Стратегическое построение команды AI стало проще с AutoGen

Разработка команды искусственного интеллекта стала проще с AutoGen

Введение

В мире, где цифровой фронт не знает границ, AutoGen выступает архитектором трансформационной парадигмы. Представьте себе возможность иметь свою персонализированную команду искусственного интеллекта, каждый участник которой обладает навыками в различных областях, безупречно сотрудничает, легко общается и неутомимо борется с сложными задачами. Вот суть AutoGen – новаторского многоагентного разговорного рабочего окружения, которое дает вам возможность создать свою персонализированную команду искусственного интеллекта. В этой статье мы раскроем вам магию AutoGen, исследуя, как это позволяет вам собрать свою собственную цифровую команду мечты и достичь необычайных результатов. Добро пожаловать в будущее, где границы между людьми и машинами исчезают, а сотрудничество становится безграничным.

Цели обучения

Прежде чем мы окунемся в подробности, давайте определим основные цели обучения в этой статье:

• Получить всеобъемлющее понимание AutoGen как многоагентного разговорного рабочего окружения.
• Узнать, как агенты взаимодействуют и автономно сотрудничают в многоагентном разговорном рабочем окружении.
• Познакомиться с ключевой ролью config_list в работе AutoGen. Понять лучшие практики по защите API-ключей и управлению конфигурациями для эффективной работы агентов.
• Изучить различные стили разговоров, от полностью автономных до интеракций с участием человека. Узнать о статических и динамических моделях разговоров, поддерживаемых AutoGen.
• Узнать, как использовать AutoGen для настройки LLM на основе валидационных данных, функций оценки и метрик оптимизации.
• Исследовать примеры, такие как создание коллективной команды контентного создания и перевода языка с учетом культурного контекста, чтобы понять, как AutoGen может быть применен в различных сценариях.

Эта статья была опубликована в рамках Data Science Blogathon.

• Ученые создают 3D-печать фолликулов в лабораторной коже
• Apple упростит отправку текстовых сообщений между iPhone и Android
• Вы заплатили 1000 долларов за iPhone, но Apple все равно контролирует его

Что такое AutoGen?

AutoGen – это единое многоагентное разговорное рабочее окружение, которое является высокоуровневой абстракцией для использования базовых моделей. Оно объединяет способных, настраиваемых и возможных к общению агентов, интегрируя модели машинного обучения, инструменты и участников общения через автоматизированный чат. В основном, AutoGen позволяет агентам общаться и работать вместе автономно, эффективно оптимизируя сложные задачи и автоматизируя рабочие процессы.

Почему AutoGen важен?

AutoGen решает потребность в эффективном и гибком многоагентном общении с использованием искусственного интеллекта. Его важность заключается в следующем:

• Упрощает организацию, автоматизацию и оптимизацию сложных рабочих процессов с применением базовых моделей машинного обучения.
• Максимизирует производительность моделей машинного обучения с помощью преодоления их ограничений.
• Позволяет разработку приложений следующего поколения на основе многоагентных разговоров с минимальными усилиями.

Настройка среды разработки

Создание виртуальной среды

Использование виртуальных сред – это хорошая практика, позволяющая изолировать зависимости, специфичные для проекта, и избежать конфликтов с пакетами, установленными в системе. Вот как настроить виртуальную среду Python:

Вариант 1: Venv

python -m venv env_name

• Активация виртуальной среды:

\env_name\Scripts\activate

• На macOS и Linux:

source env_name/bin/activate

Следующая команда деактивирует текущую виртуальную среду:

deactivate

Вариант 2: Conda

conda create -n pyautogen python=3.10conda activate pyautogen

Следующая команда деактивирует текущую conda-среду:

conda deactivate

Python: Autogen требует версию Python ≥3.8

Установка AutoGen:

pip install pyautogen

Установка вашего API

Эффективное управление конфигурациями API является важным аспектом при работе с несколькими моделями и версиями API. OpenAI предоставляет утилиты для помощи пользователям в этом процессе. Важно обеспечить безопасность ваших API-ключей и конфиденциальных данных, сохраняя их в защищенных .txt или .env файлах или как переменные окружения для локальной разработки, избегая случайного раскрытия.

