ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;line-height: 1.75;color: rgb(0, 152, 116);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;text-shadow: rgb(123, 123, 123) 0px 0px;line-height: 1.75;color: rgb(0, 152, 116);">⭐️ ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;line-height: 1.75;color: rgb(0, 152, 116);">Phidata：ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;line-height: 1.75;color: rgb(0, 152, 116);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;text-shadow: rgb(123, 123, 123) 0px 0px;line-height: 1.75;color: rgb(0, 152, 116);">https://git.new/phidataingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1.5em 8px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;line-height: 1.75;color: rgb(0, 152, 116);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;letter-spacing: 1.5px;text-align: left;white-space: normal;text-shadow: rgb(123, 123, 123) 0px 0px;line-height: 1.75;color: rgb(0, 152, 116);">Phidata 是一个用于构建自主助手（也称为代理）的框架，这些助手具有长期记忆、上下文知识并能通过功能调用执行操作。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 15px;margin: 1.5em 8px;color: rgb(63, 63, 63);"> 推荐一个油管博主WorldofAl的教程视频：  为什么选择 phidata?
问题:大型语言模型（LLMs）上下文有限，无法执行操作。 解决方案:增加记忆、知识和工具。 •记忆:将聊天记录存储在数据库中，使 LLMs 能进行长期对话。 •知识:将信息存储在向量数据库中，为 LLMs 提供业务上下文。 •工具:使 LLMs 能执行操作，例如从 API 拉取数据、发送电子邮件或查询数据库。 • 支持的大模型:支持众多主流的LLM提供商
 我要怎么开始使用这个项目？
Assistant怎么创建工具是助手可以运行来完成搜索网络、运行 SQL、发送电子邮件、调用 API 等任务的功能。 
知识库怎么创建知识库是助手可以搜索以改进其响应的信息数据库。此信息存储在矢量数据库中，并为 LLMs 提供业务上下文，这使它们以上下文感知的方式做出响应。 
向量数据库怎么创建向量数据库使我们能够将信息存储为嵌入并搜索与我们的输入查询“相似的结果”。然后将这些结果作为上下文提供给 LLM，以便它可以使用检索增强生成 (RAG) 以上下文感知的方式进行响应。 
使用上面三个步骤创建的官方例子助手展示如何使用 LLMs 进行函数调用。该助手可以访问一个函数 get_top_hackernews_stories ，它可以调用该函数来获取黑客新闻的头条新闻。 
下面提供官方的文档介绍、相关资源、部署教程等，进一步支撑你的行动，以提升本文的帮助力。 安装pipinstall-Uphidata 快速开始：可搜索网络的助手创建一个文件assistant.py fromphi.assistantimportAssistant
fromphi.tools.duckduckgoimportDuckDuckGo
assistant=Assistant(tools=[DuckDuckGo()],show_tool_calls=True)
assistant.print_response("法国发生了什么事？",markdown=True)
安装库，导出您的OPENAI_API_KEY并运行Assistant pipinstallopenaiduckduckgo-search
exportOPENAI_API_KEY=sk-xxxx
pythonassistant.py
文档和支持•阅读文档：docs.phidata.com •在discord与我们聊天
示例•LLM OS: 使用 LLMs 作为新兴操作系统的 CPU。 •Autonomous RAG: 为 LLMs 提供工具，以搜索其知识、网络或聊天记录。 •Local RAG: 使用 Ollama 和 PgVector 的完全本地 RAG。 •Investment Researcher: 使用 Llama3 和 Groq 生成股票投资报告。 •News Articles: 使用 Llama3 和 Groq 撰写新闻文章。 •Video Summaries: 使用 Llama3 和 Groq 的 YouTube 视频摘要。 •Research Assistant: 使用 Llama3 和 Groq 撰写研究报告。
可编写和运行 Python 代码的助手PythonAssistant可以通过编写和运行 Python 代码完成任务。
fromphi.assistant.pythonimportPythonAssistant
fromphi.file.local.csvimportCsvFile
python_assistant=PythonAssistant(
files=[
CsvFile(
path="https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
description="包含关于 IMDB 电影的信息。",
)
],
pip_install=True,
show_tool_calls=True,
)
python_assistant.print_response("电影的平均评分是多少？",markdown=True)
pipinstallpandas
