Trong phần này, chúng ta sẽ khám phá cách xây dựng các hệ thống AI tự trị phức tạp có bộ nhớ dài hạn, kiến thức ngữ cảnh và khả năng thực hiện các hành động từ việc gọi hàm. Chúng ta sẽ sử dụng khuôn khổ Fi-data, cung cấp một cách mạnh mẽ để tạo trợ lý AI tự trị với khả năng gọi hàm.

Đầu tiên, chúng ta sẽ tạo một trợ lý cơ bản không có bất kỳ công cụ nào. Trợ lý này sẽ sử dụng mô hình GPT-4, là một trong những mô hình tốt nhất trên thị trường hiện nay. Sau đó, chúng ta có thể thêm các chức năng bổ sung cho trợ lý, chẳng hạn như khả năng tìm kiếm trên web bằng công cụ Duco.

Tiếp theo, chúng ta sẽ xây dựng một trợ lý tài chính có thể truy cập các công cụ khác nhau như Yahoo Finance để lấy giá cổ phiếu, khuyến nghị, thông tin công ty và tin tức. Sau đó, chúng ta sẽ演示cách xây dựng các công cụ tùy chỉnh của riêng bạn, sử dụng API Hacker News làm ví dụ.

Cuối cùng, chúng ta sẽ khám phá các trợ lý phức tạp hơn, chẳng hạn như trợ lý phân tích dữ liệu có thể sử dụng DuckDB để phân tích dữ liệu trong các tệp CSV và Parquet, và trợ lý nghiên cứu có thể sử dụng Exa để tìm kiếm trên web và tạo một báo cáo theo định dạng cụ thể.

Trong suốt quá trình này, chúng tôi sẽ nhấn mạnh tầm quan trọng của sự súc tích và tập trung, đảm bảo rằng nội dung dễ hiểu và thực hiện. Mã nguồn của các ví dụ này có thể được tìm thấy trong kho lưu trữ Fi-data, và các bước để thiết lập môi trường được cung cấp trong tệp README.

Để xây dựng một trợ lý cơ bản, trước tiên chúng ta cần nhập các thành phần cần thiết từ thư viện fidata. Chúng tôi sẽ sử dụng lớp LLMAssistant để tạo trợ lý của chúng tôi.

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

Tiếp theo, chúng tôi sẽ tạo một thể hiện của lớp LLMAssistant, truyền mô hình ngôn ngữ GPT-4 của OpenAI làm tham số llm.

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

Bây giờ, chúng ta có thể định nghĩa mô tả và hướng dẫn cho trợ lý của chúng ta. Những thứ này sẽ được sử dụng để đặt lời nhắc hệ thống cho mô hình ngôn ngữ.

description = "You are a helpful assistant tasked with providing a simple breakfast recipe."
instructions = "Provide a concise breakfast recipe."

Cuối cùng, chúng ta có thể gọi phương thức run của đối tượng assistant, truyền vào mô tả và hướng dẫn. Điều này sẽ thực hiện trợ lý và trả về phản hồi.

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

Điều này sẽ xuất ra một công thức nấu ăn sáng đơn giản được tạo ra bởi mô hình ngôn ngữ GPT-4.

Để thêm chức năng tìm kiếm web vào trợ lý AI của chúng ta, chúng ta sẽ nhập công cụ Duco từ mô-đun f_tools. Công cụ này cho phép trợ lý tìm kiếm trên web và lấy thông tin liên quan.

Đầu tiên, chúng ta thêm công cụ Duco vào trợ lý của chúng ta:

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

Tiếp theo, chúng ta đặt tham số show_tool_calls thành True để chúng ta có thể xem các cuộc gọi công cụ đang diễn ra ở幕后.

Chúng ta sau đó giao cho trợ lý một nhiệm vụ tìm kiếm tin tức từ Pháp và viết một bài thơ ngắn về điều đó:

assistant.run_task("Search for the news from France and write a short poem about it.")

Như bạn có thể thấy, trợ lý sử dụng công cụ Duco để lấy tin tức từ Pháp, sau đó tạo ra một bài thơ ngắn dựa trên thông tin mà nó đã thu thập được. Điều này cho thấy cách trợ lý có thể tận dụng các khả năng tìm kiếm web để thu thập thông tin và sử dụng nó để hoàn thành các nhiệm vụ.

Để tạo một trợ lý tài chính, chúng tôi sẽ sử dụng công cụ Yahoo Finance từ thư viện F-tools. Công cụ này cung cấp quyền truy cập vào các dữ liệu và chức năng tài chính khác nhau, chẳng hạn như lấy giá cổ phiếu, thông tin công ty, khuyến nghị và tin tức.

