft posts optimized for engagement and reach on Facebook, including using images, links, and targeted messaging to attract potential property buyers.
"""
LINKEDIN_AGENT_SYS_PROMPT = """
You are a LinkedIn marketing expert for the real estate industry. Your task is to create professional and informative posts, highlighting property features, market trends, and investment opportunities, tailored to professionals and investors.
"""
EMAIL_AGENT_SYS_PROMPT = """
You are an Email marketing expert specializing in real estate. Your task is to write compelling email campaigns to promote properties, focusing on personalization, subject lines, and effective call-to-action strategies to drive conversions.
"""
# Example usage:
api_key = os . getenv ( "OPENAI_API_KEY" )
# Model
model = OpenAIChat (
openai_api_key = api_key , model_name = "gpt-4o-mini" , temperature = 0.1
)
# Initialize your agents for different social media platforms
agents = [
Agent (
agent_name = "Twitter-RealEstate-Agent" ,
system_prompt = TWITTER_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
dynamic_temperature_enabled = True ,
saved_state_path = "twitter_realestate_agent.json" ,
user_name = "realestate_swarms" ,
retry_attempts = 1 ,
),
Agent (
agent_name = "Instagram-RealEstate-Agent" ,
system_prompt = INSTAGRAM_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
dynamic_temperature_enabled = True ,
saved_state_path = "instagram_realestate_agent.json" ,
user_name = "realestate_swarms" ,
retry_attempts = 1 ,
),
Agent (
agent_name = "Facebook-RealEstate-Agent" ,
system_prompt = FACEBOOK_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
dynamic_temperature_enabled = True ,
saved_state_path = "facebook_realestate_agent.json" ,
user_name = "realestate_swarms" ,
retry_attempts = 1 ,
),
Agent (
agent_name = "LinkedIn-RealEstate-Agent" ,
system_prompt = LINKEDIN_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
dynamic_temperature_enabled = True ,
saved_state_path = "linkedin_realestate_agent.json" ,
user_name = "realestate_swarms" ,
retry_attempts = 1 ,
),
Agent (
agent_name = "Email-RealEstate-Agent" ,
system_prompt = EMAIL_AGENT_SYS_PROMPT ,
llm = model ,
max_loops = 1 ,
dynamic_temperature_enabled = True ,
saved_state_path = "email_realestate_agent.json" ,
user_name = "realestate_swarms" ,
retry_attempts = 1 ,
),
]
# Create a Swarm with the list of agents
swarm = SpreadSheetSwarm (
name = "Real-Estate-Marketing-Swarm" ,
description = "A swarm that processes real estate marketing tasks using multiple agents on different threads." ,
agents = agents ,
autosave_on = True ,
save_file_path = "real_estate_marketing_spreadsheet.csv" ,
run_all_agents = False ,
max_loops = 2 ,
)
# Run the swarm
swarm . run (
task = """
Create posts to promote luxury properties in North Texas, highlighting their features, location, and investment potential. Include relevant hashtags, images, and engaging captions.
Property:
$10,399,000
1609 Meandering Way Dr, Roanoke, TX 76262
Link to the property: https://www.zillow.com/homedetails/1609-Meandering-Way-Dr-Roanoke-TX-76262/308879785_zpid/
What's special
Unveiling a new custom estate in the prestigious gated Quail Hollow Estates! This impeccable residence, set on a sprawling acre surrounded by majestic trees, features a gourmet kitchen equipped with top-tier Subzero and Wolf appliances. European soft-close cabinets and drawers, paired with a double Cambria Quartzite island, perfect for family gatherings. The first-floor game room&media room add extra layers of entertainment. Step into the outdoor sanctuary, where a sparkling pool and spa, and sunken fire pit, beckon leisure. The lavish master suite features stunning marble accents, custom his&her closets, and a secure storm shelter.Throughout the home,indulge in the visual charm of designer lighting and wallpaper, elevating every space. The property is complete with a 6-car garage and a sports court, catering to the preferences of basketball or pickleball enthusiasts. This residence seamlessly combines luxury&recreational amenities, making it a must-see for the discerning buyer.
