Agentica: Build Smarter, Reflective, and Collaborative AI Agents with Ease!
Agentica: 快速打造智能、能反思、协作的AI Agent。
- 规划(Planning):任务拆解、生成计划、反思
- 记忆(Memory):短期记忆(prompt实现)、长期记忆(RAG实现)
- 工具使用(Tool use):function call能力,调用外部API,以获取外部信息,包括当前日期、日历、代码执行能力、对专用信息源的访问等
- Planner:负责让LLM生成一个多步计划来完成复杂任务,生成相互依赖的“链式计划”,定义每一步所依赖的上一步的输出
- Worker:接受“链式计划”,循环遍历计划中的每个子任务,并调用工具完成任务,可以自动反思纠错以完成任务
- Solver:求解器将所有这些输出整合为最终答案
Agentica
是一个用于构建Agent的工具,具有以下功能:
- Agent编排:通过简单代码快速编排Agent,支持 Reflection(反思)、Plan and Solve(计划并执行)、RAG、Agent、Multi-Agent、Multi-Role、Workflow等功能
- 自定义prompt:Agent支持自定义prompt和多种工具调用(tool_calls)
- LLM集成:支持OpenAI、Azure、Deepseek、Moonshot、Claude、Ollama、Together等多方大模型厂商的API
- 记忆功能:包括短期记忆和长期记忆功能
- Multi-Agent协作:支持多Agent和多角色的团队协作。
- Workflow工作流:拆解复杂任务为多个Agent,基于工作流自动化串行逐步完成任务,如投资研究、新闻文章撰写和技术教程创建
- 自我进化Agent:具有反思和增强记忆能力的自我进化Agent
- Web UI:兼容ChatPilot,可以基于Web页面交互,支持主流的open-webui、streamlit、gradio等前端交互框架
pip install -U agentica
or
git clone https://github.com/shibing624/agentica.git
cd agentica
pip install .
# Copying required .env file, and fill in the LLM api key
cp .env.example ~/.agentica/.env
cd examples
python web_search_moonshot_demo.py
-
复制.env.example文件为
~/.agentica/.env
,并填写LLM api key(选填DEEPSEEK_API_KEY、MOONSHOT_API_KEY、OPENAI_API_KEY等任一个即可)。或者使用export
命令设置环境变量:export MOONSHOT_API_KEY=your_moonshot_api_key export SERPER_API_KEY=your_serper_api_key
-
使用
agentica
构建Agent并执行:
自动调用google搜索工具,示例examples/12_web_search_moonshot_demo.py
from agentica import Agent, MoonshotChat, SearchSerperTool
m = Agent(model=MoonshotChat(), tools=[SearchSerperTool()], add_datetime_to_instructions=True)
r = m.run("下一届奥运会在哪里举办")
print(r)
shibing624/ChatPilot 兼容agentica
,可以通过Web UI进行交互。
Web Demo: https://chat.mulanai.com
git clone https://github.com/shibing624/ChatPilot.git
cd ChatPilot
pip install -r requirements.txt
cp .env.example .env
bash start.sh
示例 | 描述 |
---|---|
examples/01_llm_demo.py | LLM问答Demo |
examples/02_user_prompt_demo.py | 自定义用户prompt的Demo |
examples/03_user_messages_demo.py | 自定义输入用户消息的Demo |
examples/04_memory_demo.py | Agent的记忆Demo |
examples/05_response_model_demo.py | 按指定格式(pydantic的BaseModel)回复的Demo |
examples/06_calc_with_csv_file_demo.py | LLM加载CSV文件,并执行计算来回答的Demo |
examples/07_create_image_tool_demo.py | 实现了创建图像工具的Demo |
examples/08_ocr_tool_demo.py | 实现了OCR工具的Demo |
examples/09_remove_image_background_tool_demo.py | 实现了自动去除图片背景功能,包括自动通过pip安装库,调用库实现去除图片背景 |
examples/10_vision_demo.py | 视觉理解Demo |
examples/11_web_search_openai_demo.py | 基于OpenAI的function call做网页搜索Demo |
examples/12_web_search_moonshot_demo.py | 基于Moonshot的function call做网页搜索Demo |
examples/13_storage_demo.py | Agent的存储Demo |
examples/14_custom_tool_demo.py | 自定义工具,并用大模型自主选择调用的Demo |
examples/15_crawl_webpage_demo.py | 实现了网页分析工作流:从Url爬取融资快讯 - 分析网页内容和格式 - 提取核心信息 - 汇总存为md文件 |
examples/16_get_top_papers_demo.py | 解析每日论文,并保存为json格式的Demo |
examples/17_find_paper_from_arxiv_demo.py | 实现了论文推荐的Demo:自动从arxiv搜索多组论文 - 相似论文去重 - 提取核心论文信息 - 保存为csv文件 |
examples/18_agent_input_is_list.py | 展示Agent的message可以是列表的Demo |
