DAGent

Deskripsi

DAGent menawarkan pustaka Python yang beropini untuk pembuatan agen AI yang cepat dengan overhead minimal. Konsep intinya berkisar pada penataan logika agen AI ke dalam alur kerja, yang divisualisasikan sebagai Directed Acyclic Graph (DAG). Setiap fungsi Python dalam agen diperlakukan sebagai node dalam grafik ini.

Perilaku agen dicapai dengan menggunakan Large Language Models (LLM) untuk menyimpulkan fungsi mana yang akan dieksekusi selanjutnya. Proses inferensi ini dikelola oleh "Decision Node", yang bertindak sebagai titik pusat untuk pengambilan keputusan yang digerakkan oleh LLM. Alat, yang pada dasarnya adalah fungsi Python, dapat diintegrasikan ke dalam agen. Sangat disarankan untuk memberikan docstring yang jelas dan anotasi tipe untuk fungsi-fungsi ini untuk membantu LLM memahami tujuan dan parameternya, terutama untuk alat yang lebih kompleks.

Pustaka ini membedakan antara `FunctionNode` dan `DecisionNode`. `FunctionNode` mengeksekusi fungsi Python, dan ketika dilampirkan ke `DecisionNode`, ia dapat diperlakukan sebagai alat yang dapat dipilih oleh LLM. `DecisionNode` adalah tempat LLM memilih dari sekumpulan fungsi yang tersedia. Metode `.compile()` secara otomatis menghasilkan dan menyimpan deskripsi alat dalam format JSON di bawah folder `Tool_JSON`, yang dapat diedit secara manual jika keandalan agen perlu ditingkatkan. Parameter `prev_output` sangat penting untuk meneruskan data antar fungsi dalam alur kerja, yang mengharuskan parameter tersebut ada dalam tanda tangan fungsi. Untuk menangani parameter yang tidak terduga, menambahkan `**kwargs` ke tanda tangan fungsi disarankan.

DAGent mendukung penggunaan berbagai model LLM untuk inferensi dan pembuatan deskripsi alat. Pengguna dapat menentukan model yang diinginkan saat memanggil fungsi LLM atau saat mengkompilasi instance `DecisionNode`, memungkinkan fleksibilitas dalam memilih model seperti dari Groq atau Ollama. Pustaka ini memfasilitasi penimpaan parameter dinamis untuk node fungsi, memungkinkan penyesuaian perilaku agen selama eksekusi. Umpan balik tentang pustaka dapat diberikan melalui formulir khusus.

Fitur Inti DAGent

• Membangun agen AI menggunakan kode Python yang ada

• Menstrukturkan logika agen sebagai Directed Acyclic Graphs (DAGs)

• Pemilihan fungsi yang digerakkan LLM melalui Decision Nodes

• Fungsi diperlakukan sebagai alat untuk LLM

• Pembuatan deskripsi alat otomatis (JSON)

• Dukungan untuk berbagai model LLM (misalnya, Groq, Ollama)

• Meneruskan data antar fungsi menggunakan parameter `prev_output`

• Penimpaan parameter dinamis untuk node fungsi

• Termasuk contoh agen quickstart

Memulai dengan DAGent

1. 1

   Instal: pip install dagent atau rye add dagent

2. 2

   Konfigurasi: Pastikan kunci API Anda (misalnya, OPENAI_API_KEY) tersedia

3. 3

   Kembangkan: Definisikan fungsi Python untuk bertindak sebagai node

4. 4

   Integrasikan: Gunakan DecisionNode untuk memungkinkan LLM memilih fungsi

5. 5

   Kompilasi: Jalankan `.compile()` untuk menghasilkan deskripsi alat

6. 6

   Eksekusi: Jalankan alur kerja agen Anda

Kasus Penggunaan DAGent

• Eksekusi Tugas Otomatis
• Agen Analisis Data
• Asisten Pembuatan Kode
• Otomatisasi Alur Kerja
• Integrasi Alat AI Kustom
• Skrip Berbasis LLM

FAQ dari DAGent

• Apa itu DAGent?

  DAGent adalah pustaka Python yang memungkinkan pengembang membangun agen AI dengan cepat dengan menstrukturkan logika mereka ke dalam Directed Acyclic Graphs (DAGs) dan memanfaatkan LLM untuk pengambilan keputusan.

• Bagaimana DAGent menstrukturkan agen AI?

  DAGent menstrukturkan agen AI ke dalam alur kerja di mana setiap fungsi Python adalah node dalam Directed Acyclic Graph (DAG). LLM, melalui Decision Node, menyimpulkan fungsi mana yang akan dieksekusi selanjutnya.

• Bisakah saya menggunakan kode Python saya yang ada dengan DAGent?

  Ya, DAGent dirancang untuk membangun agen AI dengan kode Python Anda yang ada. Fungsi dapat diperlakukan sebagai alat yang dapat dimanfaatkan oleh LLM.

• Apa itu Decision Node di DAGent?

  Decision Node adalah komponen di DAGent di mana LLM memilih fungsi (alat) mana yang akan dijalankan dari sekumpulan opsi yang diberikan.

• Bagaimana deskripsi alat dihasilkan di DAGent?

  Deskripsi alat dihasilkan secara otomatis dan disimpan dalam format JSON di bawah folder `Tool_JSON` saat Anda memanggil metode `.compile()` pada DecisionNode.

• Bagaimana cara meneruskan data antar fungsi di DAGent?

  Data dapat diteruskan antar fungsi dengan menyertakan parameter `prev_output` dalam tanda tangan fungsi. Parameter ini menerima nilai kembali dari fungsi sebelumnya.

• Apakah DAGent mendukung model LLM yang berbeda?

  Ya, DAGent mendukung penggunaan model LLM yang berbeda untuk inferensi dan pembuatan deskripsi alat. Anda dapat menentukan model saat memanggil fungsi LLM atau mengkompilasi DecisionNodes.

• Bagaimana cara menimpa parameter fungsi di DAGent?

  Argumen fungsi dapat ditimpa kapan saja dengan mengatur atribut `user_params` pada node fungsi, menggabungkan kwargs dengan prioritas kepada pengguna.

• Apa yang harus saya lakukan jika agen saya tidak dapat diandalkan?

  Jika agen tidak dapat diandalkan, Anda dapat mencoba mengedit deskripsi alat yang dihasilkan di folder `Tool_JSON` atau menjalankan metode kompilasi dengan `force_load=True`.

• Apa saja opsi instalasi untuk DAGent?

  Anda dapat menginstal DAGent menggunakan pip dengan `pip install dagent` atau menggunakan rye dengan `rye add dagent`.