langroid
0.24.0
Langroid是一個直觀，輕巧，可擴展和原則性的Python框架，可輕鬆從CMU和UW-Madison研究人員中構建LLM驅動的應用程序。您設置代理，為它們配備可選的組件（LLM，矢量商店和工具/功能），分配任務，並通過交換消息來協作解決問題。這個多代理範式的靈感來自Actor Framework（但是您不需要了解此事！）。
Langroid是對LLM應用程序開發的一種新鮮感，在此簡化了開發人員的體驗方面。它不使用Langchain或任何其他LLM框架。
閱讀Langroid體系結構的（WIP）概述
？公司正在生產/適應langroid。這是一個報價：
無效使用AI代理進行安全軟件開發。它找到，確定並修復漏洞。在評估了Crewai，Autogen，Langchain，Langflow等之後，我們已經內部適應了Langroid在生產中的多代理編排框架。我們發現Langroid在易於設置和靈活性方面比這些框架要優於這些框架。 Langroid的代理和任務抽像是直觀的，經過深思熟慮的，並提供了出色的開發人員體驗。我們想要最快的方法來獲得生產中的東西。有了其他框架，這將花費我們數週的時間，但是有了Langroid，我們在幾分鐘之內就取得了良好的成績。強烈推薦！
- 傑基·王（Jacky Wong），無效的AI負責人。
請參閱LanganceB團隊的Langroid博客文章的此簡介
剛剛在醫療保健ML上出版（2024年）：基於langroid的多代理抹布系統的藥物宣傳系統，請參閱博客文章
我們歡迎貢獻：有關貢獻的想法，請參見貢獻文件。
您是在構建LLM應用程序，還是為公司的Langroid提供幫助，還是想為您的公司用例使用Langroid功能進行優先級級？ Prasad Chalasani可用於諮詢（諮詢/開發）：Gmail Dot com的Pchalasani。
贊助也通過GitHub贊助商接受
問題，反饋，想法？加入我們的不和諧！
這只是一個預告片；還有更多，例如函數打電話/工具，多代理協作，結構化信息提取，docChatagent（rag），sqlchatagent，non-openai local/remote llms等。向下滾動或查看文檔以獲取更多信息。請參閱使用OpenAI ChatCompletion API構建的langroid快速啟動COLAB，該Colab最多可構建2個代理信息萃取示例。另請參閱此版本，該版本使用OpenAi Assistants API。
剛發布！示例腳本顯示瞭如何僅使用本地LLM （Mistral-7B-Instruct-V0.2）從文檔中提取結構化信息來提取結構化信息。
import langroid as lr
import langroid . language_models as lm
# set up LLM
llm_cfg = lm . OpenAIGPTConfig ( # or OpenAIAssistant to use Assistant API
# any model served via an OpenAI-compatible API
chat_model = lm . OpenAIChatModel . GPT4o , # or, e.g., "ollama/mistral"
)
# use LLM directly
mdl = lm . OpenAIGPT ( llm_cfg )
response = mdl . chat ( "What is the capital of Ontario?" , max_tokens = 10 )
# use LLM in an Agent
agent_cfg = lr . ChatAgentConfig ( llm = llm_cfg )
agent = lr . ChatAgent ( agent_cfg )
agent . llm_response ( "What is the capital of China?" )
response = agent . llm_response ( "And India?" ) # maintains conversation state
# wrap Agent in a Task to run interactive loop with user (or other agents)
task = lr . Task ( agent , name = "Bot" , system_message = "You are a helpful assistant" )
task . run ( "Hello" ) # kick off with user saying "Hello"
# 2-Agent chat loop: Teacher Agent asks questions to Student Agent
teacher_agent = lr . ChatAgent ( agent_cfg )
teacher_task = lr . Task (
teacher_agent , name = "Teacher" ,
system_message = """
Ask your student concise numbers questions, and give feedback.
Start with a question.
