نویسنده(های): آنوشکا سوناوانه
در ابتدا منتشر شد به سمت هوش مصنوعی.
در قسمت 1، به اصول اولیه پرداختیم – عوامل هوش مصنوعی چیست، چگونه کار می کنند، و چرا داشتن چندین عامل واقعاً می تواند تفاوت ایجاد کند. این فقط یک مقدمه بود و زمینه را برای اتفاقات بعدی آماده کرد. اکنون زمان آن است که همه چیز را به یک سطح ارتقا دهیم!
عوامل هوش مصنوعی، اسمبل کنید (قسمت 1)! آینده حل مسئله با AutoGen
آشنایی با عوامل هوش مصنوعی: چگونه کار می کنند، چرا مفید هستند و چه کاری می توانند برای شما انجام دهند
pub.towardsai.net
در قسمت 2، بیایید عمیق تر به آن برویم AutoGen و چگونه به این عوامل کمک می کند تا با یکدیگر برای انجام کارها ارتباط برقرار کنند.
با AutoGen، نمایندگان فقط به تنهایی کار نمی کنند. آنها در واقع می توانند برای به اشتراک گذاشتن اطلاعات و حل مشکلات با یکدیگر صحبت کنند. این آنها را بسیار قدرتمندتر می کند!
نمایندگان AutoGen دارای دو ویژگی کلیدی هستند:
📍نمایندگان قابل گفتگو: عواملی که با هم صحبت می کنند. آنها می توانند اطلاعات را به اشتراک بگذارند، کمک بخواهند یا یکدیگر را به روز کنند و کار تیمی را آسان تر و سریع تر کنند.
📍عوامل قابل تنظیم: عواملی که می توانید سفارشی کنید. برخی می‌توانند بنویسند، برخی دیگر می‌توانند کدنویسی کنند، و حتی می‌توانید در صورت نیاز کمک انسانی را نیز شامل کنید.
پیش نیازها
قبل از فرو رفتن در مثال، بیایید مطمئن شویم که پیش نیازهای زیر را پوشش داده اید:
1. AutoGen Setup: مطمئن شوید که AutoGen را نصب کرده اید و آماده استفاده در محیط خود هستید.
pip install pyautogen
2. دسترسی به API: برای مدل‌های زبان بزرگ (LLM) مانند GPT یا Gemini به API نیاز دارید.
در اینجا نحوه پیکربندی OpenAI’s GPT-4 برای نمایندگان خود آورده شده است:
در اینجا نحوه پیکربندی Gemini برای نمایندگان خود آورده شده است:
اکنون که پیکربندی های LLM را تنظیم کرده اید، تنها چیزی که باقی می ماند این است که این پیکربندی را به عوامل AutoGen خود اضافه کنید. ساده است – فقط کافی است از آن عبور کنید llm_config ما قبل از ایجاد عوامل تعریف کردیم.
guide_gary = ConversableAgent(
"guide_Gary",
system_message="Hello, I’m Guide Gary! I specialize in travel tips, destination recommendations, and hidden gems around the world.",
llm_config={"config_list": [{"model": "gpt-3.5-turbo", "temperature": 0.9, "api_key": "OPENAI_API_KEY"}]},
human_input_mode="NEVER",
)tourist_tina = ConversableAgent(
"tourist_Tina",
system_message="Hi there, I’m Tourist Tina! I’m always on the lookout for exciting travel destinations and unique experiences.",
llm_config={"config_list": [{"model": "gpt-3.5-turbo", "temperature": 0.7, "api_key": "OPENAI_API_KEY"}]},
human_input_mode="NEVER",
)
result = tourist_tina.initiate_chat(guide_gary, message="Guide Gary, I'm planning a trip to Norway. Any must-see destinations?",
max_turns=3)
در اینجا خروجی به نظر می رسد:
اگر از دیدن جزئیات این موضوع هیجان زده هستید، من یک نوت بوک GitHub گردآوری کرده ام که همه آن را تجزیه می کند. در داخل، خواهید یافت:
- فهرستی از LLM ها (مدل های زبان بزرگ)
- یک مجری کد
- یک مجری عملکرد و ابزار
- مولفه ای برای نگه داشتن انسان در حلقه
AutoGen-Agent/BasicsOfAutoGen.ipynb در اصلی · anusonawane/AutoGen-Agent
با ایجاد یک حساب کاربری در GitHub به توسعه anusonawane/AutoGen-Agent کمک کنید.
