In diesem Abschnitt werden wir erforschen, wie man komplexe autonome KI-Systeme aufbaut, die über ein Langzeitgedächtnis, kontextbezogenes Wissen und die Fähigkeit verfügen, Aktionen durch Funktionsaufrufe auszuführen. Wir werden das Fi-data-Framework verwenden, das eine leistungsfähige Möglichkeit bietet, autonome KI-Assistenten mit Funktionsaufrufen zu erstellen.

Zuerst werden wir einen grundlegenden Assistenten ohne Werkzeuge erstellen. Dieser Assistent wird das GPT-4-Modell verwenden, das derzeit eines der besten Modelle auf dem Markt ist. Anschließend können wir dem Assistenten zusätzliche Funktionen hinzufügen, wie die Möglichkeit, das Web mit dem Duco-Tool zu durchsuchen.

Als Nächstes werden wir einen Finanzassistenten aufbauen, der auf verschiedene Werkzeuge wie Yahoo Finance zugreifen kann, um Aktienkurse, Empfehlungen, Unternehmensinformationen und Nachrichten abzurufen. Dann werden wir zeigen, wie man eigene benutzerdefinierte Werkzeuge erstellt, wobei wir die Hacker News API als Beispiel verwenden.

Schließlich werden wir komplexere Assistenten untersuchen, wie einen Datenanalyseassistenten, der DuckDB verwenden kann, um Daten in CSV- und Parquet-Dateien zu analysieren, und einen Forschungsassistenten, der Exa verwenden kann, um im Web zu suchen und einen Bericht in einem bestimmten Format zu erstellen.

Dabei werden wir die Bedeutung von Prägnanz und Fokussierung betonen, um sicherzustellen, dass der Inhalt leicht zu verstehen und umzusetzen ist. Der Code für diese Beispiele finden Sie im Fi-data-Repository, und die Schritte zum Einrichten der Umgebung sind in der README-Datei beschrieben.

Um einen grundlegenden Assistenten zu erstellen, müssen wir zunächst die erforderlichen Komponenten aus der fidata-Bibliothek importieren. Wir werden die LLMAssistant-Klasse verwenden, um unseren Assistenten zu erstellen.

from fidata.assistants.llm_assistant import LLMAssistant
from fidata.llms.openai import OpenAIChat

Als Nächstes erstellen wir eine Instanz der LLMAssistant-Klasse und übergeben das OpenAI GPT-4-Sprachmodell als llm-Parameter.

assistant = LLMAssistant(llm=OpenAIChat(model_name="gpt-4"))

Nun können wir die Beschreibung und Anweisungen für unseren Assistenten definieren. Diese werden verwendet, um den Systemprompt für das Sprachmodell festzulegen.

description = "Du bist ein hilfsbereiter Assistent, der damit beauftragt ist, ein einfaches Frühstücksrezept zu liefern."
instructions = "Gib ein prägnantes Frühstücksrezept an."

Schließlich können wir die run-Methode des assistant-Objekts aufrufen und die Beschreibung und Anweisungen übergeben. Dadurch wird der Assistent ausgeführt und die Antwort zurückgegeben.

response = assistant.run(description=description, instructions=instructions)
print(response)

Dies wird ein einfaches Frühstücksrezept ausgeben, das vom GPT-4-Sprachmodell generiert wurde.

Um Websuchfunktionalität zu unserem KI-Assistenten hinzuzufügen, werden wir das Duco-Tool aus dem f_tools-Modul importieren. Dieses Tool ermöglicht es dem Assistenten, im Web zu suchen und relevante Informationen abzurufen.

Zuerst fügen wir das Duco-Tool zu unserem Assistenten hinzu:

from f_tools.duco import Duco
assistant.add_tool(Duco())

Als Nächstes setzen wir den show_tool_calls-Parameter auf True, damit wir die Werkzeugaufrufe im Hintergrund sehen können.

Dann geben wir dem Assistenten die Aufgabe, nach Nachrichten aus Frankreich zu suchen und ein kurzes Gedicht darüber zu schreiben:

assistant.run_task("Suche nach Nachrichten aus Frankreich und schreibe ein kurzes Gedicht darüber.")

Wie Sie sehen können, verwendet der Assistent das Duco-Tool, um die Nachrichten aus Frankreich abzurufen, und generiert dann ein kurzes Gedicht basierend auf den gesammelten Informationen. Dies zeigt, wie der Assistent Websuchfähigkeiten nutzen kann, um Informationen zu sammeln und sie zur Erfüllung von Aufgaben zu verwenden.

Um einen Finanzassistenten zu erstellen, werden wir das Yahoo Finance-Tool aus der F-tools-Bibliothek verwenden. Dieses Tool bietet Zugriff auf verschiedene Finanzdaten und -funktionen, wie das Abrufen von Aktienkursen, Unternehmensinfos, Empfehlungen und Nachrichten.