"""
)
student_agent = lr . ChatAgent ( agent_cfg )
student_task = lr . Task (
student_agent , name = "Student" ,
system_message = "Concisely answer the teacher's questions." ,
single_round = True ,
)
teacher_task . add_sub_task ( student_task )
teacher_task . run ()2024年11月：
Agent S的支持和OpenAI工具API的嚴格模式。Qwen2.5-Coder-32b-Instruct ）託管在glhf.chat上2024年10月：
2024年9月：
o1-mini和o1-preview模型。DocChatAgent使用倒數融合（RRF）來通過不同方法檢索的塊。run_batch_task新選項 - stop_on_first_result允許在任何任務返回結果後立即終止批處理。2024年8月：
Task.run(), Task.run_async 。2024年7月：
2024年6月：
RewindTool ，它使代理可以“倒帶和重做”過去的消息（並且由於譜系跟踪，清除了所有相關消息）。在這裡閱讀筆記。2024年5月：
doc-chat ， db （用於與數據庫相關的依賴關係）。請參閱下面和文檔中更新的安裝說明。examples的classMethod，並且該列表中的隨機示例將用於為LLM生成1次示例。這已經得到改進，因此您現在可以提供一個示例列表，每個示例是工具實例，或（描述，工具實例）的元組，其中描述是一種“思想”，導致LLM使用該工具（請參見文檔中的示例）。在某些情況下，這可以提高LLM工俱生成的準確性。另外，現在，所有示例都用於生成幾個示例，而不是隨機示例。TaskConfig中可配置。僅檢測精確的循環，而不是在實體所說的基本相似（但不是完全相同）的內容的情況下近似循環。RecipientTool工具機制的簡單替代方法，而權衡的折衷是，由於它不是工具，因此無法執行/提醒LLM明確指定收件人（在這很重要的情況下）。DocChatAgent時，大量改進的引文生成和顯示。gpt-4o現在是整個默認LLM；更新測試和示例以與此LLM一起使用；使用與LLM相對應的Tokenizer。gemini 1.5 pro支持通過litellmQdrantDB:更新以支持學習的稀疏嵌入。2024年4月：
chat_model="groq/llama3-8b-8192" 。參見教程。Task.run(), Task.run_async(), run_batch_tasks具有max_cost和max_tokens params在代幣或成本超過限制時退出。結果ChatDocument.metadata現在包括一個status字段，該字段是指示任務完成原因代碼的代碼。另外， task.run() etc可以使用顯式session_id字段調用，該字段用作redis緩存中各種設置的鍵。當前僅用於查找“殺死狀態” - 這允許通過task.kill()或classMethod Task.kill_session(session_id)殺死運行任務。例如用法，請參閱test_task_kill in tests/main/test_task.py2024年3月：
DocChatAgent並發運行，請參閱test_doc_chat_agent.py ，特別是test_doc_chat_batch() ;新任務運行實用程序： run_batch_task_gen可以指定任務生成器，以每一個輸入生成一個任務。DocChatAgent現在將與Image-PDF一起使用）。DocChatAgent上下文窗口修復URLLoader ：在URL不會以.pdf ， .docx等識別後綴結尾時，從標題中檢測文件時間。sentence_transformer模塊是否可用。unstructured ， haystack ， chromadb ， mkdocs ， huggingface-hub ， sentence-transformers 。import langroid as lr更容易的頂級導入2024年2月：
chat_model="ollama/mistral" 。請參閱發行說明。2024年1月：
SQLChatAgent工作方式）。請參閱使用此代理的示例腳本回答有關Python PKG依賴性的問題。.doc文件解析（除了.docx之外）OpenAIGPTConfig中指定可選的formatter param param，以確保本地LLM的準確聊天格式。DocChatAgentConfig有一個新的參數： add_fields_to_content ，指定其他文檔字段以插入主要content字段，以幫助改善檢索。2023年12月：
DocChatAgent ：攝取pandas的數據框架和過濾。LanceDocChatAgent利用LanceDB vector-DB進行有效的向量搜索和全文搜索和過濾。LanceRAGTaskCreator創建由LanceFilterAgent組成的2代理系統，該系統決定過濾器和重新顯示查詢以發送到抹布代理。Task初始化，默認ChatAgent 。2023年11月：
0.1.126： OpenAiassistant代理：緩存支持。