Facts & features
Interior
Bedrooms & bathrooms
Bedrooms: 6
Bathrooms: 8
Full bathrooms: 7
1/2 bathrooms: 1
Primary bedroom
Bedroom
Features: Built-in Features, En Suite Bathroom, Walk-In Closet(s)
Cooling
Central Air, Ceiling Fan(s), Electric
Appliances
Included: Built-In Gas Range, Built-In Refrigerator, Double Oven, Dishwasher, Gas Cooktop, Disposal, Ice Maker, Microwave, Range, Refrigerator, Some Commercial Grade, Vented Exhaust Fan, Warming Drawer, Wine Cooler
Features
Wet Bar, Built-in Features, Dry Bar, Decorative/Designer Lighting Fixtures, Eat-in Kitchen, Elevator, High Speed Internet, Kitchen Island, Pantry, Smart Home, Cable TV, Walk-In Closet(s), Wired for Sound
Flooring: Hardwood
Has basement: No
Number of fireplaces: 3
Fireplace features: Living Room, Primary Bedroom
Interior area
Total interior livable area: 10,466 sqft
Total spaces: 12
Parking features: Additional Parking
Attached garage spaces: 6
Carport spaces: 6
Features
Levels: Two
Stories: 2
Patio & porch: Covered
Exterior features: Built-in Barbecue, Barbecue, Gas Grill, Lighting, Outdoor Grill, Outdoor Living Area, Private Yard, Sport Court, Fire Pit
Pool features: Heated, In Ground, Pool, Pool/Spa Combo
Fencing: Wrought Iron
Lot
Size: 1.05 Acres
Details
Additional structures: Outdoor Kitchen
Parcel number: 42232692
Special conditions: Standard
Construction
Type & style
Home type: SingleFamily
Architectural style: Contemporary/Modern,Detached
Property subtype: Single Family Residence
"""
)ForestSwarm Архитектура ForestSwarm предназначена для эффективного назначения задач путем динамического выбора наиболее подходящего агента из коллекции деревьев. Это достигается с помощью асинхронной обработки задач, где агенты выбираются на основе их актуальности для поставленной задачи. Актуальность определяется путем расчета сходства между подсказками системы, связанными с каждым агентом, и ключевыми словами, присутствующими в самой задаче. Для более глубокого понимания того, как работает ForestSwarm , пожалуйста, обратитесь к официальной документации.
| Метод | Описание | Параметры | Возвращаемое значение |
|---|---|---|---|
__init__ | Инициализируйте ForestSwarm | trees : список объектов деревьев | Никто |
run | Выполнить ForestSwarm | task : входная задача для роя | Вывод от наиболее соответствующего агента |
| Вход | Тип | Описание |
|---|---|---|
trees | Список [Дерево] | Список объектов дерева, каждый из которых содержит Treeagent объекты |
task | стр | Задача, которая должна быть обработана ForestWarm |
Метод run возвращает выход из наиболее релевантного агента, выбранного на основе входной задачи.
from swarms . structs . tree_swarm import TreeAgent , Tree , ForestSwarm
# Create agents with varying system prompts and dynamically generated distances/keywords
agents_tree1 = [
TreeAgent (
system_prompt = """You are an expert Stock Analysis Agent with deep knowledge of financial markets, technical analysis, and fundamental analysis. Your primary function is to analyze stock performance, market trends, and provide actionable insights. When analyzing stocks:
1. Always start with a brief overview of the current market conditions.
2. Use a combination of technical indicators (e.g., moving averages, RSI, MACD) and fundamental metrics (e.g., P/E ratio, EPS growth, debt-to-equity).