Zuerst importieren wir die erforderlichen Tools:

from f_tools.yahoo_finance import YahooFinance

Als Nächstes erstellen wir den Finanzassistenten und fügen die gewünschten Tools hinzu:

finance_assistant = Assistant(model=gpt4, name="Finance Assistant")
finance_assistant.add_tool(YahooFinance(
    get_stock_price=True,
    get_recommendations=True,
    get_company_info=True,
    get_company_news=True
))

In diesem Beispiel aktivieren wir die Funktionen get_stock_price, get_recommendations, get_company_info und get_company_news des Yahoo Finance-Tools.

Nun können wir dem Assistenten Aufgaben erteilen, wie das Abrufen des Aktienkurses eines Unternehmens und das Schreiben eines Vergleichs zwischen zwei Unternehmen:

finance_assistant.run_task("Was ist der Aktienkurs von Nvidia?")
finance_assistant.run_task("Schreibe einen Vergleich zwischen Nvidia und AMD unter Verwendung aller verfügbaren Tools.")

Der Assistent wird die bereitgestellten Tools verwenden, um die erforderlichen Informationen zu sammeln und eine umfassende Antwort zu generieren, die in Markdown-Format für eine bessere Lesbarkeit zurückgegeben wird.

Dieser Finanzassistent kann durch das Hinzufügen weiterer Tools, das Anpassen der Tool-Konfigurationen oder das Ändern der Aufgabenanweisungen an Ihre spezifischen Bedürfnisse angepasst werden.

Eine der Schlüsselfunktionen des Fi-data-Frameworks ist die Möglichkeit, benutzerdefinierte Tools zu erstellen, die in Ihre KI-Agenten integriert werden können. Dadurch können Sie die Fähigkeiten Ihrer Agenten über die standardmäßig bereitgestellten Tools hinaus erweitern und sie an Ihre spezifischen Bedürfnisse anpassen.

In dem Video zeigt der Ersteller, wie man ein benutzerdefiniertes Tool zum Zugriff auf die Hacker News API erstellt. Hier ist, wie es gemacht wird:

1. Beschreiben Sie die Funktion, die zum Interagieren mit der API verwendet wird, einschließlich der Argumente und Rückgabewerte.
2. Fügen Sie die Funktion dem Fi-data-Assistenten hinzu, indem Sie die Beschreibung angeben und die Eingabe-/Ausgabeparameter festlegen.
3. Verwenden Sie das benutzerdefinierte Tool in den Aufgaben des Assistenten, genau wie die Standardtools.

Das Video zeigt auch, wie man den Debugmodus aktiviert, der detaillierte Protokolle der internen Prozesse des Assistenten liefert. Dies kann sehr hilfreich sein, wenn man Probleme beheben oder verstehen möchte, wie das benutzerdefinierte Tool verwendet wird.

Insgesamt ist die Möglichkeit, benutzerdefinierte Tools zu erstellen, eine leistungsfähige Funktion des Fi-data-Frameworks, mit der Sie hochspezialisierte und autonome KI-Agenten erstellen können, die auf Ihre spezifischen Bedürfnisse zugeschnitten sind.

Dieser Abschnitt zeigt, wie der Assistent das DuckDB-Tool nutzen kann, um Daten in CSV- und Parquet-Dateien zu analysieren. Der Assistent demonstriert die folgenden Fähigkeiten:

1. Lädt die Daten automatisch in Tabellen, wenn die Tabellen nicht existieren.
2. Führt SQL-Abfragen durch, um die durchschnittliche Filmwertung zu erhalten und ein Histogramm der Bewertungen zu erstellen.
3. Wählt eine geeignete Bucket-Größe für das Histogramm basierend auf den Daten aus.
4. Zeigt die SQL-Abfragen und die resultierenden Visualisierungen auf eine klare und prägnante Weise an.

Die Fähigkeit des Assistenten, DuckDB nahtlos zu integrieren und die Analyseergebnisse darzustellen, ist ein Beweis für die Leistungsfähigkeit des vorgestellten Frameworks. Dieser Abschnitt zeigt, wie der Assistent mit Datenanalysefähigkeiten ausgestattet werden kann, um eine Vielzahl von Aufgaben zu bewältigen.

Dem Assistenten wird die Aufgabe erteilt, einen Forschungsbericht zum Thema OpenGPT-4 zu schreiben. Er führt die folgenden Schritte aus:

1. Sucht im Web mit dem Exa-Tool nach den 10 relevantesten Links zu OpenGPT-4.
2. Liest die Suchergebnisse sorgfältig durch.
3. Erstellt einen gut formatierten Artikel in der angeforderten Struktur:
   • Grober Umriss
   • Detaillierter Bericht, der die Schlüsselpunkte zu OpenGPT-4 abdeckt
4. Speichert den endgültigen Bericht in einer Markdown-Datei mit dem Namen "news_article.md".

Der Assistent zeigt seine Fähigkeiten, indem er:

• Webrecherche durchführt und relevante Informationen sammelt
• Die Erkenntnisse in einen strukturierten, gut geschriebenen Bericht zusammenfasst
• Den Bericht in Markdown für eine einfache Lesbarkeit formatiert
• Die Ausgabe wie angefordert in einer Datei speichert

Dies zeigt die Recherchefähigkeiten, die Textverarbeitungskompetenzen und die Fähigkeit des Assistenten, Anweisungen zu befolgen, um ein hochwertiges Endprodukt zu erstellen.