nous

<img src="https://yellow-cdn.veclightyear.com/835a84d5/3a4adb9c-8e7d-407f-8634-ec3f1e8089f4.png" alt="nous徽标"/> 用于自主AI代理和基于LLM工作流的开源TypeScript平台 Nous（希腊语：νοῦς）是古典哲学中的一个术语，通常与智力或智慧相关联，代表人类心智理解真理和现实的能力。

文档站点

Nous的故事 | 功能 | UI示例 | 代码示例 | 贡献

Nous的故事

Nous源于一个简单的目标：利用AI的潜力提高现实世界的生产力，诞生于DevOps和平台工程领域。我们设想一个能够：

自动化各种流程和支持请求，并对构建失败进行分类。
审查代码是否符合标准和最佳实践。
协助大规模重构等。

在TrafficGuard，我们每月为全球客户处理数十亿事件，通过防御机器人和其他形式的无效流量提高他们的广告支出ROI。我们的GCP上的SaaS包括用TypeScript、Python、GoogleSQL、PHP和Terraform开发的项目，从GitLab部署。

由于开源项目通常集中在Python/GitHub，而供应商的AI工具则局限于各自的领域，我们看到了对基于TypeScript的工具的需求，这些工具可以在我们的整个技术栈中工作，并理解整体架构。

通过其演进，我们将nous设计为一个灵活的平台，供TypeScript社区扩展并支持您选择的用例和集成。

我们选择Firestore作为初始数据库实现，结合Cloud Run，提供了一个可以缩减到零的解决方案，使用免费层可以实现零成本。我们的目标是支持诸如您自己的自定义个人助理等用例，可通过移动设备随时使用。

功能

主要功能包括：

高级自主代理
受Google的Self-Discover论文启发的推理/规划
用于复杂、多步骤工作流的记忆和函数调用历史
具有分层任务分解的自适应迭代规划
两种控制循环函数调用选项（独立于LLM）：
- 基于自定义XML的函数调用
- 动态代码生成，带沙箱执行，用于多步函数调用和逻辑
  - 在适当情况下可以显著降低成本并减少延迟，相比LLM原生/XML函数调用
从源代码自动生成LLM函数模式
可调用函数集成：
- 文件系统、Jira、Slack、Perplexity、Gitlab、GitHub等
支持多种LLM/服务：
- OpenAI、Anthropic（原生和Vertex）、Gemini、Groq、Fireworks、Together.ai、DeepSeek、Ollama
命令行和Web界面
人机交互用于：
- 预算控制
- 代理发起的问题
- 错误处理
灵活的部署选项：
- 从命令行或通过Web UI在本地运行
- 在Firestore和Cloud Run上进行零规模部署
- 多用户SSO企业部署（使用Google Cloud IAP）
使用OpenTelemetry进行可观测性跟踪
代码编辑代理：
- 自动检测项目初始化、编译、测试和代码检查
- 查找相关文件进行编辑并执行初步分析
- 代码编辑循环，包括编译、代码检查、测试、修复（编辑委托给Aider）
  - 编译错误分析器可以在线搜索、添加额外文件和包
软件工程师代理：
- 从GitLab/GitHub找到适当的仓库
- 克隆并创建分支
- 调用代码编辑代理
- 创建合并请求
代码审查代理：
- 可配置的代码审查指南
- 在GitLab合并请求的适当行上发表评论，提出修改建议

UI示例

新建代理

新建代理UI

示例跟踪

Google Cloud中的示例跟踪

人机交互通知

代理请求反馈

请求反馈

列出代理

代码审查配置

代码示例

Nous vs LangChain

Nous不使用LangChain，原因有很多，你可以在网上阅读这些原因和讨论

让我们比较一下LangChain的多重链文档示例与Nous的等效实现。

LangChain

import { PromptTemplate } from "@langchain/core/prompts";
import { RunnableSequence } from "@langchain/core/runnables";
import { StringOutputParser } from "@langchain/core/output_parsers";
import { ChatAnthropic } from "@langchain/anthropic";

const prompt1 = PromptTemplate.fromTemplate(
  `{person}来自哪个城市？只回答城市名称。`
);
const prompt2 = PromptTemplate.fromTemplate(
  `{city}这个城市位于哪个国家？用{language}回答。`
);
const model = new ChatAnthropic({});

const chain = prompt1.pipe(model).pipe(new StringOutputParser());

const combinedChain = RunnableSequence.from([
  {
    city: chain,
    language: (input) => input.language,
  },
  prompt2,
  model,
  new StringOutputParser(),
]);

const result = await combinedChain.invoke({
  person: "Obama",
  language: "German",
});

console.log(result);

import { llms } from '#agent/context'
import { anthropicLLMs } from '#llms/anthropic'

const prompt1 = (person: string) => `${person}来自哪个城市？只需回答城市名称。`;
const prompt2 = (city: string, language: string) => `${city}位于哪个国家？请用${language}回答。`;

runAgentWorkflow({ llms: anthropicLLMs() }, async () => {
  const city = await llms().easy.generateText(prompt1('Obama'));
  const result = await llms().easy.generateText(prompt2(city, 'German'));

  console.log(result);
});

Nous代码还具有提示参数的静态类型优势，使您能够轻松重构。使用简单的控制流程可以通过断点/日志轻松调试。

要运行完全自主的代理：

startAgent({
  agentName: '创建ollama',
  initialPrompt: '研究如何使用node.js的ollama，并在llm文件夹下创建新的实现。查看该文件夹中的其他几个文件，了解必须遵循的样式',
  functions: [FileSystem, Perplexity, CodeEditinAgent],
  llms,
});