Шаги

1. Получите ключи API от OpenAI, а также по желанию от Azure OpenAI или других провайдеров. 2. Безопасно сохраните эти ключи, используя один из следующих способов:

• Переменные среды: Используйте команду export OPENAI_API_KEY=‘your-key’ в вашем shell.
• Текстовый файл: Сохраните ключ в файле key_openai.txt.
• Файл с переменными окружения: Храните ключ в файле .env, например, OPENAI_API_KEY=sk-

Что такое Config_list?

config_list играет решающую роль в работе AutoGen, позволяя интеллектуальным помощникам динамически выбирать соответствующую конфигурацию модели. Он решает основные вопросы, такие как ключи API, конечные точки и версии, обеспечивая плавное и надежное функционирование помощников при выполнении различных задач.

Шаги:

1. Сохраните конфигурации в переменной среды с именем OAI_CONFIG_LIST как допустимую строку JSON.

2. Альтернативно, сохраните конфигурации в локальном JSON файле с именем OAI_CONFIG_LIST.json

3. Добавьте OAI_CONFIG_LIST в ваш файл .gitignore локального репозитория.

assistant = AssistantAgent(    name="assistant",    llm_config={        "timeout": 400,        "seed": 42,        "config_list": config_list,        "temperature": 0,    },)

Способы генерации Config_list

Вы можете сгенерировать config_list с помощью различных методов в зависимости от вашего случая использования:

• get_config_list: Генерирует конфигурации для API вызовов в основном с использованием предоставленных ключей API.
• config_list_openai_aoai: Создает список конфигураций, используя как Azure OpenAI, так и конечные точки OpenAI, получая ключи API из переменных среды или локальных файлов.
• config_list_from_json: Загружает конфигурации из структуры JSON, позволяя фильтровать конфигурации на основе определенных критериев.
• config_list_from_models: Создает конфигурации на основе предоставленного списка моделей, полезный для нацеливания на конкретные модели без ручной настройки.
• config_list_from_dotenv: Строит список конфигураций из файла .env, упрощая управление несколькими конфигурациями и ключами API из одного файла.

Теперь давайте рассмотрим два важных метода для генерации config_list:

Get_config_list

Используется для генерации конфигураций для вызовов API.

api_keys = ["YOUR_OPENAI_API_KEY"]base_urls = None      api_keys,    base_urls=base_urls,    api_type=api_type,    api_version=api_version)print(config_list)

Config_list_from_json

Этот метод загружает конфигурации из переменной среды или JSON файла. Он обеспечивает гибкость, позволяя пользователям фильтровать конфигурации на основе определенных критериев.

Ваша структура JSON должна выглядеть примерно так:

# Пример файла OAI_CONFIG_LIST[    {        "model": "gpt-4",        "api_key": "YOUR_OPENAI_API_KEY"    },    {        "model": "gpt-3.5-turbo",        "api_key": "YOUR_OPENAI_API_KEY",        "api_version": "2023-03-01-preview"    }]

config_list= autogen.config_list_from_json(    env_or_file="OAI_CONFIG_LIST",    # или OAI_CONFIG_LIST.json, если добавлено расширение файлаfilter_dict={"model": {            "gpt-4",            "gpt-3.5-turbo",        }    })

Основные особенности

• AutoGen упрощает разработку сложных приложений LLM, которые включают многоагентные беседы, минимизируя необходимость в обширных ручных усилиях. Он оптимизирует оркестрацию, автоматизацию и оптимизацию сложных рабочих процессов LLM, улучшая общую производительность и разрешая сопутствующие ограничения.
• Он обеспечивает разнообразные шаблоны беседы для сложных рабочих процессов, позволяя разработчикам создавать настраиваемые и интерактивные агенты. С помощью AutoGen можно создавать широкий спектр шаблонов беседы, учитывая такие факторы, как автономия беседы, количество агентов и топология беседы.
• Платформа предлагает ряд операционных систем с различной сложностью, что демонстрирует ее универсальность в различных приложениях из разных областей. Возможность AutoGen поддерживать широкий спектр шаблонов беседы проявляется через эти разнообразные реализации.
• AutoGen обеспечивает улучшенный вывод LLM. Он предлагает такие утилиты, как унификация и кэширование API, а также расширенные сценарии использования, такие как обработка ошибок, множественная конфигурация вывода и контекстное программирование, тем самым улучшая общую возможность вывода.

Фреймворк для многоагентных бесед

AutoGen предлагает унифицированный фреймворк для многоагентных бесед в качестве высокоуровневой абстракции использования базовых моделей. Представьте, что у вас есть группа виртуальных помощников, которые могут общаться друг с другом и совместно решать сложные задачи, такие как организация большого мероприятия или управление сложным проектом. AutoGen помогает им делать это эффективно и эффективно.

