AutoChain

大语言模型（LLM）在各种文本生成任务中展现出了巨大的成功，使开发者能够基于自然语言表达的目标构建生成式智能体（Generative Agents）。

然而，大多数生成式智能体都需要针对特定目的进行深度定制，使用现有的工具和框架来支持不同的应用场景有时会令人感到力不从心。因此，构建自定义的生成式智能体仍然极具挑战性。

此外，评估这些生成式智能体通常依赖于手动尝试不同的场景，这是一项非常人工化、重复且昂贵的任务。

AutoChain 从 LangChain 和 AutoGPT 中汲取灵感，旨在通过提供一个轻量级且可扩展的框架来解决上述两个问题。它允许开发者使用 LLM 和自定义工具构建自己的智能体，并通过模拟对话自动评估不同的用户场景。如果你是 LangChain 的资深用户，你会发现 AutoChain 非常容易上手，因为它们共享相似但更简单的概念。

我们的目标是通过简化智能体的定制和评估，实现生成式智能体的快速迭代。

如果你有任何问题，请随时联系 Yi Lu。

特性

• 🚀 轻量级且可扩展的生成式智能体流水线。
• 🔗 支持使用各种自定义工具的智能体，并支持 OpenAI function calling。
• 💾 简单的内存追踪功能，用于记录对话历史和工具输出。
• 🤖 支持通过模拟对话进行智能体多轮对话的自动化评估。

安装

快速安装：

pip install autochain

或者克隆仓库后从源码安装：

cd autochain
pyenv virtualenv 3.10.11 venv
pyenv local venv

pip install .

设置 PYTHONPATH 和 OPENAI_API_KEY：

export OPENAI_API_KEY=
export PYTHONPATH=`pwd`

以交互方式运行你的第一个智能体对话：

python autochain/workflows_evaluation/conversational_agent_eval/generate_ads_test.py -i

AutoChain 如何简化智能体构建？

与现有框架相比，AutoChain 旨在提供一个轻量级框架，并通过以下方式简化智能体构建过程：

1. 轻松更新 Prompt：工程化和迭代 Prompt 是构建生成式智能体的重要组成部分。AutoChain 使得更新 Prompt 和可视化 Prompt 输出变得非常简单。运行程序时加上 -v 标志，即可在控制台输出详细的 Prompt 和执行结果。
2. 最多 2 层抽象：为了实现快速迭代，AutoChain 选择剔除了其他框架中大多数的抽象层。
3. 自动化多轮评估：评估是构建生成式智能体中最痛苦且定义最模糊的部分。更新智能体以在某一个场景中表现得更好，往往会导致其他用例的性能回退。AutoChain 提供了一个测试框架，可以自动评估智能体在不同用户场景下的能力。

使用示例

如果你有 LangChain 的使用经验，那么你已经掌握了 80% 的 AutoChain 接口。

AutoChain 旨在尽可能直接地构建自定义生成式智能体，并尽可能减少抽象。

最基本的示例使用默认的 chain 和 ConversationalAgent：

from autochain.chain.chain import Chain
from autochain.memory.buffer_memory import BufferMemory
from autochain.models.chat_openai import ChatOpenAI
from autochain.agent.conversational_agent.conversational_agent import ConversationalAgent

llm = ChatOpenAI(temperature=0)
memory = BufferMemory()
agent = ConversationalAgent.from_llm_and_tools(llm=llm)
chain = Chain(agent=agent, memory=memory)

print(chain.run("Write me a poem about AI")['message'])

就像在 LangChain 中一样，你可以向智能体添加工具列表：

tools = [
    Tool(
        name="Get weather",
        func=lambda *args, **kwargs: "Today is a sunny day",
        description="""This function returns the weather information"""
    )
]

memory = BufferMemory()
agent = ConversationalAgent.from_llm_and_tools(llm=llm, tools=tools)
chain = Chain(agent=agent, memory=memory)
print(chain.run("What is the weather today")['message'])

AutoChain 还增加了对 OpenAI 模型 function calling 的支持。在底层，它会自动将函数规范（function spec）转换为 OpenAI 格式，无需额外指令，因此你可以继续使用你熟悉的 Tool 接口：

llm = ChatOpenAI(temperature=0)
agent = OpenAIFunctionsAgent.from_llm_and_tools(llm=llm, tools=tools)

查看 autochain/examples 下的更多示例，以及同样可以交互运行的工作流评估测试用例。

阅读关于详细的组件概览以获取更多信息。

工作流评估

（原文此处未完成，建议查看相关文档）