AutoChain

大型语言模型（LLMs）在各种文本生成任务中取得了巨大成功，并使开发者能够根据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针对特定目标需要大量的定制化工作，且使用现有的工具和框架来支持不同的应用场景有时会让人感到力不从心。因此，构建自定义生成式智能体仍然极具挑战。

此外，对此类生成式智能体进行评估（通常通过手动尝试不同场景来完成）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这两个问题。开发者可以利用该框架，结合自定义工具构建自己的 LLM 智能体，并通过模拟对话进行自动评估。对于 LangChain 的资深用户来说，AutoChain 非常容易上手，因为它们共享相似且更简洁的概念。

本项目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。
• 🔗 支持自定义工具，并支持 OpenAI 的 function calling。
• 💾 针对对话历史和工具输出的简单内存跟踪。
• 🤖 支持通过模拟对话进行自动化智能体多轮对话评估。

安装

快速安装：

pip install autochain

或者克隆代码仓库后从源码安装：

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`

通过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，通过以下几个方面简化智能体构建过程：

1. 简易的 Prompt 更新
   工程化和迭代 Prompt 是构建生成式智能体的关键部分。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 和运行结果。
2. 不超过 2 层的抽象
   作为实现快速迭代的一部分，AutoChain 移除了其他框架中大多数冗余的抽象层。
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。为了在某个场景下提升智能体表现而进行的更新，往往会导致其他场景出现性能回归。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 旨在尽可能直观地构建自定义生成式智能体，并尽量减少抽象。

最基本的示例使用了默认链（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'])

正如在 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。它在底层将函数规范（function spec）转换为 OpenAI 格式，无需显式指令，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，以及可以交互运行的工作流评估测试用例。

阅读更多关于组件概览的详细信息。

工作流评估

（原文此处未完成，建议根据实际项目内容补全）