examples/19_naive_rag_demo.py | 实现了基础版RAG,基于Txt文档回答问题 |
examples/20_advanced_rag_demo.py | 实现了高级版RAG,基于PDF文档回答问题,新增功能:pdf文件解析、query改写,字面+语义多路混合召回,召回排序(rerank) |
examples/21_memorydb_rag_demo.py | 把参考资料放到prompt的传统RAG做法的Demo |
examples/22_chat_pdf_app_demo.py | 对PDF文档做深入对话的Demo |
examples/23_python_agent_memory_demo.py | 实现了带记忆的Code Interpreter功能,自动生成python代码并执行,下次执行时从记忆获取结果 |
examples/24_context_demo.py | 实现了传入上下文进行对话的Demo |
examples/25_tools_with_context_demo.py | 工具带上下文传参的Demo |
examples/26_complex_translate_demo.py | 实现了复杂翻译Demo |
examples/27_research_agent_demo.py | 实现了Research功能,自动调用搜索工具,汇总信息后撰写科技报告 |
examples/28_rag_integrated_langchain_demo.py | 集成LangChain的RAG Demo |
examples/29_rag_integrated_llamaindex_demo.py | 集成LlamaIndex的RAG Demo |
examples/30_text_classification_demo.py | 实现了自动训练分类模型的Agent:读取训练集文件并理解格式 - 谷歌搜索pytextclassifier库 - 爬取github页面了解pytextclassifier的调用方法 - 写代码并执行fasttext模型训练 - check训练好的模型预测结果 |
examples/31_team_news_article_demo.py | Team实现:写新闻稿的team协作,multi-role实现,委托不用角色完成各自任务:研究员检索分析文章,撰写员根据排版写文章,汇总多角色成果输出结果 |
examples/32_team_debate_demo.py | Team实现:基于委托做双人辩论Demo,特朗普和拜登辩论 |
examples/33_self_evolving_agent_demo.py | 实现了自我进化Agent的Demo |
examples/34_llm_os_demo.py | 实现了LLM OS的初步设计,基于LLM设计操作系统,可以通过LLM调用RAG、代码执行器、Shell等工具,并协同代码解释器、研究助手、投资助手等来解决问题。 |
examples/35_workflow_investment_demo.py | 实现了投资研究的工作流:股票信息收集 - 股票分析 - 撰写分析报告 - 复查报告等多个Task |
examples/36_workflow_news_article_demo.py | 实现了写新闻稿的工作流,multi-agent的实现,多次调用搜索工具,并生成高级排版的新闻文章 |
examples/37_workflow_write_novel_demo.py | 实现了写小说的工作流:定小说提纲 - 搜索谷歌反思提纲 - 撰写小说内容 - 保存为md文件 |
examples/38_workflow_write_tutorial_demo.py | 实现了写技术教程的工作流:定教程目录 - 反思目录内容 - 撰写教程内容 - 保存为md文件 |
examples/39_audio_multi_turn_demo.py | 基于openai的语音api做多轮音频对话的Demo |
The self-evolving agent design:
具有反思和增强记忆能力的自我进化智能体(self-evolving Agents with Reflective and Memory-augmented Abilities, SAGE)
实现方法:
- 使用PythonAgent作为SAGE智能体,使用AzureOpenAIChat作为LLM, 具备code-interpreter功能,可以执行Python代码,并自动纠错。
- 使用CsvMemoryDb作为SAGE智能体的记忆,用于存储用户的问题和答案,下次遇到相似的问题时,可以直接返回答案。
cd examples
streamlit run 33_self_evolving_agent_demo.py
The LLM OS design:
cd examples
streamlit run 34_llm_os_demo.py
- Issue(建议) :
- 邮件我:xuming: xuming624@qq.com
- 微信我: 加我微信号:xuming624, 备注:姓名-公司-NLP 进NLP交流群。
如果你在研究中使用了agentica
,请按如下格式引用:
APA:
Xu, M. agentica: A Human-Centric Framework for Large Language Model Agent Workflows (Version 0.0.2) [Computer software]. https://github.com/shibing624/agentica
BibTeX:
@misc{Xu_agentica,
title={agentica: A Human-Centric Framework for Large Language Model Agent Workflows},
author={Xu Ming},
year={2024},
howpublished={\url{https://github.com/shibing624/agentica}},
}
授权协议为 The Apache License 2.0,可免费用做商业用途。请在产品说明中附加agentica
的链接和授权协议。
项目代码还很粗糙,如果大家对代码有所改进,欢迎提交回本项目,在提交之前,注意以下两点:
- 在
tests
添加相应的单元测试 - 使用
python -m pytest
来运行所有单元测试,确保所有单测都是通过的
之后即可提交PR。
- https://github.com/langchain-ai/langchain
- https://github.com/simonmesmith/agentflow
- https://github.com/phidatahq/phidata
Thanks for their great work!