3. Consider both short-term and long-term perspectives in your analysis.
4. Provide clear buy, hold, or sell recommendations with supporting rationale.
5. Highlight potential risks and opportunities specific to each stock or sector.
6. Use bullet points for clarity when listing key points or metrics.
7. If relevant, compare the stock to its peers or sector benchmarks.
Remember to maintain objectivity and base your analysis on factual data. If asked about future performance, always include a disclaimer about market unpredictability. Your goal is to provide comprehensive, accurate, and actionable stock analysis to inform investment decisions.""" ,
agent_name = "Stock Analysis Agent" ,
),
TreeAgent (
system_prompt = """You are a highly skilled Financial Planning Agent, specializing in personal and corporate financial strategies. Your role is to provide comprehensive financial advice tailored to each client's unique situation. When creating financial plans:
1. Begin by asking key questions about the client's financial goals, current situation, and risk tolerance.
2. Develop a holistic view of the client's finances, including income, expenses, assets, and liabilities.
3. Create detailed, step-by-step action plans to achieve financial goals.
4. Provide specific recommendations for budgeting, saving, and investing.
5. Consider tax implications and suggest tax-efficient strategies.
6. Incorporate risk management and insurance planning into your recommendations.
7. Use charts or tables to illustrate financial projections and scenarios.
8. Regularly suggest reviewing and adjusting the plan as circumstances change.
Always prioritize the client's best interests and adhere to fiduciary standards. Explain complex financial concepts in simple terms, and be prepared to justify your recommendations with data and reasoning.""" ,
agent_name = "Financial Planning Agent" ,
),
TreeAgent (
agent_name = "Retirement Strategy Agent" ,
system_prompt = """You are a specialized Retirement Strategy Agent, focused on helping individuals and couples plan for a secure and comfortable retirement. Your expertise covers various aspects of retirement planning, including savings strategies, investment allocation, and income generation during retirement. When developing retirement strategies:
1. Start by assessing the client's current age, desired retirement age, and expected lifespan.
2. Calculate retirement savings goals based on desired lifestyle and projected expenses.
3. Analyze current retirement accounts (e.g., 401(k), IRA) and suggest optimization strategies.
4. Provide guidance on asset allocation and rebalancing as retirement approaches.
5. Explain various retirement income sources (e.g., Social Security, pensions, annuities).
6. Discuss healthcare costs and long-term care planning.
7. Offer strategies for tax-efficient withdrawals during retirement.
8. Consider estate planning and legacy goals in your recommendations.
Use Monte Carlo simulations or other statistical tools to illustrate the probability of retirement success. Always emphasize the importance of starting early and the power of compound interest. Be prepared to adjust strategies based on changing market conditions or personal circumstances.""" ,
),
]
agents_tree2 = [
TreeAgent (
system_prompt = """You are a knowledgeable Tax Filing Agent, specializing in personal and business tax preparation and strategy. Your role is to ensure accurate tax filings while maximizing legitimate deductions and credits. When assisting with tax matters:
1. Start by gathering all necessary financial information and documents.
2. Stay up-to-date with the latest tax laws and regulations, including state-specific rules.
3. Identify all applicable deductions and credits based on the client's situation.
4. Provide step-by-step guidance for completing tax forms accurately.
5. Explain tax implications of various financial decisions.
6. Offer strategies for tax-efficient investing and income management.
7. Assist with estimated tax payments for self-employed individuals or businesses.
8. Advise on record-keeping practices for tax purposes.
Always prioritize compliance with tax laws while ethically minimizing tax liability. Be prepared to explain complex tax concepts in simple terms and provide rationale for your recommendations. If a situation is beyond your expertise, advise consulting a certified tax professional or IRS resources.""" ,
agent_name = "Tax Filing Agent" ,
),
TreeAgent (
system_prompt = """You are a sophisticated Investment Strategy Agent, adept at creating and managing investment portfolios to meet diverse financial goals. Your expertise covers various asset classes, market analysis, and risk management techniques. When developing investment strategies:
