Flash Learn - 让 Agent 变得简单

FlashLearn 提供了一个简单的接口和编排机制（最高支持 1000 次调用/分钟），用于将 Agent LLMs 集成到你的常规工作流和 ETL 流水线中。你可以像使用标准机器学习库一样，在后台利用 LLM 的强大能力来执行数据转换、分类、摘要、改写以及自定义的多步任务。每个 步骤（step）和任务（task）都有紧凑的 JSON 定义，使得流水线易于理解和维护。它支持 LiteLLM、Ollama、OpenAI、DeepSeek 以及所有其他兼容 OpenAI 的客户端。

🚀 示例代码

📖 完整文档

安装

pip install flashlearn

将你所选 LLM 服务提供商的 API key 添加到你的 .env 文件中。

OPENAI_API_KEY=

高阶概念流程

flowchart TB
    classDef smallBox font-size:12px, padding:0px;

    H[你的数据] --> I[加载/学习技能]
    I --> J[创建任务]
    J --> K[运行任务]
    K --> L[结构化结果]
    L --> M[下游步骤]

    class H,I,J,K,L,M smallBox;

---

学习一项新“技能”

类似于 fit/predict 模式，你可以快速“学习”一项自定义技能。下面我们将创建一个技能，用于评估社交媒体评论中用户购买产品的可能性，并返回一个分数（1-100）和简短理由。我们将指示 LLM 根据自定义规范转换每条评论。

from flashlearn.skills.learn_skill import LearnSkill
from openai import OpenAI

# 实例化你的流水线“估算器”或“转换器”
learner = LearnSkill(model_name="gpt-4o-mini", client=OpenAI())
# 为新技能提供指令和示例数据
skill = learner.learn_skill(
    df=[], # 如果需要，你也可以传入数据样本
    task=(
        "Evaluate how likely the user is to buy my product based on the sentiment in their comment, "
        "return an integer 1-100 on key 'likely_to_buy', "
        "and a short explanation on key 'reason'."
    ),
)

# 保存技能以便在任何系统中调用
skill.save("evaluate_buy_comments_skill.json")

---

输入应为字典列表

无论你是从 API、电子表格还是用户提交的表单中获取数据，只需将每条记录包装成一个字典即可。FlashLearn 的“技能”接受此类字典列表，如下所示：

user_inputs = [
    {"comment_text": "I love this product, it's everything I wanted!"},
    {"comment_text": "Not impressed... wouldn't consider buying this."},
    # ...
]

---

仅需 3 行代码即可运行

一旦定义或学习了技能，你就可以将其加载并像标准机器学习流水线中的专用转换器一样使用。只需几行代码即可将其应用于你的数据：

from flashlearn.skills.general_skill import GeneralSkill

with open("evaluate_buy_comments_skill.json", "r", encoding="utf-8") as file:
    definition= json.load(file)

# 假设我们之前已将学习到的技能保存为 "evaluate_buy_comments_skill.json"
skill = GeneralSkill.load_skill(definition)

tasks = skill.create_tasks(user_inputs)
results = skill.run_tasks_in_parallel(tasks)
print(results)

---

获取结构化结果

FlashLearn 为你的每条记录返回结构化输出。结果字典中的键映射到你原始列表的索引。例如：

{
  "0": {
    "likely_to_buy": 90,
    "reason": "Comment shows strong enthusiasm and positive sentiment."
  },
  "1": {
    "likely_to_buy": 25,
    "reason": "Expressed disappointment and reluctance to purchase."
  }
}

---

传递给后续步骤

每条记录的输出均可用于下游任务。例如，你可以：

1. 将结果存储到数据库
2. 过滤出高潜力的潜在客户
3. 将其发送到另一个工具进行进一步分析（例如，以正式语气重写“理由”）

下面是一个简短示例，展示了如何解析字典并将其馈送到单独的函数中：

# 假设 'flash_results' 是包含结构化 LLM 输出的字典
for idx, result in flash_results.items():
    desired_score = result["likely_to_buy"]
    reason_text = result["reason"]
    # 现在处理分数和理由，例如存入数据库或传递到下一步
    print(f"Comment #{idx} => Score: {desired_score}, Reason: {reason_text}")

支持的 LLM 提供商

在任何依赖机器学习流水线组件的地方，你都可以无缝替换为 LLM：

client = OpenAI()  # 这等同于使用任意支持 OpenAI 格式的客户端