0.1.117：支持OpenAI Assistant API工具：函數呼叫，代碼窒息器和ReTRiever（RAG），文件上傳。這些與Langroid的任務 - 策劃無縫地工作。在文檔準備好之前，最好看到這些用法示例：
測試：
示例腳本：
0.1.112： OpenAIAssistant是ChatAgent的一個子類，它利用了新的OpenAi Assistant API。它可以用作ChatAgent的倒入替代品，並依靠助手API來維持對話狀態，並利用持續的線程和助手在需要時重新連接。示例： test_openai_assistant.py ， test_openai_assistant_async.py
0.1.111：支持最新的OpenAI型號： GPT4_TURBO （請參閱test_llm.py，例如用法）
0.1.110：從OpenAI v0.x升級到v1.1.1（為助手API做準備）； （由於OpenAI版本衝突而導致litellm暫時禁用）。
2023年10月：
DocChatAgent重新排名： rank_with_diversity ， rank_to_periphery （中間丟失）。DocChatAgentConfig.n_neighbor_chunks > 0允許在比賽周圍返回上下文塊。DocChatAgent使用RelevanceExtractorAgent ，以使用句子數字來使LLM提取物相關部分，從而與llmchainextractor in llmchain extractor in LangChain在其LLMChainExtractor使用中使用llmchain使用，從而導致較大的速度和降低成本降低和成本降低。import langroid as lr 。請參閱使用文檔以獲取使用。2023年9月：
docx文件（初步）。SQLChatAgent ，在將自然語言轉換為SQL時可以有效檢索相關的架構信息。2023年8月：
GoogleSearchTool啟用代理商（其LLM）通過功能稱呼/工具進行Google搜索。請參閱此聊天示例，以獲取將此工具添加到代理商的容易性。SQLChatAgent感謝我們最新的貢獻者Rithwik Babu！2023年7月：
TableChatAgent以與表格數據集（數據范圍，文件，URL）聊天：LLM生成PANDAS代碼，並且使用Langroid的工具/函數呼叫機制執行代碼。DocChatAgent現在接受PDF文件或URL。假設您想提取有關商業租賃文檔的關鍵條款的結構化信息。如我們在langroid-examples repo中所示，您可以使用langroid輕鬆地使用langroid進行此操作。 （有關使用本地Mistral-7b模型具有相同功能的版本，請參見此腳本。
LeaseExtractor負責該任務，其LLM（GPT4）生成了由DocAgent回答的問題。DocAgent LLM（GPT4）使用矢量商店的檢索來回答LeaseExtractor的問題，引用了支持答案的特定摘錄。LeaseExtractor llm使用函數呼叫以結構化格式呈現信息。這是動作中的外觀（可停止的MP4視頻在這裡）。
（有關更多最新列表，請參見上面的“更新/發布”部分）
Task.run()方法具有與代理人的響應者的方法相同的類型簽名，這是代理如何將代理任務委派給其他子任務的關鍵：從任務的角度來看，子任務僅是其他響應者，僅在代理商自己的響應者之後以圓形robin時尚的方式使用。Agent和Task抽象使用戶可以設計具有特定技能的代理，將其包裹在任務中，並以靈活的方式組合任務。ToolMessage機制，而不僅僅是OpenAI。功能調用和工具具有使用Pydantic實現的相同面向開發人員的接口，這使得定義工具/功能變得非常容易，並使代理能夠使用它們。使用pydantic的好處是，您永遠不必為函數調用編寫複雜的JSON規格，而LLM幻覺畸形的JSON時，Pydantic錯誤消息會發送回LLM，以便它可以修復它。langroid Langroid需要Python 3.11+。我們建議使用虛擬環境。使用pip安裝langroid （從PYPI）到您的虛擬環境的裸露版本。
pip install langroid核心喇叭軟件包使您可以通過其API使用OpenAI嵌入式型號。如果您想使用huggingface中嵌入模型的sentence-transformers ，請像這樣安裝langroid：
pip install " langroid[hf-embeddings] "對於許多實際情況，您可能需要其他可選依賴性：
doc-chat ： pip install " langroid[doc-chat] "db Extra： pip install " langroid[db] "
` `pip install " langroid[doc-chat,db] "all額外的額外（但請注意，這將導致更長的負載/啟動時間和更大的安裝尺寸）： pip install " langroid[all] "如果使用SQLChatAgent （例如腳本examples/data-qa/sql-chat/sql_chat.py ），則使用postgres db，您將需要：
sudo apt-get install libpq-dev ，brew install postgresql ，等等。pip install langroid[postgres]或poetry add langroid[postgres]或poetry install -E postgres 。如果這給您一個錯誤，請嘗試在Virtualenv中pip install psycopg2-binary 。如果您遇到涉及mysqlclient奇怪錯誤，請嘗試使用pip uninstall mysqlclient然後進行pip install mysqlclient 。