Агенты

Агенты AutoGen являются частью фреймворка AutoGen. Эти агенты предназначены для решения задач путем взаимодействия между агентами. Вот некоторые примечательные особенности агентов AutoGen:

• Возможность проведения беседы: Агенты AutoGen могут проводить беседы, что означает, что они могут передавать и получать сообщения для проведения дискуссий, подобно тому, как люди разговаривают друг с другом. Это помогает им совместно работать.
• Настройка: Агенты AutoGen могут быть настроены для интеграции ЛЛМ, людей, инструментов или их комбинации.

Встроенные агенты в AutoGen

Мы создали особый класс под названием «Агент для проведения беседы», который помогает программам взаимодействовать друг с другом для совместного выполнения задач. Эти агенты могут отправлять сообщения и выполнять различные действия на основе полученных сообщений.

Существуют два основных типа агентов:

• Ассистент-агент: Этот агент является вспомогательным искусственным интеллектом. Он может писать Python-код, который выполняется при получении задачи. Он использует умную программу, называемую ЛЛМ (как GPT-4), для написания кода. Он также может проверять результаты и предлагать исправления. Вы можете изменить его поведение, дав ему новые инструкции. Вы также можете настраивать его взаимодействие с ЛЛМ с помощью llm_config.
• Агент-посредник пользователя: Этот агент действует как посредник для людей. Он может обращаться к людям за помощью или выполнять код при необходимости. Он может даже использовать ЛЛМ для генерации ответов, когда он не выполняет код. Вы можете управлять выполнением кода и использованием ЛЛМ с помощью настроек, таких как code_execution_config и llm_config.

Эти агенты могут общаться друг с другом без помощи людей, но при необходимости люди могут вступить в игру. Вы также можете добавлять им больше функций с помощью метода register_reply().

Применение: многоагентный фреймворк AutoGen для ответа пользователю

В приведенном ниже фрагменте кода мы определяем AssistantAgent с именем «Агент1», который будет выступать в роли помощника по общим вопросам, «Агент2», который будет выступать в роли помощника по техническим вопросам, и UserProxyAgent с именем «user_proxy», который будет выступать в качестве посредника для человеческого пользователя. Позже мы будем использовать этих агентов для выполнения определенной задачи.

import autogen# Импортируем ключ API OpenAIconfig_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")# Создаем два агентаagent1 = autogen.AssistantAgent(    name="Агент 1",    llm_config={        "seed": 42,        "config_list": config_list,        "temperature": 0.7,        "request_timeout": 1200,    },    system_message="Агент 1. Я могу помочь с общими вопросами.",)agent2 = autogen.AssistantAgent(    name="Агент 2",    llm_config={        "seed": 42,        "config_list": config_list,        "temperature": 0.7,        "request_timeout": 1200,    },    system_message="Агент 2. Я здесь, чтобы помочь с техническими вопросами.",)# Создаем агента-посредника пользователяuser_proxy = autogen.UserProxyAgent(    name="Агент пользователя",    human_input_mode="ALWAYS",    code_execution_config=False,)# Создаем групповой чат для беседыchat_group = autogen.GroupChat(    agents=[agent1, agent2, user_proxy],    messages=[],    max_round=10,)# Создаем менеджера группового чатаchat_manager = autogen.GroupChatManager(groupchat=chat_group, llm_config=agent_config)# Запускаем разговор с вопросом пользователяuser_proxy.initiate_chat(    chat_manager,    message="Можете объяснить концепцию машинного обучения?")

В этом простом примере два агента, «Агент 1» и «Агент 2», сотрудничают для предоставления ответов на вопросы пользователя. Агент-посредник пользователя обеспечивает коммуникацию между пользователем и другими агентами. Это демонстрирует основной пример использования многоагентного фреймворка AutoGen для ответа на вопросы пользователей.

Поддержка разнообразных моделей разговора

AutoGen поддерживает различные стили разговора, предоставляя возможность проводить как полностью автоматизированные, так и взаимодействия, в которых участвуют люди.

Разнообразные стили разговора

1. Автономные разговоры: После начальной настройки вы можете проводить полностью автоматизированные разговоры, в которых агенты работают независимо.
2. Взаимодействие с участием человека: AutoGen можно настроить на вовлечение людей в процесс разговора. Например, вы можете установить режим ввода человека на “ВСЕГДА”, чтобы гарантировать включение человеческого ввода при необходимости, что является ценным во многих приложениях.

