DAGent

Descrição

DAGent oferece uma biblioteca Python opinativa para a criação rápida de agentes de IA com sobrecarga mínima. O conceito central gira em torno da estruturação da lógica do agente de IA em um fluxo de trabalho, visualizado como um Grafo Acíclico Direcionado (DAG). Cada função Python dentro do agente é tratada como um nó neste grafo.

O comportamento agêntico é alcançado empregando Modelos de Linguagem Grandes (LLMs) para inferir qual função executar em seguida. Este processo de inferência é gerenciado por um "Nó de Decisão", que atua como o ponto central para a tomada de decisão impulsionada por LLM. Ferramentas, que são essencialmente funções Python, podem ser integradas ao agente. É altamente recomendável fornecer docstrings claras e anotações de tipo para essas funções para auxiliar o LLM a entender seu propósito e parâmetros, especialmente para ferramentas mais complexas.

A biblioteca distingue entre `FunctionNode` e `DecisionNode`. Um `FunctionNode` executa uma função Python e, quando conectado a um `DecisionNode`, pode ser tratado como uma ferramenta que um LLM pode selecionar. O `DecisionNode` é onde o LLM escolhe entre um conjunto de funções disponíveis. O método `.compile()` gera e salva automaticamente descrições de ferramentas em formato JSON sob uma pasta `Tool_JSON`, que pode ser editada manualmente se a confiabilidade do agente precisar ser melhorada. O parâmetro `prev_output` é crucial para passar dados entre funções no fluxo de trabalho, exigindo que ele esteja presente na assinatura da função. Para lidar com parâmetros inesperados, adicionar `**kwargs` às assinaturas de função é aconselhável.

DAGent suporta o uso de vários modelos de LLM para inferência e geração de descrições de ferramentas. Os usuários podem especificar o modelo desejado ao chamar funções de LLM ou ao compilar instâncias de `DecisionNode`, permitindo flexibilidade na escolha de modelos como os de Groq ou Ollama. A biblioteca facilita a substituição dinâmica de parâmetros para nós de função, permitindo o ajuste fino do comportamento do agente durante a execução. O feedback sobre a biblioteca pode ser fornecido através de um formulário dedicado.

Recursos principais de DAGent

• Construa agentes de IA usando código Python existente

• Estruture a lógica do agente como Grafos Acíclicos Direcionados (DAGs)

• Seleção de função impulsionada por LLM via Nós de Decisão

• Funções tratadas como ferramentas para LLMs

• Geração automática de descrições de ferramentas (JSON)

• Suporte para múltiplos modelos de LLM (ex: Groq, Ollama)

• Passe dados entre funções usando o parâmetro `prev_output`

• Substituição dinâmica de parâmetros para nós de função

• Inclui agente quickstart de exemplo

Primeiros passos com DAGent

1. 1

   Instalar: pip install dagent ou rye add dagent

2. 2

   Configurar: Certifique-se de que sua chave de API (ex: OPENAI_API_KEY) esteja disponível

3. 3

   Desenvolver: Defina funções Python para atuar como nós

4. 4

   Integrar: Use DecisionNode para permitir que LLMs selecionem funções

5. 5

   Compilar: Execute `.compile()` para gerar descrições de ferramentas

6. 6

   Executar: Execute seu fluxo de trabalho do agente

Casos de uso de DAGent

• Execução Automatizada de Tarefas
• Agentes de Análise de Dados
• Assistentes de Geração de Código
• Automação de Fluxos de Trabalho
• Integração Personalizada de Ferramentas de IA
• Scripting com Poder de LLM

Perguntas frequentes de DAGent

• O que é DAGent?

  DAGent é uma biblioteca Python que permite aos desenvolvedores construir agentes de IA rapidamente, estruturando sua lógica em Grafos Acíclicos Direcionados (DAGs) e aproveitando LLMs para tomada de decisão.

• Como o DAGent estrutura agentes de IA?

  DAGent estrutura agentes de IA em fluxos de trabalho onde cada função Python é um nó em um Grafo Acíclico Direcionado (DAG). Um LLM, através de um Nó de Decisão, infere qual função executar em seguida.

• Posso usar meu código Python existente com DAGent?

  Sim, DAGent é projetado para construir agentes de IA com seu código Python existente. Funções podem ser tratadas como ferramentas que o LLM pode utilizar.

• O que é um Nó de Decisão no DAGent?

  Um Nó de Decisão é um componente no DAGent onde um LLM seleciona qual função (ferramenta) executar de um determinado conjunto de opções.

• Como as descrições de ferramentas são geradas no DAGent?

  As descrições de ferramentas são geradas automaticamente e salvas em formato JSON sob uma pasta `Tool_JSON` quando você chama o método `.compile()` em um DecisionNode.

• Como passo dados entre funções no DAGent?

  Dados podem ser passados entre funções incluindo o parâmetro `prev_output` na assinatura da função. Este parâmetro recebe o valor de retorno da função precedente.

• O DAGent suporta diferentes modelos de LLM?

  Sim, DAGent suporta o uso de diferentes modelos de LLM para inferência e geração de descrições de ferramentas. Você pode especificar o modelo ao chamar funções de LLM ou compilar DecisionNodes.

• Como posso substituir parâmetros de função no DAGent?

  Argumentos de função podem ser substituídos a qualquer momento definindo o atributo `user_params` no nó da função, mesclando kwargs com prioridade para o usuário.

• O que devo fazer se meu agente for não confiável?

  Se o agente for não confiável, você pode tentar editar as descrições de ferramentas geradas na pasta `Tool_JSON` ou executar o método compile com `force_load=True`.

• Quais são as opções de instalação para DAGent?

  Você pode instalar DAGent usando pip com `pip install dagent` ou usando rye com `rye add dagent`.