AutoAgents

<p align="center"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/35d6d9da-a067-4242-8cfa-eb60d75b58b4.png?raw=true" width=400/></p>

通过增强思维链推理和信息搜索能力，解锁大语言模型复杂问题回答的潜力。

👉 概览

本项目旨在通过思维链推理和信息搜索行为扩展大语言模型回答更复杂问题的能力。

我们很高兴发布AutoAgents的初始版本，这是一个仅通过精心编写的提示就能实现的概念验证。这是我们迈向第一个重要里程碑的初步尝试，即发布并开源AutoAgents 7B模型！

来试试我们的Hugging Face Space吧！

🤖 AutoAgents项目

该项目展示了大语言模型执行复杂用户目标的能力：理解用户目标、生成计划、使用适当的工具并交付最终结果。

为简单起见，我们的第一次尝试从网络搜索代理开始。

💫 工作原理：

<p align="left"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/be552c70-0789-4210-a608-6a640df4ffc9.png" width=830/></p>

📔 示例

让你的AutoAgent像真人一样使用互联网：

例如：

1. 推荐一部在Sunnyvale附近影院上映的适合儿童观看的电影。给我放映时间和购票链接

2. 过去三位总统就职时的平均年龄是多少

3. 目前的抵押贷款利率是多少，与过去两年相比如何

💁 路线图

• 使用OpenAI模型的Hugging Face Space演示 链接
• AutoAgents [7B] 模型
  • 初始发布：
    • 微调并发布一个7B参数的微调搜索模型
• AutoAgents数据集
  • 为diverse搜索场景提供高质量数据集（为什么需要质量和多样性？¹）
• 减少模型推理开销
• 可负担性建模 ²
• 扩展对其他工具的支持
• 可自定义文档搜索集（如个人文档）
• 支持多轮对话
• 计划执行中的高级流程控制

我们正在积极开发一些有趣的东西，请随时查看此处或关注我们的Twitter以获取任何新进展。

如果你对其他问题感兴趣，欢迎向我们提出issue。

🧭 如何使用此仓库？

此仓库包含从本地浏览器运行搜索代理的全部代码。你只需要一个OpenAI API密钥即可开始。

要在本地运行搜索代理：

1. 克隆仓库并更改目录

git clone https://github.com/AutoLLM/AutoAgents.git
cd AutoAgents

2. 安装依赖项

pip install -r requirements.txt

3. 安装autoagents包

pip install -e .

4. 确保你已将OpenAI API密钥设置为环境变量。或者，你也可以通过侧边栏上的输入文本框输入。

export OPENAI_API_KEY=sk-xxxxxx

5. 运行Streamlit应用

streamlit run autoagents/agents/spaces/app.py

这将打开一个浏览器窗口，你可以在其中输入搜索查询。