Wir bieten Ihnen die Gelegenheit, mit autonomen Agenten zusammenzuarbeiten und ihre Macht aus erster Hand zu erleben. KI-gesteuerte autonome Agenten haben das Potenzial, Branchen zu revolutionieren und unsere Lebensweise zu verändern. Allerdings können sie, wie jede Technologie, zum Guten oder zum Schlechten genutzt werden. Lassen Sie uns anhand von Live-Beispielen und einem ansprechenden Tutorial am Ende untersuchen, wie wir sie nutzen können.

Um es kurz zu machen

Kurz gesagt: Autonome Agenten werden von Amazon in seinen Lagern zum Kommissionieren und Verpacken von Waren eingesetzt. Coca-Cola nutzt autonome Drohnen, um Produktionsanlagen auf Sicherheit und Wartung zu überprüfen, Tesla nutzt autonome Fahrtechnologie in seinen Fahrzeugen für den Transport.

Im letzten Monat sind zwei große Repositories auf GitHub aufgetaucht: Auto GPT und Baby AGI.

Im Grunde nutzen sie LLMs wie GPT-4 , um verschiedene Arten von Aufgaben autonom zu entwickeln und zu verwalten. Mit anderen Worten: Sie brauchen Sie nicht, um damit umzugehen! Sie sind in der Lage, selbst zu bestimmen, was als nächstes zu tun ist, ohne dass Sie dazu etwas beitragen müssen. So können Sie intelligente Agenten einsetzen, die Aufgaben für Sie erledigen und sich entspannen 🙂

Wie Hackathons helfen, Dinge zu reparieren

Wenn man den Menschen mehr von den guten Dingen zeigt, wird dieser gute Teil den größten Teil ihres Lebens in Anspruch nehmen. So können Sie die Entscheidungen einer Person verwalten. Kein Geheimnis – Unsere Entscheidungen werden von Vermarktern kontrolliert, nicht immer im Namen des Guten, aber Tatsache bleibt – wir müssen KI für das Gute einsetzen!

Beim Hackathon von lablab.ai beschrieben Mentoren, wie moderne Technologie genutzt werden kann. Wie hat es mein Leben verändert? Jetzt kann ich den Weg der Zukunft sehen, ich kenne die Berufe der Zukunft, ich kenne die Bereiche, in denen Enthusiasten der nächste Steve Jobs der neuen Generation werden. Haben Sie die Drone-Show gesehen? Marken schalten bereits Werbung direkt in der Luft.

Stellen Sie sich nun vor, wie viele Vektoren es für die Entwicklung gibt. Möchten Sie Ihr eigenes Werbeunternehmen ohne Konkurrenz gründen? Möchten Sie ein medizinisches Zentrum schaffen, das sich durch moderne Technologie auszeichnet? Möchten Sie Ihre Routine automatisieren und mehr Zeit mit Ihrer Familie verbringen? Das Erstaunliche ist, dass ich alles an einem Ort gefunden habe: ein Team, ein neues Startup, Ideen, Innovationen, der Wunsch, Spuren in der Geschichte zu hinterlassen. Das Ganze ist übrigens in 48 Stunden passiert – ich bin gerade über eine Anzeige gestolpert.

Aber jetzt…

Tutorial zu AI Agents: So verwenden und erstellen Sie AI Agents

Einführung

KI-Agenten erfreuen sich zunehmender Beliebtheit, da sie in der Lage sind, eine bestimmte Aufgabe selbstständig zu lösen. Ich vermute, Sie haben von Projekten wie AutoGPT , BabyAGI oder CAMEL gehört. Heute erfahren Sie zumindest teilweise, wie sie funktionieren!

Was ist ein KI-Agent?

AI Agent ist ein Computersystem, das darauf ausgelegt ist, Entscheidungen zu treffen, Tools auszuwählen und Maßnahmen zu ergreifen, um ein bestimmtes, normalerweise ein vordefiniertes Ziel oder eine Reihe von Zielen zu erreichen. Der Agent arbeitet autonom und erfordert selten menschliches Eingreifen in seine Abläufe.

Es sind die richtigen leistungsstarken Tools sowie die Eigenständigkeit, die den KI-Agenten derzeit so viel Aufmerksamkeit verschaffen. Sie sind sicherlich unsere Zukunft und es lohnt sich, sich mit dieser Technologie vertraut zu machen.

Wie verwende ich KI-Agenten?