Статические и динамические разговоры

AutoGen позволяет проводить как статические, так и динамические модели разговоров.

1. Статические разговоры: Они следуют заранее определенным структурам разговора и являются последовательными независимо от ввода данных.
2. Динамические разговоры: Динамические разговоры адаптируются к текущему потоку разговора, что делает их подходящими для сложных приложений, где невозможно предугадать схемы взаимодействия.

Подходы к проведению динамических разговоров

AutoGen предлагает два метода для проведения динамических разговоров:

Зарегистрированный автоответчик

Вы можете настроить функции автоматического ответа, позволяющие агентам определить, кто будет говорить следующим, на основе текущего сообщения и контекста. Этот подход демонстрируется в примере группового чата, где LLM определяет следующего спикера в чате.

давайте рассмотрим новый сценарий использования для “Зарегистрированного автоответчика” в контексте динамического группового чата, где языковая модель LLM решает, кто должен быть следующим спикером на основе содержания и контекста разговора.

Сценарий использования: совместное создание контента

В этом сценарии использования мы имеем динамический групповой чат, в котором участвуют три агента: UserProxyAgent, представляющий пользователя, агент Writer и агент Editor. Цель состоит в совместном создании письменного контента. Функция Зарегистрированного Автоответчика позволяет LLM решать, когда переключать роли между писателями и редакторами на основе качества и завершенности контента.

# Импортировать ключ API открытого AIconfig_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")# Создать агентов с конфигурациями LLMllm_config = {"config_list": config_list, "seed": 42}user_proxy = autogen.UserProxyAgent(    name="User_proxy",    system_message="Создатель контента.",    code_execution_config={"last_n_messages": 2, "work_dir": "content_creation"},    human_input_mode="TERMINATE")

Создание агентов

writer = autogen.AssistantAgent(    name="Writer",    llm_config=llm_config,)editor = autogen.AssistantAgent(    name="Editor",    system_message="Редактор письменного контента.",    llm_config=llm_config,)groupchat = autogen.GroupChat(agents=[user_proxy, writer, editor], messages=[], max_round=10)manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config)

Начало разговора

# Начать разговор с пользователем в качестве создателя контентастарт_чата_ с пользователем_в_качестве_создателя(  manager,   message="Напишите короткую статью о искусственном интеллекте в здравоохранении.")# Введите 'выход', чтобы завершить разговор

В этом сценарии пользователь, представленный UserProxyAgent, начинает разговор для создания письменной статьи. Сначала агент WriterAgent берет на себя роль разработки контента. Редакторский агент EditorAgent, с другой стороны, готов предоставлять редактирование и предложения. Ключевой момент здесь – это функция Зарегистрированного автоответчика, которая позволяет LLM оценивать качество написанного контента. Когда LLM понимает, что контент готов для редактирования, он автоматически переключается на роль редактора, который затем усовершенствует и улучшает статью.

Этот динамичный разговор гарантирует, что процесс написания является совместным и эффективным, при этом LLM принимает решение, когда вовлечь редактора на основе качества написанного контента.

LLM-основанный вызов функции

LLM (например, GPT-4) может решить, вызвать ли конкретные функции на основе текущего разговора. Эти функции могут включать дополнительных агентов, обеспечивая динамичные многопользовательские разговоры.

Сценарий использования: Перевод языка и культурный контекст

В этом сценарии у нас есть два агента: помощник-агент, который хорошо разбирается в переводе языков, и пользовательский прокси-агент, представляющий пользователя, которому нужна помощь в переводе. Задача состоит не только в переводе слов, но и в понимании культурного контекста, чтобы обеспечить точные и культурно чувствительные переводы.