首先，您需要的只是一個OpenAI API密鑰。如果您沒有一個，請參閱此OpenAI頁面。 （請注意，儘管這是最簡單的入門方式，但Langroid幾乎可以與任何LLM一起使用，而不僅僅是來自OpenAI的LLM。請參閱指南使用Open/Local LLM，以及其他非Openai專有專有LLMS。）
在存儲庫的根部，將.env-template文件複製到新文件.env ：
cp .env-template .env然後插入您的OpenAI API鍵。您的.env文件應該看起來像這樣（組織是可選的，但在某些情況下可能需要）。
OPENAI_API_KEY=your-key-here-without-quotes
OPENAI_ORGANIZATION=optionally-your-organization-id另外，您可以將其設置為外殼中的環境變量（每次打開新外殼時，都需要執行此操作）：
export OPENAI_API_KEY=your-key-here-without-quotes以下所有環境變量設置都是可選的，只需要使用特定功能（如下所述）。
.env文件中輸入您的Momento令牌，作為MOMENTO_AUTH_TOKEN的值（請參閱下面的示例文件），.env文件集合中CACHE_TYPE=momento （而不是CACHE_TYPE=redis ，nefault）。GoogleSearchTool 。要將Google Search用作LLM工具/插件/功能通話，您需要設置Google API密鑰，然後設置Google自定義搜索引擎（CSE）並獲取CSE ID。 （這些文檔可能具有挑戰性，我們建議詢問GPT4逐步指南。）在獲得這些憑據之後，將它們存儲為GOOGLE_API_KEY的值和GOOGLE_CSE_ID的值，並將其存儲在.env文件中。關於使用此聊天的完整文檔（以及其他此類“無狀態”工具）即將推出，但是與此同時，請瀏覽此聊天示例，該聊天示例顯示瞭如何輕鬆地為代理配備GoogleSearchtool 。如果添加所有這些可選變量，則.env文件應該看起來像這樣：
OPENAI_API_KEY=your-key-here-without-quotes
GITHUB_ACCESS_TOKEN=your-personal-access-token-no-quotes
CACHE_TYPE=redis # or momento
REDIS_PASSWORD=your-redis-password-no-quotes
REDIS_HOST=your-redis-hostname-no-quotes
REDIS_PORT=your-redis-port-no-quotes
MOMENTO_AUTH_TOKEN=your-momento-token-no-quotes # instead of REDIS* variables
QDRANT_API_KEY=your-key
QDRANT_API_URL=https://your.url.here:6333 # note port number must be included
GOOGLE_API_KEY=your-key
GOOGLE_CSE_ID=your-cse-id使用Azure OpenAI時， .env文件中需要其他環境變量。此頁面Microsoft Azure OpenAi提供了更多信息，您可以按以下方式設置每個環境變量：
AZURE_OPENAI_API_KEY ，來自API_KEY的值AZURE_OPENAI_API_BASE從ENDPOINT的值中，通常看起來像https://your.domain.azure.com 。AZURE_OPENAI_API_VERSION ，您可以在.env-template中使用默認值，並且可以在此處找到最新版本AZURE_OPENAI_DEPLOYMENT_NAME是已部署模型的名稱，該模型在模型設置過程中由用戶定義AZURE_OPENAI_MODEL_NAME azure openai允許特定的型號名稱。您需要精確列出所選擇的確切型號名稱。例如，GPT-4（應為gpt-4-32k或gpt-4 ）。AZURE_OPENAI_MODEL_VERSION ，如果AZURE_OPENAI_MODEL_NAME = gpt=4 ，則需要我們通過此Docker映像提供了langroid-examples存儲庫的容器化版本。您需要做的就是在.env文件中設置環境變量。請按照以下步驟設置容器：
# get the .env file template from `langroid` repo
wget -O .env https://raw.githubusercontent.com/langroid/langroid/main/.env-template
# Edit the .env file with your favorite editor (here nano), and remove any un-used settings. E.g. there are "dummy" values like "your-redis-port" etc -- if you are not using them, you MUST remove them.
