В этом разделе мы рассмотрим, как построить сложные автономные системы искусственного интеллекта, обладающие долгосрочной памятью, контекстными знаниями и возможностью выполнять действия с помощью вызова функций. Мы будем использовать фреймворк Fi-data, который предоставляет мощный способ создания автономной помощи ИИ с вызовом функций.

Прежде всего, мы создадим базового помощника без каких-либо инструментов. Этот помощник будет использовать модель GPT-4, которая является одной из лучших моделей на рынке в настоящее время. Затем мы можем добавить дополнительную функциональность помощнику, такую как возможность поиска в Интернете с помощью инструмента Duco.

Далее мы построим финансового помощника, который сможет получать доступ к различным инструментам, таким как Yahoo Finance, чтобы получать цены акций, рекомендации, информацию о компаниях и новости. Затем мы продемонстрируем, как создавать собственные пользовательские инструменты, используя в качестве примера API Hacker News.

Наконец, мы рассмотрим более сложных помощников, таких как помощник по анализу данных, который может использовать DuckDB для анализа данных в файлах CSV и Parquet, и исследовательский помощник, который может использовать Exa для поиска в Интернете и генерации отчета в указанном формате.

На протяжении всего процесса мы будем подчеркивать важность краткости и фокусировки, чтобы содержание было легко понять и реализовать. Код для этих примеров можно найти в репозитории Fi-data, а шаги по настройке среды указаны в README.

Чтобы построить базового помощника, нам сначала нужно импортировать необходимые компоненты из библиотеки fidata. Мы будем использовать класс LLMAssistant для создания нашего помощника.

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

Затем мы создадим экземпляр класса LLMAssistant, передав в качестве параметра llm языковую модель OpenAI GPT-4.

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

Теперь мы можем определить описание и инструкции для нашего помощника. Они будут использоваться для установки системного запроса для языковой модели.

description = "Вы полезный помощник, которому поручено предоставить простой рецепт завтрака."
instructions = "Предоставьте краткий рецепт завтрака."

Наконец, мы можем вызвать метод run объекта assistant, передав описание и инструкции. Это выполнит помощника и вернет ответ.

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

Это выведет простой рецепт завтрака, сгенерированный языковой моделью GPT-4.

Чтобы добавить функциональность поиска в Интернете к нашему помощнику ИИ, мы импортируем инструмент Duco из модуля f_tools. Этот инструмент позволяет помощнику искать в Интернете и получать соответствующую информацию.

Прежде всего, мы добавляем инструмент Duco к нашему помощнику:

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

Затем мы устанавливаем параметр show_tool_calls в значение True, чтобы мы могли видеть вызовы инструментов, происходящие за кулисами.

Затем мы даем помощнику задачу найти новости из Франции и написать короткое стихотворение об этом:

assistant.run_task("Найдите новости из Франции и напишите короткое стихотворение об этом.")

Как вы можете видеть, помощник использует инструмент Duco для получения новостей из Франции, а затем генерирует короткое стихотворение на основе собранной информации. Это демонстрирует, как помощник может использовать возможности поиска в Интернете для сбора информации и использования ее для выполнения задач.

Чтобы создать финансового помощника, мы будем использовать инструмент Yahoo Finance из библиотеки F-tools. Этот инструмент предоставляет доступ к различным финансовым данным и функциям, таким как получение цен акций, информации о компаниях, рекомендаций и новостей.

Прежде всего, мы импортируем необходимые инструменты:

from f_tools.yahoo_finance import YahooFinance

Затем мы создадим финансового помощника и добавим к нему желаемые инструменты:

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
))

В этом примере мы включаем функции get_stock_price, get_recommendations, get_company_info и get_company_news из инструмента Yahoo Finance.

Теперь мы можем давать помощнику задачи для выполнения, такие как получение цены акций компании и написание сравнения между двумя компаниями:

finance_assistant.run_task("Какова цена акций Nvidia?")
finance_assistant.run_task("Напишите сравнение между Nvidia и AMD, используя все доступные инструменты.")

Помощник будет использовать предоставленные инструменты для сбора необходимой информации и генерации всеобъемлющего ответа, который будет возвращен в формате Markdown для лучшей читаемости.

Этот финансовый помощник можно дополнительно настроить, добавляя больше инструментов, изменяя конфигурацию инструментов или модифицируя инструкции к задачам, чтобы они соответствовали вашим конкретным потребностям.

Одной из ключевых особенностей фреймворка Fi data является возможность построения пользовательских инструментов, которые можно интегрировать в ваших агентов ИИ. Это позволяет расширять возможности ваших агентов за пределы инструментов, предоставляемых по умолчанию, и адаптировать их к вашим конкретным потребностям.

В видео создатель демонстрирует, как построить пользовательский инструмент для доступа к API Hacker News. Вот как это делается:

1. Опишите функцию, которая будет использоваться для взаимодействия с API, включая аргументы и возвращаемые значения.
2. Добавьте функцию в помощника Fi data, предоставив описание и указав входные/выходные параметры.
3. Используйте пользовательский инструмент в задачах помощника, так же как и стандартные инструменты.

Видео также показывает, как включить режим отладки, который предоставляет подробные журналы внутренних процессов помощника. Это может быть очень полезно при устранении неполадок или понимании того, как используется пользовательский инструмент.

В целом, возможность построения пользовательских инструментов является мощной функцией фреймворка Fi data, позволяющей создавать высокоспециализированных и автономных агентов ИИ, адаптированных к вашим конкретным потребностям.

Этот раздел демонстрирует, как помощник может использовать инструмент DuckDB для анализа данных в файлах CSV и Parquet. Помощник демонстрирует следующие возможности:

1. Автоматически загружает данные в таблицы, когда таблицы не существуют.
2. Выполняет SQL-запросы, чтобы получить среднюю оценку фильма и сгенерировать гистограмму оценок.
3. Выбирает подходящий размер ячейки для гистограммы на основе данных.
4. Отображает SQL-запросы и результирующие визуализации в четкой и лаконичной форме.

Способность помощника к бесшовной интеграции DuckDB и представлению результатов анализа является свидетельством мощи демонстрируемого фреймворка. Этот раздел подчеркивает, как помощник может быть наделен возможностями анализа данных для решения широкого круга задач.

Помощнику поручено написать исследовательский отчет на тему OpenGPT-4. Он выполняет следующие шаги:

1. Ищет в Интернете с помощью инструмента Exa 10 наиболее релевантных ссылок об OpenGPT-4.
2. Внимательно изучает результаты поиска.
3. Готовит хорошо отформатированную статью в запрошенной структуре:
   • Черновой план
   • Подробный отчет, охватывающий ключевые моменты об OpenGPT-4
4. Сохраняет окончательный отчет в файле Markdown с именем "news_article.md".

Помощник демонстрирует свои способности:

• Проводить веб-исследования и собирать соответствующую информацию
• Синтезировать результаты в структурированный, хорошо написанный отчет
• Форматировать отчет в Markdown для удобного чтения
• Сохранять вывод в файл, как это было запрошено

Это демонстрирует исследовательские возможности помощника, навыки обработки естественного языка и способность следовать инструкциям для создания высококачественного результата.