Đầu tiên, chúng tôi sẽ nhập các công cụ cần thiết:

from f_tools.yahoo_finance import YahooFinance

Tiếp theo, chúng tôi sẽ tạo trợ lý tài chính và thêm các công cụ mong muốn vào đó:

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
))

Trong ví dụ này, chúng tôi đang kích hoạt các chức năng get_stock_price, get_recommendations, get_company_info và get_company_news từ công cụ Yahoo Finance.

Bây giờ, chúng ta có thể giao các nhiệm vụ cho trợ lý thực hiện, chẳng hạn như lấy giá cổ phiếu của một công ty và viết so sánh giữa hai công ty:

finance_assistant.run_task("What is the stock price of Nvidia?")
finance_assistant.run_task("Write a comparison between Nvidia and AMD using all the available tools.")

Trợ lý sẽ sử dụng các công cụ được cung cấp để thu thập thông tin cần thiết và tạo ra một phản hồi toàn diện, được trả về dưới định dạng Markdown để dễ đọc hơn.

Trợ lý tài chính này có thể được tùy chỉnh thêm bằng cách thêm nhiều công cụ hơn, điều chỉnh cấu hình công cụ hoặc sửa đổi hướng dẫn nhiệm vụ để phù hợp với nhu cầu cụ thể của bạn.

Một trong những tính năng chính của khuôn khổ dữ liệu Fi là khả năng xây dựng các công cụ tùy chỉnh có thể được tích hợp vào các tác nhân AI của bạn. Điều này cho phép bạn mở rộng khả năng của các tác nhân của mình vượt ra ngoài các công cụ mặc định được cung cấp và điều chỉnh chúng phù hợp với nhu cầu cụ thể của bạn.

Trong video, người sáng tạo演示cách xây dựng một công cụ tùy chỉnh để truy cập API Hacker News. Đây là cách thực hiện:

1. Mô tả hàm sẽ được sử dụng để tương tác với API, bao gồm các đối số và giá trị trả về.
2. Thêm hàm vào trợ lý dữ liệu Fi, cung cấp mô tả và chỉ định các tham số đầu vào/đầu ra.
3. Sử dụng công cụ tùy chỉnh trong các nhiệm vụ của trợ lý, giống như các công cụ mặc định.

Video cũng cho thấy cách kích hoạt chế độ gỡ lỗi, cung cấp nhật ký chi tiết về các quy trình nội bộ của trợ lý. Điều này có thể rất hữu ích khi gỡ lỗi hoặc hiểu cách công cụ tùy chỉnh được sử dụng.

Nói chung, khả năng xây dựng các công cụ tùy chỉnh là một tính năng mạnh mẽ của khuôn khổ dữ liệu Fi, cho phép bạn tạo ra các tác nhân AI chuyên biệt và tự trị được điều chỉnh theo nhu cầu cụ thể của bạn.

Phần này trình bày cách trợ lý có thể tận dụng công cụ DuckDB để phân tích dữ liệu trong các tệp CSV và Parquet. Trợ lý演示các khả năng sau:

1. Tự động tải dữ liệu vào các bảng khi các bảng không tồn tại.
2. Chạy các truy vấn SQL để lấy điểm đánh giá phim trung bình và tạo biểu đồ cột của các điểm đánh giá.
3. Chọn kích thước bucket phù hợp cho biểu đồ cột dựa trên dữ liệu.
4. Hiển thị các truy vấn SQL và các biểu đồ kết quả theo cách rõ ràng và súc tích.

Khả năng của trợ lý trong việc tích hợp DuckDB một cách trơn tru và trình bày kết quả phân tích là minh chứng cho sức mạnh của khuôn khổ đang được演示. Phần này nhấn mạnh cách trợ lý có thể được trang bị các khả năng phân tích dữ liệu để giải quyết một loạt các nhiệm vụ.

Trợ lý được giao nhiệm vụ viết một báo cáo nghiên cứu về chủ đề OpenGPT-4. Nó thực hiện các bước sau:

1. Tìm kiếm trên web bằng công cụ Exa để tìm 10 liên kết liên quan hàng đầu về OpenGPT-4.
2. Đọc kỹ lưỡng các kết quả tìm kiếm.
3. Chuẩn bị một bài viết được định dạng tốt theo cấu trúc yêu cầu:
   • Đề cương sơ lược
   • Báo cáo chi tiết bao gồm các điểm chính về OpenGPT-4
4. Lưu báo cáo cuối cùng vào một tệp Markdown có tên "news_article.md".

Trợ lý演示khả năng của mình trong việc:

• Tiến hành nghiên cứu web và thu thập thông tin liên quan
• Tổng hợp các phát hiện thành một báo cáo có cấu trúc, được viết tốt
• Định dạng báo cáo bằng Markdown để dễ đọc
• Lưu kết quả vào tệp theo yêu cầu

Điều này thể hiện các khả năng nghiên cứu, xử lý ngôn ngữ tự nhiên và khả năng tuân theo hướng dẫn của trợ lý để tạo ra một sản phẩm chất lượng cao.