github.com
مدل های زبان (LLM):
- نماینده می تواند از مدل های مختلف زبان برای چت استفاده کند زبان طبیعی. این بدان معنی است که می تواند سوالات یا درخواست های شما را به صورت دوستانه درک کند و به آنها پاسخ دهد، چه از عبارات ساده یا جملات پیچیده تر استفاده کنید.
مجری کد:
- در صورت لزوم می تواند کد را اجرا کند. این برای کارهایی که نیاز به محاسبات یا خودکار کردن فرآیندهای خاص دارند عالی است، و آن را به کمکی مفید برای کارهای فنی تبدیل می کند.
توابع و مجری ابزار:
- عامل می تواند از توابع و ابزارهای از پیش تنظیم شده برای انجام اقدامات خاص مانند یافتن اطلاعات، انجام محاسبات یا فراخوانی سایر خدمات آنلاین استفاده کند. این باعث می شود که در رسیدگی به درخواست های مختلف واقعا کارآمد باشد.
انسان در حلقه:
- می توانید آن را طوری تنظیم کنید که افراد را در مکالمه مشارکت دهد. این بدان معناست که نماینده می‌تواند نظر یا بازخورد شما را بخواهد و مطمئن شود که کارها درست است و با شما خوب کار می‌کند.
📍AutoGen کار عوامل هوش مصنوعی را با هم آسان می کند و این بسیار هیجان انگیز است! اینها نمایندگان قابل گفتگو می توانند با یکدیگر چت کنند، اطلاعات را به اشتراک بگذارند تا وظایف را سریعتر انجام دهند.
📍 AssistantAgent با ایجاد و بهبود کد پایتون بر اساس آنچه شما نیاز دارید کمک می کند، بنابراین لازم نیست از ابتدا شروع کنید. از سوی دیگر، UserProxyAgent شما را در جریان نگه می دارد ورودی شما را می خواهد و در صورت لزوم می تواند کد را به طور خودکار اجرا کند.
📍به لطف ویژگی پاسخ خودکار، این نمایندگان می توانند با یکدیگر چت کنند و وظایف خود را انجام دهند و در عین حال شما را در جریان نگه دارند. بعلاوه، می‌توانید آنها را مطابق با نیازهای خاص خود سفارشی کنید، چه برای مشاوره سفر یا کمک به کدنویسی.
تصویر زیر نحوه تعامل و کار این عوامل با هم را نشان می دهد.
خوب، این پایان است قسمت 2! امیدوارم این تصویر واضح تری از نحوه عملکرد AutoGen و نحوه همکاری این عوامل برای آسان کردن زندگی به شما ارائه دهد.
اگر می‌خواهید اطلاعات بیشتری را دنبال کنید یا در مورد هر یک از این موضوعات بیشتر بحث کنید، در صورت تمایل با من در ارتباط باشید:
مشتاقانه منتظر چت و به اشتراک گذاری ایده های بیشتر هستیم!
صبر کنید، موارد بیشتری وجود دارد!
اگر از این کار لذت بردید، وبلاگ های دیگر من را دوست خواهید داشت! 🎯
باز کردن اسرار MLOps: پیمایش ماهرانه در استقرار، تعمیر و نگهداری و مقیاس بندی
هی، کاوشگران فناوری!
medium.com
افزایش کارایی RAG از طریق تکنیک های LlamaIndex
LLAMA INDEX و مبانی RAG با توضیح مفصل
medium.com
از پروژه های پایتون خود محافظت کنید: از فراخوانی مستقیم setup.py برای حفاظت از کد نهایی اجتناب کنید!
وقت آن است که با پیچیدگی‌های setup.py خداحافظی کنید و از بسته‌بندی کارآمد پایتون با طراحی ظاهری استفاده کنید.
pub.towardsai.net
تا دفعه بعد،
آنوشکا!
منتشر شده از طریق به سمت هوش مصنوعی