描述
Mirascope 提供了一种新颖的 AI 代理开发方法，将其定位为“LLM 反框架”。这种理念强调 AI 工程师的灵活性和直接控制，摆脱了僵化、固执己见的框架。Mirascope 的核心承诺是赋能开发者更高效地“构建、观察、迭代、发布”他们的 AI 应用。
Mirascope 的核心提供了一个强大的工具集，可与 OpenAI、Anthropic 和 Google 等流行的 LLM 提供商无缝集成。该平台通过允许开发人员在其代码中定义工具和 LLM 调用来促进复杂 AI 代理的创建。演示的一个关键功能是能够定义自定义工具，例如用于按类型搜索书籍的 `library` 函数，然后这些工具可以被 LLM 代理使用。
该系统集成了高级的可观察性功能，包括对每次 LLM 交互的自动版本控制、跟踪和成本跟踪。这通过 `@ops.version()` 装饰器得到体现，该装饰器会自动记录和监控代理运行。提供的代码片段显示了一个名为 `librarian` 的代理，它使用 `library` 工具并与 LLM 进行交互。代理的执行流程，包括工具调用、工具输出和最终文本响应，都可以清晰地跟踪。
Mirascope 的代理循环机制允许动态交互，代理可以执行工具、接收其输出，然后根据新信息恢复其思考过程。这种迭代能力对于构建能够执行多步推理和操作的复杂 AI 代理至关重要。该平台旨在简化复杂的 AI 代理开发过程，使其对工程师更易于访问和管理。
Mirascope 的目标受众包括 AI 工程师、机器学习从业者以及开发利用大型语言模型的应用程序的开发人员。对于那些需要精细控制其 AI 代理行为、需要深入了解其代理性能并希望优化成本和效率的人来说，它尤其有益。通过抽象掉许多样板代码并提供内置的可观察性，Mirascope 加速了开发生命周期。
Mirascope的核心功能
LLM 反框架，用于灵活的 AI 代理开发
与 OpenAI、Anthropic 和 Google LLM 集成
在 AI 代理中定义和使用自定义工具
代理运行的自动版本控制
对 LLM 交互和工具调用的全面跟踪
内置 LLM 使用成本跟踪
用于动态执行和响应的迭代代理循环
用于构建、观察、迭代和发布周期的可观察性功能
从实验到部署的简化开发
如何使用 Mirascope？
定义 LLM 工具：创建用于特定任务的 Python 函数。
装饰 LLM 调用：使用 `@llm.call` 指定模型和工具。
实现代理逻辑：为您的代理构建交互流程。
执行代理循环：运行代理并迭代处理工具调用。
观察和迭代：利用跟踪和版本控制来优化代理行为。
发布 AI 应用：部署您已开发和优化的 AI 代理。
Mirascope的使用案例
- AI 代理开发
- LLM 可观察性
- 迭代 AI 设计
- 工具集成
- 成本优化
- 自动化版本控制
