开源项目教程：trainable-agents

开源项目教程：trainable-agents

trainable-agents Code and datasets for "Character-LLM: A Trainable Agent for Role-Playing" 项目地址: https://gitcode.com/gh_mirrors/tr/trainable-agents

1. 项目介绍

本项目是基于Character-LLM的开源项目，旨在创建一种可训练的角色扮演代理。Character-LLM是一种特定于角色扮演的训练代理，它能够通过实际经验、特征和情感进行学习。与基于提示的代理不同，Character-LLM专门为角色扮演进行了训练，能够以特定人物的身份行动，如贝多芬、克莉奥帕特拉七世、朱利叶斯·凯撒等，具备详细的与角色相关的知识和代表性的性格特征。本项目提供了Experience Reconstruction数据生成过程，用于生成特定角色的详细且多样的经验数据以供训练。

2. 项目快速启动

在开始之前，请确保你已经安装了必要的Python环境和第三方库。

# 安装所需的第三方库
pip install transformers huggingface_hub

以下是将Character-LLM模型应用于角色扮演的快速启动步骤：

# 加载模型和分词器
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("/path/to/hf-model/character-llm-beethoven-7b")
model = AutoModelForCausalLM.from_pretrained("/path/to/hf-model/character-llm-beethoven-7b").cuda()

# 定义角色扮演的元提示
meta_prompt = """
我想让你扮演{character}。我希望你以{character}的语气、方式和用词来回应和回答。你必须知道{character}所有的知识。
你的状态如下：
地点：{loc_time}
状态：{status}
互动如下："""
name = "贝多芬"
loc_time = "咖啡店 - 下午"
status = f'{name}正在和一个来自21世纪的人随意聊天。'
prompt = meta_prompt.format(character=name, loc_time=loc_time, status=status) + '\n\n'

# 生成回应
inputs = tokenizer([prompt], return_tensors="pt")
outputs = model.generate(**inputs, do_sample=True, temperature=0.5, top_p=0.95, max_new_tokens=50)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

确保替换/path/to/hf-model/character-llm-beethoven-7b为你的模型路径。

3. 应用案例和最佳实践

应用案例

• 在线聊天机器人：将Character-LLM应用于在线聊天机器人，为用户提供与历史人物或虚构角色的互动体验。
• 教育工具：在教育环境中使用Character-LLM，帮助学生更好地理解历史人物的思想和行为。

最佳实践

• 数据准备：确保为角色准备充足的背景资料，以便模型能够生成更加贴合角色的回应。
• 微调：根据具体的应用场景对模型进行微调，以优化其表现。

4. 典型生态项目

目前尚未提供具体的典型生态项目案例，但开发者可以基于Character-LLM的模型和能力，构建各种角色扮演相关的应用，如虚拟助手、游戏NPC、教育辅助工具等。通过社区的努力，可以期待在未来看到更多基于此模型的生态项目。

trainable-agents Code and datasets for "Character-LLM: A Trainable Agent for Role-Playing" 项目地址: https://gitcode.com/gh_mirrors/tr/trainable-agents