In questa sezione, esploreremo come costruire sistemi di intelligenza artificiale autonomi e complessi che hanno una memoria a lungo termine, conoscenze contestuali e la capacità di eseguire azioni attraverso la chiamata di funzioni. Utilizzeremo il framework Fi-data, che fornisce un potente modo per creare assistenti di intelligenza artificiale autonomi con chiamata di funzioni.

Prima di tutto, creeremo un assistente di base senza alcuno strumento. Questo assistente utilizzerà il modello GPT-4, che è uno dei migliori modelli sul mercato in questo momento. Possiamo quindi aggiungere ulteriori funzionalità all'assistente, come la capacità di cercare sul web utilizzando lo strumento Duco.

Successivamente, costruiremo un assistente finanziario in grado di accedere a vari strumenti come Yahoo Finance per ottenere prezzi azionari, raccomandazioni, informazioni sulle aziende e notizie. Dimostreremo inoltre come costruire i propri strumenti personalizzati, utilizzando l'API di Hacker News come esempio.

Infine, esploreremo assistenti più complessi, come un assistente per l'analisi dei dati in grado di utilizzare DuckDB per analizzare dati in file CSV e Parquet, e un assistente per la ricerca in grado di utilizzare Exa per cercare sul web e generare un rapporto in un formato specifico.

Durante tutto il processo, enfatizzeremo l'importanza della concisione e della concentrazione, assicurandoci che il contenuto sia facile da capire e da implementare. Il codice di questi esempi può essere trovato nel repository Fi-data, e i passaggi per impostare l'ambiente sono forniti nel README.

Per costruire un assistente di base, dobbiamo prima importare i componenti necessari dalla libreria fidata. Utilizzeremo la classe LLMAssistant per creare il nostro assistente.

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

Successivamente, creeremo un'istanza della classe LLMAssistant, passando il modello linguistico GPT-4 di OpenAI come parametro llm.

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

Ora, possiamo definire la descrizione e le istruzioni per il nostro assistente. Questi verranno utilizzati per impostare il prompt di sistema per il modello linguistico.

description = "Sei un assistente utile incaricato di fornire una semplice ricetta per la colazione."
instructions = "Fornisci una ricetta per la colazione concisa."

Infine, possiamo chiamare il metodo run dell'oggetto assistant, passando la descrizione e le istruzioni. Questo eseguirà l'assistente e restituirà la risposta.

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

Questo produrrà una semplice ricetta per la colazione generata dal modello linguistico GPT-4.

Per aggiungere la funzionalità di ricerca sul web al nostro assistente di intelligenza artificiale, importeremo lo strumento Duco dal modulo f_tools. Questo strumento consente all'assistente di cercare sul web e recuperare informazioni pertinenti.

Prima di tutto, aggiungiamo lo strumento Duco al nostro assistente:

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

Successivamente, imposteremo il parametro show_tool_calls su True in modo da poter vedere le chiamate agli strumenti che avvengono dietro le quinte.

Poi daremo all'assistente il compito di cercare notizie dalla Francia e scrivere una breve poesia al riguardo:

assistant.run_task("Cerca le notizie dalla Francia e scrivi una breve poesia su di esse.")

Come puoi vedere, l'assistente utilizza lo strumento Duco per recuperare le notizie dalla Francia, e poi genera una breve poesia in base alle informazioni raccolte. Questo dimostra come l'assistente possa sfruttare le capacità di ricerca sul web per raccogliere informazioni e utilizzarle per completare i compiti.

Per creare un assistente finanziario, utilizzeremo lo strumento Yahoo Finance dalla libreria F-tools. Questo strumento fornisce l'accesso a vari dati e funzioni finanziari, come ottenere i prezzi delle azioni, le informazioni sulle aziende, le raccomandazioni e le notizie.

Prima di tutto, importeremo gli strumenti necessari:

from f_tools.yahoo_finance import YahooFinance

Successivamente, creeremo l'assistente finanziario e aggiungeremo gli strumenti desiderati:

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

In questo esempio, abilitiamo le funzioni get_stock_price, get_recommendations, get_company_info e get_company_news dello strumento Yahoo Finance.

