一个超强的构建Agent的大模型框架

AI大模型老林

于 2024-10-29 17:54:43 发布

阅读量649

点赞数 5

文章标签：语言模型自然语言处理语音识别人工智能数据挖掘目标检测深度学习

本文链接：https://blog.youkuaiyun.com/2401_88022375/article/details/143337038

版权

向大家推荐一个超强的构建Agent的大模型框架——Phidata

Phidata是一个用于构建智能Agent系统的Python框架。

它让你可以方便地创建具有记忆力、知识、工具使用能力和推理能力的AI助手,并将其作为一个完整的软件应用运行(包括数据库、向量数据库、API等)。

同时phidata还提供了对Agent系统的监控、评估和优化功能。

使用phidata,你可以:

构建拥有记忆、知识、工具使用和推理能力的智能Agent。Phidata会管理Agent的状态、记忆和知识,存储在数据库中。
将这些Agent作为一个完整的软件应用运行,包括数据库、向量数据库和API接口。Phidata会管理所需的基础设施,支持本地和云端(BYOC)。
监控、评估和优化你的Agent系统。Phidata会记录会话日志,监控关键指标,帮助你洞察和改进系统。

Phidata虽然支持所有语言模型,但官方示例主要使用OpenAI的模型。只要设置好OpenAI的API key,就可以直接使用。**
前排提示，文末有大模型AGI-优快云独家资料包哦！**

下面是一些使用phidata构建Agent的示例:

网页搜索Agent

这个Agent可以在网上搜索信息来回答问题。核心代码如下:

from phi.agent import Agent     from phi.model.openai import OpenAIChat   from phi.tools.duckduckgo import DuckDuckGo      web_agent = Agent(       name="Web Agent",         role="Search the web for information",       model=OpenAIChat(id="gpt-4o"),       tools=[DuckDuckGo()],        markdown=True,       show_tool_calls=True,   )   web_agent.print_response("Whats happening in France?", stream=True)

通过组合OpenAI的语言模型和DuckDuckGo搜索引擎,就可以创建一个可以在网上查找信息的Agent。当询问它"法国最近发生了什么",它会通过搜索引擎查找相关新闻,再用自然语言回答。

金融数据Agent

这个Agent专门用于查询金融数据,核心代码:

from phi.agent import Agent   from phi.model.openai import OpenAIChat     from phi.tools.yfinance import YFinanceTools      finance_agent = Agent(       name="Finance Agent",       role="Get financial data",        model=OpenAIChat(id="gpt-4o"),       tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True, company_news=True)],       instructions=["Always use tables to display data"],       markdown=True,        show_tool_calls=True,   )   finance_agent.print_response("Share analyst recommendations for NVDA", stream=True)

它使用yfinance库获取金融数据,当询问"分享NVDA股票的分析师评级"时,它会查询相关数据,并以表格的形式展示分析师的评级信息。

Agent协作

Phidata还支持多个Agent协同工作,解决更复杂的问题。比如我们可以让上面的网页搜索Agent和金融数据Agent组成一个团队:

`agent_team = Agent(       team=[web_agent, finance_agent],        show_tool_calls=True,       markdown=True,   )   agent_team.print_response("Research the web for NVDA and share analyst recommendations", stream=True)`

当询问"在网上搜索NVDA公司的信息,并分享分析师的评级",这个Agent团队会先用网页搜索Agent查找NVDA公司的背景信息,再用金融数据Agent获取分析师评级,最后整合成完整的回答。

基于知识库的Agent

普通的Agent每次都需要将所有的背景知识放入prompt中,但这样会占用大量token。phidata的RAG(Retrieval Augmented Generation)Agent可以将背景知识存入向量数据库,每次只检索最相关的少量知识,大大节省token用量,还能提高回答质量。

下面的例子展示了如何从一个菜谱PDF文件创建知识库,构建一个美食问答Agent:

from phi.agent import Agent   from phi.model.openai import OpenAIChat   from phi.knowledge.pdf import PDFUrlKnowledgeBase     from phi.vectordb.lancedb import LanceDb, SearchType      db_uri = "tmp/lancedb"   # Create a knowledge base from a PDF   knowledge_base = PDFUrlKnowledgeBase(       urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],        # Use LanceDB as the vector database       vector_db=LanceDb(table_name="recipes", uri=db_uri, search_type=SearchType.vector),     )   # Load the knowledge base: Comment out after first run   knowledge_base.load(upsert=True)      agent = Agent(       model=OpenAIChat(id="gpt-4o"),       # Add the knowledge base to the agent         knowledge=knowledge_base,       show_tool_calls=True,       markdown=True,   )   agent.print_response("How do I make chicken and galangal in coconut milk soup")

当询问"如何制作椰汁鸡肉汤",Agent会从知识库中检索鸡肉汤的菜谱,再根据菜谱步骤回答问题。这样不仅节省token,回答的质量也更高。