Derzeit gibt es mehrere Möglichkeiten, Agenten auszuprobieren. Sie können sich für Standardlösungen wie AutoGPT entscheiden. Da unser Team bereits mit ihnen zusammengearbeitet hat, finden Sie Tutorials auf unserer Plattform.

Eine andere Möglichkeit besteht darin, den Agenten selbst zu erstellen. Ich werde genau diesen Weg wählen. Hierzu wird LangChain verwendet. Es handelt sich um ein Framework, das zum Erstellen von Anwendungen basierend auf großen Sprachmodellen erstellt wurde. Es ist sehr leistungsstark und erleichtert die Arbeit mit Models und Agenten erheblich!

Codierungsteil

Wir wissen bereits, warum es sich lohnt, Agenten zu lernen. Jetzt machen wir uns an die Arbeit und versuchen, etwas Eigenes zu erschaffen!

Projektstruktur

Beginnen wir mit der Erstellung eines neuen Verzeichnisses und der Initialisierung der Python-Umgebung.

 mkdir ai-agents cd ai-agents python3 -m venv venv # Linux / MacOS source venv/bin/activate # Windows .\venv\Scripts\activate

Abhängigkeiten

Beginnen wir mit der Installation der notwendigen Tools. Wir benötigen langchain – um mit LLM und Agenten zu arbeiten, requests – um Anfragen an externe APIs zu stellen, openai SDK – für eine einfachere Nutzung der OpenAI-Modelle und duckduckgo-search für die Websuche.

 !pip install langchain !pip install openai !pip install requests !pip install duckduckgo-search

Jetzt können wir Bibliotheken importieren.

 import requests from langchain import OpenAI from langchain.agents import initialize_agent, load_tools, Tool from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.tools import DuckDuckGoSearchRun

An dieser Stelle möchte ich LLM von OpenAI aus definieren. Ich werde GPT-3 für dieses Tutorial verwenden. Sie können mit anderen Modellen spielen. Ich werde auch die anfängliche Eingabeaufforderung definieren und eine Kette für dieses Modell erstellen.

 OPENAI_API_KEY = "sk-..." llm = OpenAI( openai_api_key=OPENAI_API_KEY, temperature=0.8, model_name="text-davinci-003" ) prompt = PromptTemplate( input_variables=["query"], template="You are New Native Internal Bot. Help users with their important tasks, like a professor in a particular field. Query: {query}" ) llm_chain = LLMChain(llm=llm, prompt=prompt)

Testmodell ohne Werkzeug

Sehen wir uns nun an, wie sich unser Modell verhält, wenn es mit unseren Fragen konfrontiert wird. Mal sehen, ob es weiß, was lablab.ai ist und wie es mit dem Integral umgeht!

 llm_chain.run("What is lablab.ai")

Lablab.ai ist eine Technologieplattform, die Unternehmen auf KI und maschinellem Lernen basierende Lösungen bietet, um ihre Abläufe zu rationalisieren und effizienter zu gestalten. Es bietet eine Reihe von KI-Diensten wie Verarbeitung natürlicher Sprache, maschinelles Sehen, Automatisierung und andere branchenspezifische Lösungen. Es soll Unternehmen dabei helfen, ihre Kundenerlebnisse zu verbessern, Kosten zu senken und die Produktivität zu steigern.

 llm_chain.run("Integral of x * (log(x)^2)")

Die Antwort lautet x^2 log(x)^3 / 3 + C, wobei C eine beliebige Integrationskonstante ist.

Wie Sie sehen, sind beide Antworten falsch. Der korrekte Wert des Integrals ist: 1/4 x^2 (1 - 2 log(x) + 2 log^2(x)) . Andererseits glaube ich nicht, dass ich irgendjemandem erklären muss, was lablab.ai ist 😉.

Falsche Antworten sind darauf zurückzuführen, dass LLM nicht über Rechenkenntnisse verfügt und nicht über aktuelle Informationen verfügt.

Das von uns verwendete Modell verfügt über Informationen bis September 2021. Die Plattform lablab.ai wurde später erstellt. Für beide Probleme haben wir jedoch Lösungen!

Bereiten Sie Tools für den Agenten vor

Um unsere Probleme zu lösen, ist es eine gute Idee, Agenten und Tools zu verwenden. Wir können ein Internet-Suchtool verwenden – so können wir nach aktuellen Informationen suchen. Dadurch wird der Wissensumfang unseres Modells bis zum heutigen Tag erweitert! Es gibt bereits ein fertiges Tool, das wir nur von LangChain importieren werden! Die Lösung des Zählproblems ist eine API von Wolfram Alpha . Es kann mathematische Probleme sehr gut lösen! Ich empfehle es sehr.

