I denna sektion kommer vi att utforska hur man bygger komplexa autonoma AI-system som har långsiktigt minne, kontextuell kunskap och förmågan att utföra åtgärder från funktionsanrop. Vi kommer att använda Fi-data-ramverket, som ger ett kraftfullt sätt att skapa autonoma AI-assistenter med funktionsanrop.

Först kommer vi att skapa en grundläggande assistent utan några verktyg. Denna assistent kommer att använda GPT-4-modellen, som är en av de bästa modellerna på marknaden just nu. Vi kan sedan lägga till ytterligare funktionalitet till assistenten, som förmågan att söka på webben med hjälp av Duco-verktyget.

Nästa steg är att bygga en finansassistent som kan komma åt olika verktyg som Yahoo Finance för att få aktiepris, rekommendationer, företagsinformation och nyheter. Vi kommer sedan att visa hur man bygger egna anpassade verktyg, med Hacker News API som exempel.

Avslutningsvis kommer vi att utforska mer komplexa assistenter, som en dataanalysassistent som kan använda DuckDB för att analysera data i CSV- och Parquet-filer, och en forskningsassistent som kan använda Exa för att söka på webben och generera en rapport i ett angivet format.

Genom hela processen kommer vi att betona vikten av koncishet och fokus, för att se till att innehållet är lätt att förstå och implementera. Koden för dessa exempel finns i Fi-data-databasen, och stegen för att konfigurera miljön finns i README-filen.

För att bygga en grundläggande assistent måste vi först importera de nödvändiga komponenterna från fidata-biblioteket. Vi kommer att använda LLMAssistant-klassen för att skapa vår assistent.

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

Nästa steg är att skapa en instans av LLMAssistant-klassen och skicka in OpenAI GPT-4-språkmodellen som llm-parameter.

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

Nu kan vi definiera beskrivningen och instruktionerna för vår assistent. Dessa kommer att användas för att ställa in systemprompten för språkmodellen.

description = "Du är en hjälpsam assistent som har i uppgift att ge ett enkelt frukostrecept."
instructions = "Ge ett koncist frukostrecept."

Avslutningsvis kan vi anropa run-metoden för assistant-objektet och skicka in beskrivningen och instruktionerna. Detta kommer att köra assistenten och returnera svaret.

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

Detta kommer att ge ett enkelt frukostrecept som genererats av GPT-4-språkmodellen.

För att lägga till webbsökningsfunktionalitet till vår AI-assistent kommer vi att importera Duco-verktyget från f_tools-modulen. Detta verktyg gör det möjligt för assistenten att söka på webben och hämta relevant information.

Först lägger vi till Duco-verktyget i vår assistent:

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

Nästa steg är att ställa in show_tool_calls-parametern till True så att vi kan se verktygskallerna som sker bakom kulisserna.

Vi ger sedan assistenten en uppgift att söka efter nyheter från Frankrike och skriva en kort dikt om det:

assistant.run_task("Sök efter nyheter från Frankrike och skriv en kort dikt om det.")

Som du kan se använder assistenten Duco-verktyget för att hämta nyheter från Frankrike och genererar sedan en kort dikt baserat på den information den har samlat in. Detta visar hur assistenten kan utnyttja webbsökningsfunktionalitet för att samla in information och använda den för att utföra uppgifter.

För att skapa en finansassistent kommer vi att använda Yahoo Finance-verktyget från F-tools-biblioteket. Detta verktyg ger tillgång till olika finansiella data och funktioner, som att hämta aktiekurser, företagsinformation, rekommendationer och nyheter.

Först kommer vi att importera de nödvändiga verktygen:

from f_tools.yahoo_finance import YahooFinance

Nästa steg är att skapa finansassistenten och lägga till de önskade verktygen:

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
))

I det här exemplet aktiverar vi funktionerna get_stock_price, get_recommendations, get_company_info och get_company_news från Yahoo Finance-verktyget.

Nu kan vi ge assistenten uppgifter att utföra, som att hämta aktiekursen för ett företag och skriva en jämförelse mellan två företag:

finance_assistant.run_task("Vad är aktiekursen för Nvidia?")
finance_assistant.run_task("Skriv en jämförelse mellan Nvidia och AMD med hjälp av alla tillgängliga verktyg."))

Assistenten kommer att använda de tillhandahållna verktygen för att samla in den nödvändiga informationen och generera ett omfattande svar, som kommer att returneras i Markdown-format för bättre läsbarhet.

Denna finansassistent kan anpassas ytterligare genom att lägga till fler verktyg, justera verktygens konfigurationer eller ändra uppgiftsinstruktionerna för att passa dina specifika behov.

En av de viktigaste funktionerna i Fi data-ramverket är möjligheten att bygga anpassade verktyg som kan integreras i dina AI-agenter. Detta gör det möjligt att utöka funktionaliteten hos dina agenter utöver de standardverktyg som tillhandahålls, och anpassa dem efter dina specifika behov.

I videon demonstrerar skaparen hur man bygger ett anpassat verktyg för att komma åt Hacker News API. Så här går det till:

1. Beskriv den funktion som kommer att användas för att interagera med API:et, inklusive argument och returvärden.
2. Lägg till funktionen i Fi data-assistenten, ange beskrivningen och specificera in-/utparametrar.
3. Använd det anpassade verktyget i assistentens uppgifter, precis som standardverktygen.

Videon visar också hur man aktiverar felsökningsläge, vilket ger detaljerade loggar av assistentens interna processer. Detta kan vara mycket användbart vid felsökning eller för att förstå hur det anpassade verktyget används.

Overlag är möjligheten att bygga anpassade verktyg en kraftfull funktion i Fi data-ramverket, vilket gör det möjligt att skapa högspecialiserade och autonoma AI-agenter anpassade efter dina specifika behov.

Denna sektion visar hur assistenten kan utnyttja DuckDB-verktyget för att analysera data i CSV- och Parquet-filer. Assistenten demonstrerar följande funktioner:

1. Laddar automatiskt in data i tabeller när tabellerna inte finns.
2. Kör SQL-frågor för att få genomsnittligt filmbetyg och genererar ett histogram över betygen.
3. Väljer en lämplig bucketstorlek för histogrammet baserat på data.
4. Visar SQL-frågorna och de resulterande visualiseringarna på ett tydligt och koncist sätt.

Assistentens förmåga att smidigt integrera DuckDB och presentera analysresultaten är ett bevis på styrkan hos det demonstrerade ramverket. Detta avsnitt belyser hur assistenten kan utrustas med dataanalysförmågor för att hantera en bred uppsättning uppgifter.

Assistenten får i uppgift att skriva en forskningsrapport om ämnet OpenGPT-4. Den följer dessa steg:

1. Söker på webben med hjälp av Exa-verktyget för att hitta de 10 mest relevanta länkarna om OpenGPT-4.
2. Läser noggrant igenom sökresultaten.
3. Förbereder en välformatterad artikel i den begärda strukturen:
   • Grov disposition
   • Detaljerad rapport som täcker de viktigaste punkterna om OpenGPT-4
4. Sparar den slutliga rapporten i en Markdown-fil med namnet "news_article.md".

Assistenten visar sin förmåga att:

• Utföra webbaserad forskning och samla in relevant information
• Sammanfatta resultaten i en strukturerad, välskriven rapport
• Formatera rapporten i Markdown för bättre läsbarhet
• Spara utdata till en fil enligt begäran

Detta visar på assistentens forskningsförmågor, språkbearbetningsfärdigheter och förmåga att följa instruktioner för att producera en högkvalitativ leverans.