phidata: 构建具有记忆、知识和工具的AI助手

phidata

phidata:让AI助手更智能、更自主

在人工智能快速发展的今天,大型语言模型(LLM)的能力令人惊叹。然而,如何将这些通用的LLM转化为能够解决特定问题的专门AI助手,一直是开发者面临的挑战。phidata应运而生,为开发者提供了一个强大的框架,用于构建具有记忆、知识和工具的AI助手。

什么是phidata?

phidata是一个开源框架,旨在帮助开发者构建自主AI助手(也称为Agent)。这些AI助手具有长期记忆、上下文知识,以及通过函数调用执行操作的能力。使用phidata,开发者可以将任何LLM转变为功能强大的AI助手,使其能够:

使用DuckDuckGo、Google等搜索网络
使用SQL、DuckDb等分析数据
进行研究并生成报告
从PDF、API等源回答问题
为电影、书籍等编写剧本
总结文章、视频等内容
执行发送电子邮件、查询数据库等任务

phidata架构图

为什么选择phidata?

phidata的出现解决了一个关键问题:如何将通用的LLM转化为针对特定用例的专门助手。phidata通过为LLM扩展记忆、知识和工具来实现这一目标:

记忆: 在数据库中存储聊天历史,使LLM能够进行长期对话。
知识: 在向量数据库中存储信息,为LLM提供业务上下文。
工具: 使LLM能够执行操作,如从API获取数据、发送电子邮件或查询数据库。

记忆和知识让LLM变得更加智能,而工具则使其具备自主性。这种组合使得基于phidata构建的AI助手能够更好地理解用户需求,并提供更准确、更有价值的响应。

phidata如何工作?

使用phidata构建AI助手的过程可以概括为三个步骤:

创建一个Assistant对象
添加工具(函数)、知识(向量数据库)和存储(数据库)
使用Streamlit、FastAPI或Django来构建和部署AI应用

这种简单而强大的工作流程使得开发者能够快速构建和部署自定义的AI助手,而无需深入了解底层的复杂技术细节。

实际应用示例

为了更好地理解phidata的强大功能,让我们来看几个实际应用的例子:

1. 网络搜索助手

from phi.assistant import Assistant
from phi.tools.duckduckgo import DuckDuckGo

assistant = Assistant(tools=[DuckDuckGo()], show_tool_calls=True)
assistant.print_response("What's happening in France?", markdown=True)

这个简单的例子展示了如何创建一个能够搜索网络的AI助手。通过集成DuckDuckGo工具,助手能够实时获取和处理网络信息,为用户提供最新的答案。

2. 金融数据查询助手

from phi.assistant import Assistant
from phi.llm.openai import OpenAIChat
from phi.tools.yfinance import YFinanceTools

assistant = Assistant(
    llm=OpenAIChat(model="gpt-4o"),
    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True, company_news=True)],
    show_tool_calls=True,
    markdown=True,
)
assistant.print_response("What is the stock price of NVDA")
assistant.print_response("Write a comparison between NVDA and AMD, use all tools available.")

这个例子展示了如何创建一个专门用于金融数据查询的AI助手。通过集成YFinance工具,助手能够获取股票价格、分析师推荐、公司信息和新闻,从而提供深入的金融分析。

3. PDF问答助手

phidata还支持构建能够从PDF文档中回答问题的AI助手。这种助手结合了知识库和存储功能,能够理解PDF内容并保持对话的连贯性。

import typer
from typing import Optional, List
from phi.assistant import Assistant
from phi.storage.assistant.postgres import PgAssistantStorage
from phi.knowledge.pdf import PDFUrlKnowledgeBase
from phi.vectordb.pgvector import PgVector2

# 配置数据库连接
db_url = "postgresql+psycopg://ai:ai@localhost:5532/ai"

# 创建知识库
knowledge_base = PDFUrlKnowledgeBase(
    urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
    vector_db=PgVector2(collection="recipes", db_url=db_url),
)
# 首次运行时加载知识库
knowledge_base.load()

# 配置存储
storage = PgAssistantStorage(table_name="pdf_assistant", db_url=db_url)

# 创建PDF助手
def pdf_assistant(new: bool = False, user: str = "user"):
    run_id: Optional[str] = None

    if not new:
        existing_run_ids: List[str] = storage.get_all_run_ids(user)
        if len(existing_run_ids) > 0:
            run_id = existing_run_ids[0]

    assistant = Assistant(
        run_id=run_id,
        user_id=user,
        knowledge_base=knowledge_base,
        storage=storage,
        show_tool_calls=True,
        search_knowledge=True,
        read_chat_history=True,
    )
    
    # 运行助手作为CLI应用
    assistant.cli_app(markdown=True)

if __name__ == "__main__":
    typer.run(pdf_assistant)