Beginnen wir mit der Zusammenstellung eines Suchtools. Es heißt DuckDuckGoSearchRun und wir haben es bereits importiert.

 search = DuckDuckGoSearchRun() # Web Search Tool search_tool = Tool( name = "Web Search", func=search.run, description="A useful tool for searching the Internet to find information on world events, issues, etc. Worth using for general topics. Use precise questions." )

So einfach ist das! Lassen Sie uns nun ein Tool zum Lösen mathematischer Probleme erstellen. Wir werden hierfür eine benutzerdefinierte Klasse erstellen. Es gibt viele APIs, die von Wolfram Alpha erstellt wurden, aber ich werde eine der einfachsten verwenden.

 class WA: """ Wolfram|Alpha API """ def __init__(self, app_id): self.url = f"http://api.wolframalpha.com/v1/result?appid={app_id}&i=" def run(self, query): query = query.replace("+", " plus ").replace("-", " minus ") # '+' and '-' are used in URI and cannot be used in request result = requests.post(f"{self.url}{query}") if not result.ok: raise Exception("Cannot call WA API.") return result.text

Diese API verarbeitet Anfragen in natürlicher Sprache und gibt Ergebnisse zurück. Es wird perfekt für uns sein! run -Methode erledigt das! Definieren wir nun unser Tool.

 WA_API_KEY = "<WA_API_KEY>" # You can get it here: https://products.wolframalpha.com/api/ wa = WA(app_id=WA_API_KEY) wa_tool = Tool( name="Wolfram|Alpha API", func=wa.run, description="Wolfram|Alpha API. It's super powerful Math tool. Use it for simple & complex math tasks." )

Erstellen Sie einen Agenten und testen Sie die Leistung

Okay, der letzte Schritt besteht darin, einen Agenten zu erstellen, ihm Tools zur Verfügung zu stellen und die Ergebnisse zu überprüfen. Lass es uns tun!

 agent = initialize_agent( agent="zero-shot-react-description", tools=[wa_tool, search_tool], llm=llm, verbose=True, # I will use verbose=True to check process of choosing tool by Agent max_iterations=3 )

Schauen wir uns frühere Eingabeaufforderungen an!

 r_1 = agent("What is lablab.ai?") print(f"Final answer: {r_1['output']}") r_2 = agent("Integral of x * (log(x)^2)") print(f"Final answer: {r_2['output']}")

Vorherige Antworten:

Lablab.ai ist eine Technologieplattform, die Unternehmen auf KI und maschinellem Lernen basierende Lösungen bietet, um ihre Abläufe zu rationalisieren und effizienter zu gestalten. Es bietet eine Reihe von KI-Diensten wie Verarbeitung natürlicher Sprache, maschinelles Sehen, Automatisierung und andere branchenspezifische Lösungen. Es soll Unternehmen dabei helfen, ihre Kundenerlebnisse zu verbessern, Kosten zu senken und die Produktivität zu steigern.

Die Antwort lautet x^2 log(x)^3 / 3 + C, wobei C eine beliebige Integrationskonstante ist.

Neue Antworten:

lablab.ai ist eine Plattform für KI-Tools und -Technologien. Es bietet KI-Tutorials, Hackathons, Zugang zu modernsten Sprachmodellen und mehr.

x^2/4 + 1/2 x^2 log^2(x) - 1/2 x^2 log(x)

Abschluss

Wie Sie mit Tools sehen können, sind die Ergebnisse viel besser! Das Integral wird korrekt gezählt und auch die Antwort auf die Frage zur lablab.ai-Plattform ist von besserer Qualität. Dies zeigt, wie die Hinzufügung einfacher Tools dazu beitrug, die Richtigkeit der Antworten zu erhöhen. Ich denke, deshalb lohnt es sich jetzt, Ihre Zeit zu investieren, damit unsere Arbeit mit LLM in Zukunft noch besser unterstützt werden kann!

Was kann verbessert werden?

Um Anwendungen zu verbessern, empfiehlt es sich, andere Arten von Agenten auszuprobieren. Für sie lohnt es sich auch, Speicher zu verwenden. Hier können Vektordatenbanken hilfreich sein. Glücklicherweise unterstützt LangChain sie auch!