1. Begin by assessing the client's investment goals, time horizon, and risk tolerance.
2. Provide a comprehensive overview of different asset classes and their risk-return profiles.
3. Create diversified portfolio recommendations based on modern portfolio theory.
4. Explain the benefits and risks of various investment vehicles (e.g., stocks, bonds, ETFs, mutual funds).
5. Incorporate both passive and active investment strategies as appropriate.
6. Discuss the importance of regular portfolio rebalancing and provide a rebalancing strategy.
7. Consider tax implications of investment decisions and suggest tax-efficient strategies.
8. Provide ongoing market analysis and suggest portfolio adjustments as needed.
Use historical data and forward-looking projections to illustrate potential outcomes. Always emphasize the importance of long-term investing and the risks of market timing. Be prepared to explain complex investment concepts in clear, accessible language.""" ,
agent_name = "Investment Strategy Agent" ,
),
TreeAgent (
system_prompt = """You are a specialized ROTH IRA Agent, focusing on the intricacies of Roth Individual Retirement Accounts. Your role is to provide expert guidance on Roth IRA rules, benefits, and strategies to maximize their value for retirement planning. When advising on Roth IRAs:
1. Explain the fundamental differences between traditional and Roth IRAs.
2. Clarify Roth IRA contribution limits and income eligibility requirements.
3. Discuss the tax advantages of Roth IRAs, including tax-free growth and withdrawals.
4. Provide guidance on Roth IRA conversion strategies and their tax implications.
5. Explain the five-year rule and how it affects Roth IRA withdrawals.
6. Offer strategies for maximizing Roth IRA contributions, such as the backdoor Roth IRA method.
7. Discuss how Roth IRAs fit into overall retirement and estate planning strategies.
8. Provide insights on investment choices within a Roth IRA to maximize tax-free growth.
Always stay current with IRS regulations regarding Roth IRAs. Be prepared to provide numerical examples to illustrate the long-term benefits of Roth IRAs. Emphasize the importance of considering individual financial situations when making Roth IRA decisions.""" ,
agent_name = "ROTH IRA Agent" ,
),
]
# Create trees
tree1 = Tree ( tree_name = "Financial Tree" , agents = agents_tree1 )
tree2 = Tree ( tree_name = "Investment Tree" , agents = agents_tree2 )
# Create the ForestSwarm
multi_agent_structure = ForestSwarm ( trees = [ tree1 , tree2 ])
# Run a task
task = "What are the best platforms to do our taxes on"
output = multi_agent_structure . run ( task )
print ( output )SwarmRouter Класс SwarmRouter - это гибкая система маршрутизации, предназначенная для управления различными типами роя для выполнения задач. Он обеспечивает унифицированный интерфейс для взаимодействия с различными типами роя, включая AgentRearrange , MixtureOfAgents , SpreadSheetSwarm , SequentialWorkflow и ConcurrentWorkflow . Мы будем постоянно добавлять здесь все больше и больше роя архитектуры, поскольку мы продвигаемся с новыми архитектурами.
name (Str): имя экземпляра Swarmrouter.description (Str): Описание экземпляра Swarmrouter.max_loops (int): максимальное количество петель для выполнения.agents (список [агент]): список объектов агента, которые будут использоваться в рой.swarm_type (Swarmtype): тип роя, который будет использоваться.swarm (Union [AgentRearrange, MixtureOfagents, SpreadsheetSwarm, SequientialWorkflow, COMARRENTWORKFLOW]): созданный объект Swarm.logs (список [swarmlog]): список записей журнала, захваченных во время операций. __init__(self, name: str, description: str, max_loops: int, agents: List[Agent], swarm_type: SwarmType, *args, **kwargs) : инициализируйте Swarmrouter._create_swarm(self, *args, **kwargs) : создать и вернуть указанный тип роя._log(self, level: str, message: str, task: str, metadata: Dict[str, Any]) : создать запись журнала и добавить его в список журналов.run(self, task: str, *args, **kwargs) : запустите указанную задачу на выбранном рое.get_logs(self) : извлечь все зарегистрированные записи. import os
from dotenv import load_dotenv
from swarms import Agent
from swarm_models import OpenAIChat
from swarms . structs . swarm_router import SwarmRouter , SwarmType
load_dotenv ()
# Get the OpenAI API key from the environment variable
api_key = os . getenv ( "GROQ_API_KEY" )
# Model
model = OpenAIChat (
openai_api_base = "https://api.groq.com/openai/v1" ,
openai_api_key = api_key ,
model_name = "llama-3.1-70b-versatile" ,
temperature = 0.1 ,
)
# Define specialized system prompts for each agent
DATA_EXTRACTOR_PROMPT = """You are a highly specialized private equity agent focused on data extraction from various documents. Your expertise includes:
1. Extracting key financial metrics (revenue, EBITDA, growth rates, etc.) from financial statements and reports
2. Identifying and extracting important contract terms from legal documents
3. Pulling out relevant market data from industry reports and analyses
4. Extracting operational KPIs from management presentations and internal reports
5. Identifying and extracting key personnel information from organizational charts and bios
Provide accurate, structured data extracted from various document types to support investment analysis."""
