akasha 0.9 使用手冊

akasha 0.9 manual

0%

代理

發表於 更新於 分類於

agents

agents 代理可以讓語言模型能夠使用外部工具來回答問題。通過定義工具並將其與 agents 結合，語言模型可以執行複雜的任務，例如計算、網頁搜尋、數據處理等。agents 支援同步與非同步操作，並提供詳細的日誌記錄功能。

agents 功能

  1. 工具整合：支持將自定義工具或內建工具與語言模型結合使用。
  2. 多輪對話：支持多輪對話，並根據上下文進行推理。
  3. 流式輸出：支持流式輸出回答，適合需要即時回應的場景。
  4. 日誌保存：支持保存執行過程與結果的日誌，便於後續分析。
  5. MCP 支援：可以作為 MCP（Model Context Protocol）客戶端，調用 MCP 伺服器上的工具。

agents 範例

定義自訂工具並使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
import akasha
from datetime import datetime

# 定義一個工具來獲取今天的日期
def today_f():
    now = datetime.now()
    return "today's date: " + str(now.strftime("%Y-%m-%d %H:%M:%S"))

# 創建工具
today_tool = akasha.create_tool(
    "today_date_tool",
    "This is the tool to get today's date, the tool doesn't have any input parameter.",
    today_f,
)

# 創建 agent 並使用工具
agent = akasha.agents(
    tools=[today_tool],
    model="openai:gpt-4o",
    temperature=1.0,
    verbose=True,
    keep_logs=True,
)

# 問問題並使用工具回答
response = agent("今天幾月幾號?")
print(response)

# 保存日誌
agent.save_logs("logs.json")

使用內建工具

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import akasha.agent.agent_tools as at

# 使用內建的網頁搜尋工具和 JSON 保存工具
tool_list = [at.websearch_tool(search_engine="brave"), at.saveJSON_tool()]

agent = akasha.agents(
    tools=tool_list,
    model="openai:gpt-4o",
    temperature=1.0,
    max_input_tokens=8000,
    verbose=True,
    keep_logs=True,
)

# 問問題並使用工具回答
response = agent("用網頁搜尋工業4.0，並將資訊存成json檔iii.json")
print(response)

# 保存日誌
agent.save_logs("logs.json")

使用 MCP 伺服器上的工具

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
import asyncio
import akasha
from langchain_mcp_adapters.client import MultiServerMCPClient

MODEL = "openai:gpt-4o"

# 定義 MCP 伺服器連接資訊
connection_info = {
    "math": {
        "command": "python",
        "args": ["cal_server.py"],
        "transport": "stdio",
    },
    "weather": {
        "url": "http://localhost:8000/sse",
        "transport": "sse",
    },
}
prompt = "tell me the weather in Taipei"

# 使用 MCP 工具
agent = akasha.agents(
    model=MODEL,
    temperature=1.0,
    verbose=True,
    keep_logs=True,
)
# 問問題並使用 MCP 工具回答
response = agent.mcp_agent(connection_info, prompt)
# 保存日誌
agent.save_logs("logs_agent.json")

agents 參數

初始化參數

tools: List[BaseTool]

工具列表，可以是自定義工具或內建工具。

model: str

使用的語言模型，例如 "openai:gpt-4o" 或 "openai:gpt-3.5-turbo"。

temperature: float

語言模型的隨機性參數，範圍為 0.0 到 1.0。

max_input_tokens: int

單次輸入模型的最大 token 數。

max_output_tokens: int

模型輸出的最大 token 數。

max_round: int

多輪對話的最大輪數。

max_past_observation: int

發送給模型的過去觀察數量。

prompt_format_type: str

提示格式類型，例如 "auto"、"gpt"、"llama"。

retri_observation: bool

是否啟用觀察檢索。

keep_logs: bool

是否保存執行過程與結果的日誌。

verbose: bool

是否顯示詳細的執行過程。

stream: bool

是否啟用流式輸出。

call 參數

question: str

使用者的問題。

messages: List[dict]

需要一併提供給語言模型的對話紀錄。

日誌與結果

  • 執行過程與結果會保存到指定的日誌文件中。
  • 日誌包括工具使用情況、語言模型的輸入輸出 token 數等。

相關連結