import autogen# Определение конфигурации агентовconfig_list = autogen.config_list_from_json(    "OAI_CONFIG_LIST",    filter_dict={        "model": ["gpt-4", "gpt4", "gpt-4-32k", "gpt-4-32k-0314", "gpt-4-32k-v0314"],    },)# Определение функции для динамичного разговораd# Создание помощника-переводчика    assistant_translator = autogen.AssistantAgent(        name="assistant_translator",        llm_config={            "temperature": 0.7,            "config_list": config_list,        },    )# Создание пользовательского прокси-агента, представляющего пользователя    user = autogen.UserProxyAgent(        name="user",        human_input_mode="ALWAYS",        code_execution_config={"work_dir": "user"},    )123456bash# Инициирование сеанса чата с ассистентом для перевода    user.initiate_chat(assistant_translator, message=message)    user.stop_reply_at_receive(assistant_translator)123bash# Отправка сигнала ассистенту для     завершения перевода    user.send("Пожалуйста, предоставьте точный перевод с учетом культурных особенностей.", assistant_translator)    # Возврат последнего полученного сообщения от ассистента return user.last_message()["content"]12345bash# Создание агентов для пользователя и ассистентаassistant_for_user = autogen.AssistantAgent(    name="assistant_for_user",    system_message="Вы языковой помощник.     Ответьте TERMINATE, когда перевод завершен.",    llm_config={        "timeout": 600,        "seed": 42,        "config_list": config_list,        "temperature": 0.7,        "functions": [            {                "name": "translate_with_cultural_context",                "description": "Перевод и обеспечение     культурной чувствительности.",                "parameters": {                    "type": "object",                    "properties": {                        "message": {                            "type": "string",                            "description": "Текст для перевода                             с учетом культурной чувствительности."                        }                    },                    "required": ["message"],                }            }        ],    })# Создание пользовательского прокси-агента, представляющего пользователяuser = autogen.UserProxyAgent(    name="user",    human_input_mode="TERMINATE",    max_consecutive_auto_reply=10,    code_execution_config={"work_dir": "user"},    function_map={"translate_with_cultural_context": translate_with_cultural_context},)# Перевод предложения с учетом культурной чувствительностиuser.initiate_chat(    assistant_for_user,    message="Переведите фразу     'Спасибо' на язык, который выражает уважение к культуре получателя.")

В этом сценарии использования пользователь начинает разговор с запросом на перевод. Ассистент пытается предоставить перевод, но когда требуется культурная чувствительность, вызывается функция “translate_with_cultural_context” для взаимодействия с пользователем, который, возможно, обладает культурными знаниями. Этот динамичный разговор гарантирует, что переводы не только точны с лингвистической точки зрения, но и культурно соответствуют.

Универсальность в различных приложениях

• Генерация, выполнение и отладка кода
• Коллаборация нескольких агентов (>3 агентов)
• Приложения
• Использование инструментов
• Обучение и обучение агентов

Улучшенный вывод

AutoGen предоставляет расширенные возможности вывода языковой модели (LLM). Он включает autogen.OpenAIWrapper для openai>=1 и autogen.Completion, которые можно использовать в качестве замены openai.Completion и openai.ChatCompletion с дополнительными функциями для openai<1. Использование AutoGen для вывода предлагает различные преимущества, включая настройку производительности, унификацию API, кэширование, обработку ошибок, инференцию с несколькими конфигурациями, фильтрацию результатов, шаблонизацию и многое другое.

Настройка параметров вывода (для openai<1)

При работе с основными моделями для генерации текста общая стоимость часто связана с количеством токенов, используемых и входящими, и исходящими данными. С точки зрения разработчика приложения, использующего эти модели, целью является максимизация полезности сгенерированного текста при соблюдении установленного бюджета для вывода. Для достижения этой оптимизации требуется настройка определённых гиперпараметров, которые могут значительно влиять на качество сгенерированного текста и его стоимость.

1. Выбор модели: Необходимо указать ID модели, которую вы хотите использовать, поскольку это существенно влияет на качество и стиль сгенерированного текста.
2. Начальный запрос или сообщения: Это исходные входные данные, устанавливающие контекст для генерации текста. Они служат отправной точкой для модели для генерации текста.
3. Максимальное количество токенов (Max_tokens): Этот параметр определяет максимальное количество слов или токенов в сгенерированном тексте. Он помогает управлять длиной вывода.
4. Управление температурой: Температура, на шкале от 0 до 1, влияет на уровень случайности в сгенерированном тексте. Более высокие значения приводят к большей разнообразности, в то время как более низкие значения делают текст более предсказуемым.
5. Вероятность выбора токенов (Top_p): Это значение, также изменяющееся от 0 до 1, влияет на вероятность выбора токенов. Более низкие значения приоритезируют общие токены, в то время как более высокие значения побуждают модель исследовать более широкий диапазон.
6. Количество ответов (N): N определяет, сколько ответов модель генерирует для заданного запроса. Несколько ответов могут давать разнообразный результат, но это сопровождается дополнительными затратами.
7. Условия остановки: Условия остановки – это определенные слова или фразы, которые, когда встречаются в сгенерированном тексте, прекращают процесс генерации. Они полезны для контроля длины вывода и его содержания.

