兖州建设公司网站,asp net网站开发,网站开发 动易,网络推广联系方式一种新型的代理——Autonomous Agents#xff08;自治代 理或自主代理#xff09;#xff0c; 在 LangChain 的代理、工具和记忆这些组件的支持下#xff0c;它们能够在无需外部干预的情况下自主 运行#xff0c;这在真实世界的应用中具有巨大的价值。
AutoGPT
它的主要…一种新型的代理——Autonomous Agents自治代 理或自主代理 在 LangChain 的代理、工具和记忆这些组件的支持下它们能够在无需外部干预的情况下自主 运行这在真实世界的应用中具有巨大的价值。
AutoGPT
它的主要功能是自动链接多个任务以实现用户设定的大目标 用户只需提供一个提示或一组自然语言指令Auto-GPT 就会通过自动化多步提示过程将目标分解为子任务以达到其目标。 技术上Auto-GPT 使用短期记忆管理来保存上下文同时 Auto-GPT 是多模态的可以处 理文本和图像作为输入。 从具体应用上说Auto-GPT 可以用于各种任务例如生成文本、执行特定操作和进行网络搜 索等。它还可以作为研究助手帮助用户进行科学研究、市场研究、内容创建、销售线索生 成、业务计划创建、产品评论、播客大纲制定等。 当然Auto-GPT 并不完善作为一个实验性质的项目它还存在诸多挑战比如它的运行成 本可能很高而且它可能会分心或陷入循环。技术上它的缺陷是没有长期记忆。 Baby AGI
你向系统提出一个目标之后它将不断优先考虑需要实现或完成的任务以 实现该目标。具体来说系统将形成任务列表从任务列表中拉出优先级最高的第一个任务 使用 OpenAI API 根据上下文将任务发送到执行代理并完成任务一旦这些任务完成它们就 会被存储在内存或者 Pinecone 这类向量数据库中然后根据目标和上一个任务的结果 创建新任务并确定优先级。 HuggingGPT
HuggingGPT 的工作流程包 括四个阶段
任务规划LLM例如 ChatGPT解析用户请求生成任务列表并确定任务之间的执行 顺序和资源依赖关系。模型选择LLM 根据 Hugging Face 上的专家模型描述为任务分配适当的模型。任务执行整合各个任务端点上的专家模型执行分配的任务。响应生成LLM 整合专家的推断结果生成工作流摘要并给用户提供最终的响应。 根据气候变化自动制定鲜花存储策略
我们就解析一下 LangChain 中 BabyAGI 的具体实现 我们导入相关的库
# 设置API Key
import os
os.environ[OPENAI_API_KEY] Your OpenAI API Key# 导入所需的库和模块
from collections import deque
from typing import Dict, List, Optional, Any
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.embeddings import OpenAIEmbeddings
from langchain.llms import BaseLLM, OpenAI
from langchain.vectorstores.base import VectorStore
from pydantic import BaseModel, Field
from langchain.chains.base import Chain
from langchain.vectorstores import FAISS
import faiss
from langchain.docstore import InMemoryDocstore初始化 OpenAIEmbedding 作为嵌入模型并使用 Faiss 作为向量数据库存储任 务信息
# 定义嵌入模型
embeddings_model OpenAIEmbeddings()
# 初始化向量存储
embedding_size 1536
index faiss.IndexFlatL2(embedding_size)
vectorstore FAISS(embeddings_model.embed_query, index, InMemoryDocstore({}), {})定义任务生成链基于给定的条件这个链可以创建新任务
# 任务生成链
class TaskCreationChain(LLMChain):负责生成任务的链classmethoddef from_llm(cls, llm: BaseLLM, verbose: bool True) - LLMChain:从LLM获取响应解析器task_creation_template (You are a task creation AI that uses the result of an execution agent to create new tasks with the following objective: {objective}, The last completed task has the result: {result}. This result was based on this task description: {task_description}. These are incomplete tasks: {incomplete_tasks}. Based on the result, create new tasks to be completed by the AI system that do not overlap with incomplete tasks. Return the tasks as an array.)prompt PromptTemplate(templatetask_creation_template,input_variables[result,task_description,incomplete_tasks,objective,],)return cls(promptprompt, llmllm, verboseverbose)定义任务优先级链这个链负责重新排序任务的优先级。给定一个任务列表它会返回 一个新的按优先级排序的任务列表。
*************** 从结构上看内容以循环方式进行组织首先是 TASK LIST任务列表接着是 NEXT TASK下一个任务然后是 TASK RESULT任务结果。 每个任务结果似乎都是基于前一个任务的输出。随着自主代理思考的逐步深入子任务的重点 从获取当前的天气数据到确定最佳的花朵储存策略再到对策略的实际执行和调整。 6 轮循环之后在任务的最终结果部分提供了具体的步骤和策略以确保花朵在最佳的条件下 储存。至于这个策略有多大用途就仁者见仁智者见智了吧。 从目前项目需求的角度来讲LangChain在企业应用较多的地方还是通过企业内部的文档 资料开发RAG文档系统用于资料检索。目前有很多这方面的项目研究型的以及企业希望实 际部署的。 从纯AI应用角度我看到有合作的初创公司在开发基于LLM的个人助理。从产品设计的角度发布的 App会比单纯使用ChatGPT更方遍比如说可以根据你手机内的图片自动记账自动添加行程表什么 的。 很多可能性。同学也可以多参与一些AI的峰会交流会。看看大家都在用AI和大模型做什么。我也 是管中窥豹。只知一二。