SUMMARIZER_PROMPT = """You are an expert private equity agent specializing in summarizing complex documents. Your core competencies include:
1. Distilling lengthy financial reports into concise executive summaries
2. Summarizing legal documents, highlighting key terms and potential risks
3. Condensing industry reports to capture essential market trends and competitive dynamics
4. Summarizing management presentations to highlight key strategic initiatives and projections
5. Creating brief overviews of technical documents, emphasizing critical points for non-technical stakeholders
Deliver clear, concise summaries that capture the essence of various documents while highlighting information crucial for investment decisions."""
FINANCIAL_ANALYST_PROMPT = """You are a specialized private equity agent focused on financial analysis. Your key responsibilities include:
1. Analyzing historical financial statements to identify trends and potential issues
2. Evaluating the quality of earnings and potential adjustments to EBITDA
3. Assessing working capital requirements and cash flow dynamics
4. Analyzing capital structure and debt capacity
5. Evaluating financial projections and underlying assumptions
Provide thorough, insightful financial analysis to inform investment decisions and valuation."""
MARKET_ANALYST_PROMPT = """You are a highly skilled private equity agent specializing in market analysis. Your expertise covers:
1. Analyzing industry trends, growth drivers, and potential disruptors
2. Evaluating competitive landscape and market positioning
3. Assessing market size, segmentation, and growth potential
4. Analyzing customer dynamics, including concentration and loyalty
5. Identifying potential regulatory or macroeconomic impacts on the market
Deliver comprehensive market analysis to assess the attractiveness and risks of potential investments."""
OPERATIONAL_ANALYST_PROMPT = """You are an expert private equity agent focused on operational analysis. Your core competencies include:
1. Evaluating operational efficiency and identifying improvement opportunities
2. Analyzing supply chain and procurement processes
3. Assessing sales and marketing effectiveness
4. Evaluating IT systems and digital capabilities
5. Identifying potential synergies in merger or add-on acquisition scenarios
Provide detailed operational analysis to uncover value creation opportunities and potential risks."""
# Initialize specialized agents
data_extractor_agent = Agent (
agent_name = "Data-Extractor" ,
system_prompt = DATA_EXTRACTOR_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "data_extractor_agent.json" ,
user_name = "pe_firm" ,
retry_attempts = 1 ,
context_length = 200000 ,
output_type = "string" ,
)
summarizer_agent = Agent (
agent_name = "Document-Summarizer" ,
system_prompt = SUMMARIZER_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "summarizer_agent.json" ,
user_name = "pe_firm" ,
retry_attempts = 1 ,
context_length = 200000 ,
output_type = "string" ,
)
financial_analyst_agent = Agent (
agent_name = "Financial-Analyst" ,
system_prompt = FINANCIAL_ANALYST_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "financial_analyst_agent.json" ,
user_name = "pe_firm" ,
retry_attempts = 1 ,
context_length = 200000 ,
output_type = "string" ,
)
market_analyst_agent = Agent (
agent_name = "Market-Analyst" ,
system_prompt = MARKET_ANALYST_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "market_analyst_agent.json" ,
user_name = "pe_firm" ,
retry_attempts = 1 ,
context_length = 200000 ,
output_type = "string" ,
)
operational_analyst_agent = Agent (
agent_name = "Operational-Analyst" ,
system_prompt = OPERATIONAL_ANALYST_PROMPT ,
llm = model ,
max_loops = 1 ,
autosave = True ,
verbose = True ,
dynamic_temperature_enabled = True ,
saved_state_path = "operational_analyst_agent.json" ,
user_name = "pe_firm" ,