Эти гиперпараметры взаимосвязаны, и их комбинации могут оказывать сложное влияние на стоимость и качество генерируемого текста.

Использование AutoGen для настройки

Вы можете использовать AutoGen для настройки LLM на основе:

• Валидационных данных: Соберите различные экземпляры, чтобы проверить эффективность процесса настройки. Обычно эти экземпляры хранятся в виде словарей, каждый из которых содержит описания задач и решений.
• Функция оценки: Создайте функцию оценки для оценки качества ответов на основе валидационных данных. Эта функция принимает список ответов и другой входной данные из валидационных данных и выдает метрики, такие как успех.
• Метрика для оптимизации: Выберите метрику для оптимизации, обычно на основе агрегированных метрик по всем валидационным данным. Например, вы можете оптимизировать для “успеха” с использованием разных режимов оптимизации.
• Пространство поиска: Определите пространство поиска для каждого гиперпараметра. Например, укажите модель, начальный запрос/сообщения, максимальное количество токенов и другие параметры, либо как константы, либо используя заранее заданный диапазон поиска.
• Бюджеты: Установите бюджеты для вывода и оптимизации. Бюджет вывода относится к средней стоимости в данном случае, а бюджет оптимизации определяет общий бюджет, выделенный на процесс настройки.

Для настройки используйте autogen.Completion.tune, который вернет оптимизированную конфигурацию и предоставит информацию о всех протестированных конфигурациях и результатах.

Унификация API

autogen.OpenAIWrapper.create() для создания завершений как для чатовых, так и некоммерческих моделей, а также как для OpenAI API, так и для Azure OpenAI API. Это объединяет использование API для разных моделей и конечных точек.

Кеширование

Результаты вызовов API кешируются локально для воспроизводимости и экономии затрат. Вы можете контролировать поведение кеширования, указав сид.

Обработка ошибок

AutoGen позволяет смягчить ошибки времени выполнения, передав список конфигураций разных моделей/конечных точек. Он будет пробовать разные конфигурации, пока не будет получен действительный результат, что может быть полезно, когда ограничения скорости являются проблемой.

Шаблонизация

Шаблоны в запросах и сообщениях могут быть автоматически заполнены контекстом, что упрощает работу с динамическим контентом.

Ведение журнала

AutoGen предоставляет функции ведения журнала для вызовов API, позволяя отслеживать и анализировать историю запросов и ответов API для отладки и анализа. Вы можете переключаться между компактным и индивидуальным форматами журнала вызовов API.

Эти возможности делают AutoGen ценным инструментом для настройки и оптимизации вывода LLM под ваши специфические требования и ограничения.

Заключение

В этом путешествии через AutoGen мы раскрыли схему будущего, где сотрудничество между человеком и искусственным интеллектом не знает границ. Фреймворк мультиагентных разговоров позволяет нам создавать наши персонализированные команды мечты с участием ИИ, стирая границы между людьми и машинами. AutoGen открывает перед нами безграничные возможности. Он оптимизирует сложные задачи, максимизирует потенциал моделей LLM и позволяет разрабатывать следующее поколение приложений ИИ. Подводя итог, вопрос не заключается в том “если”, а в том “как” вы отправитесь в свое собственное путешествие, возможности которого создает AutoGen, и примите мир, где сотрудничество по-настоящему безгранично. Начните создавать, начните инновации и разблокируйте потенциал AutoGen уже сегодня!

Основные выводы

• AutoGen открывает новую эру, где вы можете создать свою персонализированную команду мечты с участием ИИ, состоящую из агентов, обладающих навыками в различных областях, работающих вместе в полном согласии.
• AutoGen оптимизирует сложные задачи и автоматизирует рабочие процессы, делая его мощным инструментом для оркестрации и оптимизации задач, связанных с большими моделями языка (LLM).
• Безопасное управление ключами API и конфиденциальными данными является важным аспектом работы с AutoGen. Необходимо следовать bewt практикам для защиты вашей информации.
• Компонент config_list является важной частью, позволяющей агентам адаптироваться и превосходить в различных задачах путем эффективной обработки нескольких конфигураций и взаимодействий с API OpenAI.

Часто задаваемые вопросы

Показанный в этой статье материал не принадлежит Analytics Vidhya и используется по усмотрению автора.