本文内容均来自个人笔记并重新梳理,如有错误欢迎指正!
如果对您有帮助,烦请点赞、关注、转发、订阅专栏!
专栏订阅入口
| 精选文章 | Kubernetes | Docker | Linux | 羊毛资源 | 工具推荐 |
往期精彩文章
【Docker】(全网首发)Kylin V10 下 MySQL 容器内存占用异常的解决方法
【Docker】(全网首发)Kylin V10 下 MySQL 容器内存占用异常的解决方法(续)
【Linux】全面讲解 Shell 变量的那些事
一、基本介绍
Agently 是一款应用开发框架,开发者可以通过在代码中直接使用和构建 AI 代理的方式,快速构建 AI 代理原生应用程序。对于开发者来说,创建一个 AI 代理实例并与之交互的过程,就好像在极少量代码中调用函数一样简单。
Agently 的主要特性如下:
- 易用、灵活、高效
- 符合工程开发直觉的开发语法,让开发者专注在业务表达,屏蔽无关思考
- 用 GPT-3.5+ 级别的低价模型平替原本只能用 GPT-4 完成的工作,成本立减 99%
- 支持各类主流模型随意切换,不冲击业务逻辑,帮助开发者提升模型输出控制能力
- 代码级编排复杂工作流,构建复杂 AI 应用场景
Agently 应用开发框架特性
Agently 的目标是成为友好的开发框架,主要有以下几个方面的内涵:
- 让开发者专注在业务开发上,单次请求由 Agent 对象代理,多轮请求编排由 Workflow 完成,并提供了简单顺畅的语法,业务开发的时候,思路极其顺滑
- 模型调用新增模型适配、Agent 对象新增指令、存储方法新增数据存储类型,都通过插件完成
- 通过框架内部的架构设计,将模型适配、插件增强和业务表达三个层次完全解耦,任何一层的变动都不会严重冲击其他层,确保业务逻辑层表达的稳定性
- 文档丰富,社区热情,开发团队 On Call 及时,并乐于分享方法论
- 为 AI 应用开发者降低开发门槛,提供高效、顺滑的开发体验
Agently 构建的代理结构如下图所示:
Agently 应用开发框架构建的代理结构
开源地址:GitHub - Maplemx/Agently
官网地址:Agently AI 应用开发框架
模型支持:Agently AnyModel 介绍
工作流:Agently Workflow 介绍
创始人:莫欣(先生)
二、安装方法
Agently 的安装极其简单,只需要在终端命令行中执行以下命令,等待 Python 包安装完成即可。
pip install -U Agently
🔔 pip 版本需要满足一定要求,若遇到安装问题请先升级 pip 版本
🔔 升级命令:python3 -m pip install --upgrade pip
输出信息:Successfully installed pip-24.2
三、使用方法
1、生成内容
import Agently
'''
创建 Agent 实例
'''
agent = (
Agently.create_agent()
.set_settings("current_model", "ZhipuAI")
.set_settings("model.ZhipuAI.auth", { "api_key": "your_api_key" })
)
'''
基础请求示例
'''
result = (
agent
.input("为我输出5个单词和3个句子")
.instruct("输出语言", "中文")
.output({
"单词": [("str", )],
"句子": ("list", ),
})
.start()
)
print(result)
# 输出如下:
{'单词': ['书籍', '音乐', '快乐', '创新', '和平'], '句子': ['我喜欢阅读各种各样的书籍。', '音乐是我生活中不可或缺的部分。', '快乐是一种心态,也是一种选择。']}
可以看到,在创建 Agent 实例时笔者指定语言模型为 ZhipuAI(智谱清言),并提供可用的 API KEY,然后通过 Agent 实例发出基础请求以调用智谱清言 API 的能力,最终自动生成所需内容(即以中文输出 5 个单词、3 个句子)。
智谱清言 API KEY 获取地址:智谱AI开放平台
2、聊天互动
import Agently
agent_factory = Agently.AgentFactory()
agent_factory\
.set_settings("current_model", "ZhipuAI")\
.set_settings("model.ZhipuAI.auth", { "api_key": "your_api_key" })
agent = agent_factory.create_agent()
agent.active_session()
while True:
user_input = input("[用户]: ")
if user_input == "#exit":
print("Bye")
break
print("[AGENT]: ", end="")
agent\
.input(user_input)\
.on_delta(lambda data: print(data, end=""))\
.start()
print("")
聊天互动输出示例
3、分析日志
import Agently, os
agent_factory = Agently.AgentFactory()
agent_factory\
.set_settings("current_model", "ZhipuAI")\
.set_settings("model.ZhipuAI.auth", { "api_key": "xxx" })
agent = agent_factory.create_agent()
agent.active_session()
os.system("kubectl describe no > /data/gitlab/node.log")
with open('/data/gitlab/node.log', 'r') as f:
user_input = f.read() + '\n分析以上信息中是否存在异常,若存在异常请给出解决方案'
print("[AGENT]: ", end="")
agent\
.input(user_input)\
.on_delta(lambda data: print(data, end=""))\
.start()
print("\n")
以上脚本可以结合 Crontab 计划任务,定期获取 Kubernetes 集群的节点详情写入日志文件,然后由 Agent 代理调用智谱清言 API 分析日志信息是否存在异常,并给出解决方案。后续还可以通过发送邮件等方式进行告警,有效缩短运维人员分析日志、解决问题的时间。
日志分析输出示例
更多使用方法及实战案例详见:Agently 案例广场
版权归原作者 行者Sun1989 所有, 如有侵权,请联系我们删除。