nano .env
# launch the container
docker run -it --rm -v ./.env:/langroid/.env langroid/langroid
# Use this command to run any of the scripts in the `examples` directory
python examples/ < Path/To/Example.py > 這些是快速的預告片，可以瞥見您可以使用langroid以及您的代碼外觀。
langroid-examples存儲庫。
LANGROID中的各種LLM提示和說明已經過測試，可與GPT-4（以及在某種程度上GPT-4O）配合使用。切換到其他LLM（本地/開放和專有）很容易（請參見上面提到的指南），並且對於某些應用程序可能就足夠了，但是通常，除非調整提示和/或多代理設置，否則您可能會看到劣等的結果。
另請參閱Getting Started Guide以獲取詳細的教程。
單擊以擴展下面的任何代碼示例。所有這些都可以在COLAB筆記本中運行：
import langroid . language_models as lm
mdl = lm . OpenAIGPT ()
messages = [
lm . LLMMessage ( content = "You are a helpful assistant" , role = lm . Role . SYSTEM ),
lm . LLMMessage ( content = "What is the capital of Ontario?" , role = lm . Role . USER ),
]
response = mdl . chat ( messages , max_tokens = 200 )
print ( response . message ) cfg = lm . OpenAIGPTConfig (
chat_model = "local/localhost:8000" ,
chat_context_length = 4096
)
mdl = lm . OpenAIGPT ( cfg )
# now interact with it as above, or create an Agent + Task as shown below.如果該模型由liteLLM支持，則無需啟動代理服務器。只需將chat_model param上的param設置為litellm/[provider]/[model] ，例如litellm/anthropic/claude-instant-1 ，然後使用上述配置對象。請注意，要使用litellm ，您需要安裝langroid fut the litellm Extra： poetry install -E litellm或pip install langroid[litellm] 。對於遠程模型，通常需要將API鍵等設置為環境變量。您可以根據litellm文檔設置這些設置。如果缺少任何必需的環境變量，Langroid會提供有用的錯誤消息，指示需要哪些消息。請注意，要將langroid與litellm一起使用，您需要在虛擬env中安裝litellm pip install langroid[litellm] ，或者如果您在langroid repo內開發poetry install -E litellm 。
pip install langroid[litellm] import langroid as lr
agent = lr . ChatAgent ()
# get response from agent's LLM, and put this in an interactive loop...
# answer = agent.llm_response("What is the capital of Ontario?")
# ... OR instead, set up a task (which has a built-in loop) and run it
task = lr . Task ( agent , name = "Bot" )
task . run () # ... a loop seeking response from LLM or User at each turn玩具號碼遊戲，當給出一個數字n時：
repeater_task的LLM簡單地返回n ，n是偶數，則even_task llm返回n/2odd_task的llm返回3*n+1如果n是奇數，否則說“不知道”這些Task中的每一個都會自動配置默認的ChatAgent 。
import langroid as lr
from langroid . utils . constants import NO_ANSWER
repeater_task = lr . Task (
name = "Repeater" ,
system_message = """
Your job is to repeat whatever number you receive.
""" ,
llm_delegate = True , # LLM takes charge of task
single_round = False ,
)
even_task = lr . Task (
name = "EvenHandler" ,
system_message = f"""
You will be given a number.
If it is even, divide by 2 and say the result, nothing else.
If it is odd, say { NO_ANSWER }
""" ,
single_round = True , # task done after 1 step() with valid response
)
odd_task = lr . Task (
name = "OddHandler" ,
system_message = f"""
You will be given a number n.
If it is odd, return (n*3+1), say nothing else.
If it is even, say { NO_ANSWER }
""" ,
single_round = True , # task done after 1 step() with valid response
)然後將even_task和odd_task添加為repeater_task的子任務，然後運行repeater_task ，以輸入為數字：
repeater_task . add_sub_task ([ even_task , odd_task ])
repeater_task . run ( "3" )Langroid利用Pydantic支持OpenAI的功能稱呼API以及其自己的本機工具。好處是您不必寫任何JSON來指定模式，而且LLM幻覺是畸形的工具語法，Langroid會將Pydantic驗證錯誤（適當消毒）發送到LLM，以便它可以解決！
簡單示例：說代理有一個秘密列表，我們希望LLM在列表中找到最小的數字。我們希望為LLM提供一個probe工具/功能，該工具將單個數字n作為參數。代理中的工具處理程序方法返回其列表中的數字最多為n 。
首先使用langroid的ToolMessage類別定義工具：
import langroid as lr
class ProbeTool ( lr . agent . ToolMessage ):
request : str = "probe" # specifies which agent method handles this tool
purpose : str = """
To find how many numbers in my list are less than or equal to
the <number> you specify.
