描述
py-vectara-agentic 库使开发人员能够利用 Vectara 的功能和 Agentic RAG 模式来构建复杂的 AI 助手和代理。该 Python 库基于 LlamaIndex Agent 框架构建，简化了创建与 Vectara 语料库交互的工具的过程。其核心优势在于能够以最少的代码快速生成 Vectara RAG 工具或搜索工具，从而显著加速开发。
该库在代理设计方面提供了灵活性，支持 ReAct 和函数调用等多种代理类型。它拥有针对金融和法律等行业量身定制的预构建领域特定工具，增强了其在不同行业的适用性。一个关键优势是其多 LLM 集成，允许与 OpenAI、Anthropic、Gemini、GROQ、Together.AI、Cohere 和 AWS Bedrock 等流行提供商无缝连接。对于专注于理解代理行为和性能的开发人员，py-vectara-agentic 通过 Arize Phoenix 内置了可观测性支持。
高级用户可以通过使用 `run()` 方法定义的自定义工作流来扩展代理功能，从而实现结构化的多步交互。该库还提供强大的流式传输和实时响应生成功能，这对于交互式应用程序至关重要，并通过在响应生成时显示它们来改善用户体验。集成了 Vectara 幻觉纠正 (VHC)，允许根据 VHC 合格工具检索到的事实内容来分析和纠正代理响应。该库还包括工具验证功能，并支持从 Python 函数创建自定义工具。
主要功能包括 Vectara RAG 和搜索工具的快速创建、对各种代理类型的支持、多 LLM 集成、内置可观测性以及复杂交互的工作流支持。该库适用于希望构建能够有效查询和利用存储在 Vectara 中的数据的智能代理的开发人员、AI 工程师和研究人员，重点关注基于事实的准确响应。
py-vectara-agentic的核心功能
快速创建 Vectara RAG 和搜索工具
支持 ReAct 和函数调用代理类型
与 OpenAI、Anthropic、Gemini、GROQ、Together.AI、Cohere 和 Bedrock LLM 集成
通过 Arize Phoenix 内置可观测性
通过 `run()` 方法进行可自定义的工作流
流式传输和实时响应生成
内置支持 Vectara 幻觉纠正 (VHC)
工具验证以确保自定义指令与可用工具匹配
能够从 Python 函数创建自定义工具
金融和法律领域的预构建领域特定工具
支持 Vectara 查询中的元数据过滤
人类可读的工具输出格式化
py-vectara-agentic入门
克隆：从其 GitHub 存储库获取库。
安装：运行 `pip install vectara-agentic` 来安装依赖项。
配置：设置 Vectara API 密钥和语料库密钥，以及可选的 LLM API 密钥。
初始化：创建一个 `VectaraToolFactory` 并定义代理指令。
创建工具：使用 `create_rag_tool` 或 `create_search_tool` 进行 Vectara 集成。
实例化代理：使用您的工具和自定义指令创建一个 `Agent` 实例。
执行：使用 chat、achat、stream_chat 或 astream_chat 方法与代理进行交互。
分析：利用 VHC 或工作流进行高级响应分析和复杂交互。
py-vectara-agentic的使用案例
- AI 助手开发
- RAG 应用创建
- 数据分析代理
- 交互式聊天机器人
- 工作流自动化
- LLM 集成