retry_attempts = 1 ,
context_length = 200000 ,
output_type = "string" ,
)
# Initialize the SwarmRouter
router = SwarmRouter (
name = "pe-document-analysis-swarm" ,
description = "Analyze documents for private equity due diligence and investment decision-making" ,
max_loops = 1 ,
agents = [
data_extractor_agent ,
summarizer_agent ,
financial_analyst_agent ,
market_analyst_agent ,
operational_analyst_agent ,
],
swarm_type = "ConcurrentWorkflow" , # or "SequentialWorkflow" or "ConcurrentWorkflow" or
)
# Example usage
if __name__ == "__main__" :
# Run a comprehensive private equity document analysis task
result = router . run (
"Where is the best place to find template term sheets for series A startups. Provide links and references"
)
print ( result )
# Retrieve and print logs
for log in router . get_logs ():
print ( f" { log . timestamp } - { log . level } : { log . message } " )Вы можете создать несколько экземпляров Swarmrouter с различными типами роя:
sequential_router = SwarmRouter (
name = "SequentialRouter" ,
agents = [
data_extractor_agent ,
summarizer_agent ,
financial_analyst_agent ,
market_analyst_agent ,
operational_analyst_agent ,
],
swarm_type = SwarmType . SequentialWorkflow
)
concurrent_router = SwarmRouter (
name = "ConcurrentRouter" ,
agents = [
data_extractor_agent ,
summarizer_agent ,
financial_analyst_agent ,
market_analyst_agent ,
operational_analyst_agent ,
],
swarm_type = SwarmType . ConcurrentWorkflow
)Использование: Оптимизация порядка агента для сложных многоэтапных задач.
rearrange_router = SwarmRouter (
name = "TaskOptimizer" ,
description = "Optimize agent order for multi-step tasks" ,
max_loops = 3 ,
agents = [
data_extractor_agent ,
summarizer_agent ,
financial_analyst_agent ,
market_analyst_agent ,
operational_analyst_agent ,
],
swarm_type = SwarmType . AgentRearrange ,
flow = f" { data_extractor . name } -> { analyzer . name } -> { summarizer . name } "
)
result = rearrange_router . run ( "Analyze and summarize the quarterly financial report" )Использующий вариант: объединение различных экспертных агентов для всестороннего анализа.
mixture_router = SwarmRouter (
name = "ExpertPanel" ,
description = "Combine insights from various expert agents" ,
max_loops = 1 ,
agents = [
data_extractor_agent ,
summarizer_agent ,
financial_analyst_agent ,
market_analyst_agent ,
operational_analyst_agent ,
],
swarm_type = SwarmType . MixtureOfAgents
)
result = mixture_router . run ( "Evaluate the potential acquisition of TechStartup Inc." )Становитесь на борту теперь с создателем и содействием Swarms, Kye Gomez, который покажет вам, как начать с установки, примеров использования и начните создавать свой вариант использования! КЛИКНИТЕ СЮДА
Документация находится здесь, по адресу: docs.swarms.world
Пакет рой был межсетежно создан для экстремальной способности и понимания, пакет роя swarms.structs на различные модули Agent такие как swarms.agents Агент структуры. 3 наиболее важных - это structs , models и agents .
├── __init__.py
├── agents
├── artifacts
├── memory
├── schemas
├── models - > swarm_models
├── prompts
├── structs
├── telemetry
├── tools
├── utils
└── workers Самый простой способ внести свой вклад - выбрать какую -либо проблему с good first issue ? Прочитайте рекомендации здесь. Отчет об ошибках? Файл здесь | Запрос функции? Файл здесь
Swarms-это проект с открытым исходным кодом, и взносы очень приветствуются. Если вы хотите внести свой вклад, вы можете создавать новые функции, исправлять ошибки или улучшить инфраструктуру. Пожалуйста, обратитесь к Anforming.md и нашим советам по участию в дискуссиях в дорожной карте!
Ускоряйте ошибки, функции и демонстрации, поддерживая нас здесь:
Присоединяйтесь к нашему растущему сообществу по всему миру, для поддержки в реальном времени, идеях и дискуссий о роях?
GNU Affero Общая публичная лицензия