Ora, possiamo dare all'assistente compiti da eseguire, come ottenere il prezzo delle azioni di un'azienda e scrivere un confronto tra due aziende:

finance_assistant.run_task("Qual è il prezzo delle azioni di Nvidia?")
finance_assistant.run_task("Scrivi un confronto tra Nvidia e AMD utilizzando tutti gli strumenti disponibili.")

L'assistente utilizzerà gli strumenti forniti per raccogliere le informazioni necessarie e generare una risposta completa, che verrà restituita in formato Markdown per una migliore leggibilità.

Questo assistente finanziario può essere ulteriormente personalizzato aggiungendo altri strumenti, regolando le configurazioni degli strumenti o modificando le istruzioni dei compiti per soddisfare le tue esigenze specifiche.

Una delle caratteristiche chiave del framework Fi data è la possibilità di costruire strumenti personalizzati che possono essere integrati nei tuoi agenti di intelligenza artificiale. Ciò ti consente di estendere le capacità dei tuoi agenti oltre gli strumenti predefiniti e di personalizzarli in base alle tue esigenze specifiche.

Nel video, il creatore dimostra come costruire uno strumento personalizzato per accedere all'API di Hacker News. Ecco come viene fatto:

1. Descrivere la funzione che verrà utilizzata per interagire con l'API, inclusi gli argomenti e i valori di ritorno.
2. Aggiungere la funzione all'assistente Fi data, fornendo la descrizione e specificando i parametri di input/output.
3. Utilizzare lo strumento personalizzato nei compiti dell'assistente, proprio come gli strumenti predefiniti.

Il video mostra anche come abilitare la modalità di debug, che fornisce registri dettagliati dei processi interni dell'assistente. Questo può essere molto utile per la risoluzione dei problemi o per comprendere come viene utilizzato lo strumento personalizzato.

In generale, la possibilità di costruire strumenti personalizzati è una caratteristica potente del framework Fi data, che ti consente di creare agenti di intelligenza artificiale altamente specializzati e autonomi, adattati alle tue esigenze specifiche.

Questa sezione mostra come l'assistente possa sfruttare lo strumento DuckDB per analizzare i dati in file CSV e Parquet. L'assistente dimostra le seguenti capacità:

1. Carica automaticamente i dati in tabelle quando le tabelle non esistono.
2. Esegue query SQL per ottenere la valutazione media dei film e genera un istogramma delle valutazioni.
3. Sceglie una dimensione di bucket appropriata per l'istogramma in base ai dati.
4. Visualizza le query SQL e i risultati delle visualizzazioni in modo chiaro e conciso.

La capacità dell'assistente di integrare in modo trasparente DuckDB e presentare i risultati dell'analisi è una testimonianza della potenza del framework in dimostrazione. Questa sezione evidenzia come l'assistente possa essere potenziato con capacità di analisi dei dati per affrontare una vasta gamma di compiti.

All'assistente viene assegnato il compito di scrivere un rapporto di ricerca sull'argomento di OpenGPT-4. Segue questi passaggi:

1. Cerca sul web utilizzando lo strumento Exa per trovare i 10 link più rilevanti su OpenGPT-4.
2. Legge attentamente i risultati della ricerca.
3. Prepara un articolo ben strutturato nella struttura richiesta:
   • Bozza di outline
   • Rapporto dettagliato che copre i punti chiave su OpenGPT-4
4. Salva il rapporto finale in un file Markdown chiamato "news_article.md".

L'assistente dimostra la sua capacità di:

• Condurre ricerche web e raccogliere informazioni pertinenti
• Sintetizzare i risultati in un rapporto strutturato e ben scritto
• Formattare il rapporto in Markdown per una facile leggibilità
• Salvare l'output in un file come richiesto

Questo dimostra le capacità di ricerca dell'assistente, le sue abilità di elaborazione del linguaggio naturale e la sua capacità di seguire le istruzioni per produrre un output di alta qualità.