""" # description used to instruct the LLM on when/how to use the tool
number : int # required argument to the tool然後將SpyGameAgent定義為ChatAgent的子類，並使用處理此工具的方法probe ：
class SpyGameAgent ( lr . ChatAgent ):
def __init__ ( self , config : lr . ChatAgentConfig ):
super (). __init__ ( config )
self . numbers = [ 3 , 4 , 8 , 11 , 15 , 25 , 40 , 80 , 90 ]
def probe ( self , msg : ProbeTool ) -> str :
# return how many numbers in self.numbers are less or equal to msg.number
return str ( len ([ n for n in self . numbers if n <= msg . number ]))然後，我們實例化代理，並使其能夠使用並響應該工具：
spy_game_agent = SpyGameAgent (
lr . ChatAgentConfig (
name = "Spy" ,
vecdb = None ,
use_tools = False , # don't use Langroid native tool
use_functions_api = True , # use OpenAI function-call API
)
)
spy_game_agent . enable_message ( ProbeTool )有關完整的工作示例，請參見langroid-examples repo中的Chat-Agent-tool.py腳本。
假設您希望代理從租賃文檔和嵌套的JSON結構中提取租賃的關鍵條款。首先通過Pydantic模型來定義所需的結構：
from pydantic import BaseModel
class LeasePeriod ( BaseModel ):
start_date : str
end_date : str
class LeaseFinancials ( BaseModel ):
monthly_rent : str
deposit : str
class Lease ( BaseModel ):
period : LeasePeriod
financials : LeaseFinancials
address : str然後將LeaseMessage工具定義為Langroid ToolMessage的子類。注意該工具具有類型Lease的必需參數terms ：
import langroid as lr
class LeaseMessage ( lr . agent . ToolMessage ):
request : str = "lease_info"
purpose : str = """
Collect information about a Commercial Lease.
"""
terms : Lease然後使用處理此工具的方法lease_info定義LeaseExtractorAgent ，實例化代理，並使其能夠使用並響應此工具：
class LeaseExtractorAgent ( lr . ChatAgent ):
def lease_info ( self , message : LeaseMessage ) -> str :
print (
f"""
DONE! Successfully extracted Lease Info:
{ message . terms }
"""
)
return json . dumps ( message . terms . dict ())
lease_extractor_agent = LeaseExtractorAgent ()
lease_extractor_agent . enable_message ( LeaseMessage )有關完整的工作示例，請參見langroid-examples repo中的chat_multi_extract.py腳本。
為此目的，langroid為此提供了專門的代理類DocChatAgent 。它結合了文檔碎片，嵌入，存儲在矢量db中，並結合了檢索調查的查詢 - 回答生成。使用此類與文檔集合聊天很容易。首先創建一個DocChatAgentConfig實例，並使用doc_paths字段指定要聊天的文檔。
import langroid as lr
from langroid . agent . special import DocChatAgentConfig , DocChatAgent
config = DocChatAgentConfig (
doc_paths = [
"https://en.wikipedia.org/wiki/Language_model" ,
"https://en.wikipedia.org/wiki/N-gram_language_model" ,
"/path/to/my/notes-on-language-models.txt" ,
],
vecdb = lr . vector_store . QdrantDBConfig (),
)然後實例化DocChatAgent （這將文檔攝取到矢量商店中）：
agent = DocChatAgent ( config )然後，我們可以問代理人一次性問題，
agent . llm_response ( "What is a language model?" )或將其包裝在Task中，並與用戶運行交互式循環：
task = lr . Task ( agent )
task . run ()請參閱langroid-examples Repo的docqa文件夾中的完整工作腳本。
使用langroid，您可以使用數據集（文件路徑，URL或DataFrame）設置TableChatAgent ，並查詢它。代理的LLM生成熊貓代碼以通過函數調用（或工具/插件）回答查詢，而代理的功能處理方法執行代碼並返回答案。
這是您可以做到的：
import langroid as lr
from langroid . agent . special import TableChatAgent , TableChatAgentConfig為數據文件，URL或DataFrame設置一個TableChatAgent （確保數據表具有標頭行；自動刪除的分界符/分隔器）：
dataset = "https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv"
# or dataset = "/path/to/my/data.csv"
# or dataset = pd.read_csv("/path/to/my/data.csv")
agent = TableChatAgent (
config = TableChatAgentConfig (
data = dataset ,
)
)設置一個任務，並提出這樣的問題：
task = lr . Task (
agent ,
name = "DataAssistant" ,
default_human_response = "" , # to avoid waiting for user input
)
result = task . run (
"What is the average alcohol content of wines with a quality rating above 7?" ,
turns = 2 # return after user question, LLM fun-call/tool response, Agent code-exec result
)
print ( result . content )或者，設置任務並與用戶進行交互式循環運行：
task = lr . Task ( agent , name = "DataAssistant" )
task . run ()有關完整的工作示例，請參見langroid-examples repo中的table_chat.py腳本。
如果您喜歡這個項目，請給它一個明星嗎？在您的網絡或社交媒體中傳播這個詞：
您的支持將有助於建立Langroid的勢頭和社區。
