XAgent是一个开源的基于大型语言模型(LLM)的自主智能体,可以自动解决各种任务。 它被设计为一个通用的智能体,可以应用于各种任务。目前,XAgent仍处于早期阶段,我们正在努力改进它。
🏆 我们的目标是创建一个可以解决任何给定任务的超级智能智能体!
我们欢迎各种形式的合作,包括全职、兼职等。如果您对智能体的前沿感兴趣,并希望加入我们实现真正的自主智能体,请通过 xagentteam@gmail.com 与我们联系。
XAgent具有以下特点:
XAgent由三部分组成:
工具服务器是为XAgent提供强大和安全的工具来解决任务的服务器。它是一个docker容器,为XAgent提供一个安全的运行环境。 目前,工具服务器提供以下工具:
工具服务器是XAgent的行动发生的地方。它是一个docker容器,为XAgent提供一个安全的运行环境。
因此,您应该首先安装docker
和docker-compose
。
然后,您需要构建工具服务器的镜像。在ToolServer
目录下,运行以下命令:
docker-compose up --build
这将构建工具服务器的镜像并启动工具服务器的容器。如果您想在后台运行容器,请使用docker-compose up -d --build
。
参考ToolServer获取更多信息。
如果需要更新工具服务器或您想重新构建工具服务器的镜像,请使用以下命令:
docker compose build
在启动ToolServer后,您可以配置并运行XAgent。
pip install -r requirements.txt
配置XAgent
您需要使用config.yml
配置XAgent才能运行。
请提供至少一个 OpenAI key,用于访问OpenAI API。
我们建议您配置使用gpt-4-32k
来使用XAgent,gpt-4
也可以用于大多数简单的任务。
并且,在任何情况下,至少需要提供一个gpt-3.5-turbo-16k
API key作为备用模型。
我们不建议您使用gpt-3.5-turbo
来运行XAgent,因为它的上下文长度非常有限,您不应该尝试在上面运行XAgent。
运行XAgent
python run.py --task "put your task here" --model "gpt-4"
您可以使用参数--upload_files
来指定提交给XAgent的文件。
您的XAgent的本地工作空间在local_workspace
中,您可以在运行过程中找到XAgent生成的所有文件。
此外,在running_records
中,您可以找到所有的中间步骤信息,例如任务状态、LLM的输入输出对、使用的工具等。
在运行结束后,ToolServerNode
中的完整worksapce
也将被打包下载到其中。
## 在ToolServer docker 时已经开启web ui docker了
## 只需新开一个命令行,开启docker中的 nginx
docker exec XAgent-Server systemctl start nginx
构建XAgent-Server的docker镜像并启动docker容器。
您将看到XAgent Server在端口8090
上监听。
您可以在浏览器中打开http://localhost:5173
来访问XAgent的GUI。
参考XAgentServer获取更多信息。
我们提供了一些使用XAgent解决任务的案例:
你可以在XAgent官网上查看我们的在线演示。我们还提供了视频演示和使用XAgent的案例:
在这个案例中,我们将展示XAgent如何使用双环机制来解决数据分析任务。
我们将使用一个简单的数据集iris.zip
上传到XAgent,然后让XAgent分析数据集并生成一个报告。
XAgent将任务分解为4个子任务:(1)数据理解,(2)验证Python环境,(3)编写数据分析代码,(4)编写报告。
这里是XAgent绘制的一张图:
XAgent拥有独特的能力,可以积极寻求人类协助并共同解决问题,持续重新定义着人类与智能体人合作的界限。如下方截图所示,用户寻求了XAgent的帮助,以推荐一些适合友好聚会的优秀餐厅,但未提供具体细节。识别到提供的信息不足,XAgent利用了“请求人类帮助”工具,促使人类介入以获取用户的偏好位置、预算限制、烹饪偏好以及任何饮食限制。凭借这宝贵的反馈信息,XAgent轻松地生成了定制的餐厅推荐,确保用户及其朋友们获得了个性化和令人满意的体验。
XAgent 不仅能处理琐碎任务,还可以在复杂任务中提供宝贵的帮助,比如模型训练。在这里,我们展示了一个用户希望分析电影评论并评估特定电影周围公众情感的情景。作为回应,XAgent 迅速启动了下载 IMDB 数据集的过程,以训练一款先进的 BERT 模型(见下方截图),利用深度学习的强大能力。拥有了这个训练有素的 BERT 模型,XAgent 能够轻松地应对电影评论的复杂细节,提供关于公众对各种电影看法的见解性预测。
我们进行了人类偏好评估,以评估XAgent的性能。我们为评估准备了超过50个现实世界的复杂任务,可以分为5个类别:搜索与报告,编码与开发,数据分析,数学和生活助手。
我们将XAgent的结果与AutoGPT进行比较,结果显示XAgent完全胜过AutoGPT。
我们将很快放出XAgent的运行日志。
我们在人类偏好方面报告了XAgent相对于AutoGPT的显著改进。
此外,我们还在以下基准上对XAgent进行了评估:
我们的官方博客在这里!
衷心感谢所有贡献者。你们的努力使得这个项目不断成长和进步。无论大小,每一份贡献都是宝贵的。
如果您发现我们的仓库对您有帮助,请引用我们的论文:
@misc{xagent2023,
title={XAgent: An Autonomous Agent for Complex Task Solving},
author={XAgent Team},
year={2023},
}
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。