DAGent

Description

DAGent propose une bibliothèque Python opinionnée pour la création rapide d'agents IA avec une surcharge minimale. Le concept central tourne autour de la structuration de la logique de l'agent IA en un flux de travail, visualisé comme un Graphe Acyclique Dirigé (DAG). Chaque fonction Python au sein de l'agent est traitée comme un nœud dans ce graphe.

Le comportement agentique est obtenu en utilisant des Grands Modèles de Langage (LLM) pour déduire quelle fonction exécuter ensuite. Ce processus d'inférence est géré par un "Nœud de Décision", qui agit comme le point central pour la prise de décision pilotée par LLM. Les outils, qui sont essentiellement des fonctions Python, peuvent être intégrés à l'agent. Il est fortement recommandé de fournir des docstrings claires et des annotations de type pour ces fonctions afin d'aider le LLM à comprendre leur objectif et leurs paramètres, en particulier pour les outils plus complexes.

La bibliothèque distingue entre `FunctionNode` et `DecisionNode`. Un `FunctionNode` exécute une fonction Python, et lorsqu'il est attaché à un `DecisionNode`, il peut être traité comme un outil que le LLM peut sélectionner. Le `DecisionNode` est l'endroit où le LLM choisit parmi un ensemble de fonctions disponibles. La méthode `.compile()` génère et enregistre automatiquement les descriptions d'outils au format JSON sous un dossier `Tool_JSON`, qui peut être modifié manuellement si la fiabilité de l'agent doit être améliorée. Le paramètre `prev_output` est crucial pour passer des données entre les fonctions dans le flux de travail, nécessitant sa présence dans la signature de la fonction. Pour gérer les paramètres inattendus, l'ajout de `**kwargs` aux signatures de fonction est conseillé.

DAGent prend en charge l'utilisation de divers modèles LLM pour l'inférence et la génération de descriptions d'outils. Les utilisateurs peuvent spécifier le modèle souhaité lors de l'appel des fonctions LLM ou lors de la compilation des instances `DecisionNode`, permettant une flexibilité dans le choix des modèles comme ceux de Groq ou Ollama. La bibliothèque facilite la substitution dynamique de paramètres pour les nœuds de fonction, permettant un réglage fin du comportement de l'agent pendant l'exécution. Les retours sur la bibliothèque peuvent être fournis via un formulaire dédié.

Fonctionnalités principales de DAGent

• Construire des agents IA en utilisant du code Python existant

• Structurer la logique de l'agent comme des Graphes Acycliques Dirigés (DAG)

• Sélection de fonctions pilotée par LLM via des Nœuds de Décision

• Fonctions traitées comme des outils pour les LLM

• Génération automatique de descriptions d'outils (JSON)

• Prise en charge de plusieurs modèles LLM (par exemple, Groq, Ollama)

• Passer des données entre les fonctions en utilisant le paramètre `prev_output`

• Substitution dynamique de paramètres pour les nœuds de fonction

• Inclut un exemple d'agent quickstart

Premiers pas avec DAGent

1. 1

   Installer : pip install dagent ou rye add dagent

2. 2

   Configurer : Assurez-vous que votre clé API (par exemple, OPENAI_API_KEY) est disponible

3. 3

   Développer : Définir des fonctions Python pour agir comme nœuds

4. 4

   Intégrer : Utiliser DecisionNode pour permettre aux LLM de sélectionner des fonctions

5. 5

   Compiler : Exécuter `.compile()` pour générer les descriptions d'outils

6. 6

   Exécuter : Lancer votre flux de travail d'agent

Cas d'utilisation de DAGent

• Exécution automatisée de tâches
• Agents d'analyse de données
• Assistants de génération de code
• Automatisation des flux de travail
• Intégration d'outils IA personnalisés
• Scripting alimenté par LLM

FAQ de DAGent

• Qu'est-ce que DAGent ?

  DAGent est une bibliothèque Python qui permet aux développeurs de construire rapidement des agents IA en structurant leur logique en Graphes Acycliques Dirigés (DAG) et en exploitant les LLM pour la prise de décision.

• Comment DAGent structure-t-il les agents IA ?

  DAGent structure les agents IA en flux de travail où chaque fonction Python est un nœud dans un Graphe Acyclique Dirigé (DAG). Un LLM, via un Nœud de Décision, déduit quelle fonction exécuter ensuite.

• Puis-je utiliser mon code Python existant avec DAGent ?

  Oui, DAGent est conçu pour construire des agents IA avec votre code Python existant. Les fonctions peuvent être traitées comme des outils que le LLM peut utiliser.

• Qu'est-ce qu'un Nœud de Décision dans DAGent ?

  Un Nœud de Décision est un composant dans DAGent où un LLM sélectionne quelle fonction (outil) exécuter parmi un ensemble d'options données.

• Comment les descriptions d'outils sont-elles générées dans DAGent ?

  Les descriptions d'outils sont générées automatiquement et enregistrées au format JSON sous un dossier `Tool_JSON` lorsque vous appelez la méthode `.compile()` sur un DecisionNode.

• Comment passer des données entre les fonctions dans DAGent ?

  Les données peuvent être passées entre les fonctions en incluant le paramètre `prev_output` dans la signature de la fonction. Ce paramètre reçoit la valeur de retour de la fonction précédente.

• DAGent prend-il en charge différents modèles LLM ?

  Oui, DAGent prend en charge l'utilisation de différents modèles LLM pour l'inférence et la génération de descriptions d'outils. Vous pouvez spécifier le modèle lors de l'appel des fonctions LLM ou de la compilation des DecisionNodes.

• Comment puis-je remplacer les paramètres de fonction dans DAGent ?

  Les arguments de fonction peuvent être remplacés à tout moment en définissant l'attribut `user_params` sur le nœud de fonction, fusionnant les kwargs avec priorité à l'utilisateur.

• Que dois-je faire si mon agent n'est pas fiable ?

  Si l'agent n'est pas fiable, vous pouvez essayer de modifier les descriptions d'outils générées dans le dossier `Tool_JSON` ou exécuter la méthode compile avec `force_load=True`.

• Quelles sont les options d'installation pour DAGent ?

  Vous pouvez installer DAGent en utilisant pip avec `pip install dagent` ou en utilisant rye avec `rye add dagent`.