Trace：新型自动微分工具，用于AI系统和LLM代理

Trace是一种新型的类似自动微分的工具，用于通过一般反馈（如数值奖励或损失、自然语言文本、编译器错误等）对AI系统进行端到端训练。Trace通过捕获和传播AI系统的执行轨迹，实现了反向传播算法的泛化。Trace以类似PyTorch的Python库形式实现。用户可以直接编写Python代码，并使用Trace原语来优化特定部分，就像训练神经网络一样！

项目网站 | 文档 | 博客文章

安装

只需运行

pip install trace-opt

或者如果是开发目的，克隆仓库并运行以下命令：

pip install -e .

该库需要Python >= 3.8。安装脚本将通过git克隆AutoGen。如果git无法克隆仓库，您可能需要安装Git Large File Storage。

引用

如果您在研究中使用此代码，请引用以下论文：

@article{cheng2024trace,
  title={Trace is the New AutoDiff--Unlocking Efficient Optimization of Computational Workflows},
  author={Cheng, Ching-An and Nie, Allen and Swaminathan, Adith},
  journal={arXiv preprint arXiv:2406.16218},
  year={2024}
}

评估

Trace的早期版本使用gpt-4-0125-preview在数值优化、模拟交通控制、big-bench-hard和llf-metaworld任务上进行了测试，在多个随机种子下展示了良好的优化性能；详情请参见论文。

注意 虽然gpt-4大多数时候都能可靠工作，但我们发现gpt-4o有时甚至在非常基本的优化问题上也会产生幻觉。这可能是由于当前优化器的实现依赖于以json格式输出。社区中已有报告指出gpt-4o在处理json时存在问题（参见示例）。

免责声明

• Trace是一个基于LLM的优化框架，仅用于研究目的。
• 当前发布的是该库的测试版。未来将添加更多功能和文档，某些功能可能会发生变化。
• 系统性能可能因工作流、数据集、查询和响应而异，用户负责确定生成内容的准确性。
• 系统输出不代表Microsoft的观点。
• 所有基于系统输出的决策都应在人工监督下做出，不应完全依赖系统输出。
• 使用系统必须遵守所有适用的法律、法规和政策，包括有关隐私和安全的规定。
• 不应在高度监管的领域使用该系统，因为不准确的输出可能会建议导致伤害或对个人的法律、财务或生活机会产生负面影响的行动。

贡献

本项目欢迎贡献和建议。大多数贡献要求您同意贡献者许可协议（CLA），声明您有权并确实授予我们使用您贡献的权利。有关详细信息，请访问https://cla.opensource.microsoft.com。

当您提交拉取请求时，CLA机器人将自动确定您是否需要提供CLA，并适当地装饰PR（例如，状态检查、评论）。只需按照机器人提供的说明操作即可。您只需在所有使用我们CLA的仓库中执行一次此操作。

本项目已采用Microsoft开源行为准则。 有关更多信息，请参阅行为准则常见问题解答或联系opencode@microsoft.com获取任何其他问题或意见。

商标

本项目可能包含项目、产品或服务的商标或徽标。Microsoft商标或徽标的授权使用必须遵循Microsoft商标和品牌指南。 在本项目的修改版本中使用Microsoft商标或徽标不得引起混淆或暗示Microsoft赞助。 任何第三方商标或徽标的使用都受制于这些第三方的政策。

隐私

请参阅Microsoft隐私声明。