pythonpython_assistant.py
可使用 SQL 进行数据分析的助手DuckDbAssistant可以使用 SQL 进行数据分析。
importjson
fromphi.assistant.duckdbimportDuckDbAssistant
duckdb_assistant=DuckDbAssistant(
semantic_model=json.dumps({
"tables":[
{
"name":"movies",
"description":"包含关于 IMDB 电影的信息。",
"path":"https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
}
]
}),
)
duckdb_assistant.print_response("电影的平均评分是多少？给我看看 SQL。",markdown=True)
pipinstallduckdb
pythondata_assistant.py
可生成 Pydantic 模型的助手我们最喜欢的 LLM 功能之一是从文本生成结构化数据（即 Pydantic 模型）。使用此功能提取特征、生成电影剧本、生成假数据等。 让我们创建一个电影助手为我们编写一个MovieScript。 fromtypingimportList
frompydanticimportBaseModel,Field
fromrich.prettyimportpprint
fromphi.assistantimportAssistant
classMovieScript(BaseModel):
setting:str=Field(...,description="为大片提供一个不错的场景。")
ending:str=Field(...,description="电影的结尾。如果不可用，请提供一个快乐的结局。")
genre:str=Field(...,description="电影的类型。如果不可用，请选择动作、惊悚或浪漫喜剧。")
name:str=Field(...,description="给这部电影取一个名字")
characters ist[str]=Field(...,description="这部电影的角色名称。")
storyline:str=Field(...,description="电影的 3 句故事情节。让它变得激动人心！")
movie_assistant=Assistant(
description="你帮助编写电影剧本。",
output_model=MovieScript,
)
pprint(movie_assistant.run("纽约"))
pythonmovie_assistant.py MovieScript(
│setting='繁华且充满活力的纽约市',
│ ending='主人公拯救了城市并与疏远的家人和解。',
│genre='动作',
│name='城市脉动',
│characters=['亚历克斯·默瑟','尼娜·卡斯蒂略','侦探迈克·约翰逊'],
│ storyline='在纽约市的中心，前警察变成的义警亚历克斯·默瑟，与街头聪明的活动家尼娜·卡斯蒂略联手，打倒威胁要摧毁城市的腐败政治人物。他们穿越权力和欺骗的复杂网络，揭示了令人震惊的真相，将他们推到了能力的极限。在时间不多的情况下，他们必须与时间赛跑，拯救纽约并面对自己的恶魔。'
)
具有知识和存储的 PDF 助手让我们创建一个 PDF 助手来回答来自 PDF 的问题。我们将使用PgVector进行知识和存储。 知识库:助手可以搜索以改善其响应的信息（使用向量数据库）。 存储:为助手提供长期记忆（使用数据库）。 1.运行 PgVector
安装docker 桌面版并使用以下命令在端口5532上运行PgVector： dockerrun-d\
-ePOSTGRES_DB=ai\
-ePOSTGRES_USER=ai\
-ePOSTGRES_PASSWORD=ai\
-ePGDATA=/var/lib/postgresql/data/pgdata\
-vpgvolume:/var/lib/postgresql/data\
-p5532:5432\
--namepgvector\
phidata/pgvector:16
2.创建 PDF 助手
importtyper
fromrich.promptimportPrompt
fromtypingimportOptional,List
fromphi.assistantimportAssistant
fromphi.storage.assistant.postgresimportPgAssistantStorage
fromphi.knowledge.pdfimportPDFUrlKnowledgeBase
fromphi.vectordb.pgvectorimportPgVector2
db_url="postgresql
+psycopg://ai:ai@localhost:5532/ai"
knowledge_base=PDFUrlKnowledgeBase(
urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
vector_db=PgVector2(collection="recipes",db_url=db_url),
)
#第一次运行时取消注释
knowledge_base.load()
storage=PgAssistantStorage(table_name="pdf_assistant",db_url=db_url)
defpdf_assistant(new:bool=False,user:str="user"):
run_id:Optional[str]=None
ifnotnew:
existing_run_idsist[str]=storage.get_all_run_ids(user)
iflen(existing_run_ids)>0:
run_id=existing_run_ids[0]
assistant=Assistant(
run_id=run_id,
user_id=user,
knowledge_base=knowledge_base,
storage=storage,
#在响应中显示工具调用
show_tool_calls=True,
#使助手能够搜索知识库
search_knowledge=True,
#使助手能够读取聊天记录
read_chat_history=True,
)
ifrun_idisNone:
run_id=assistant.run_id
print(f"启动运行：{run_id}\n")
else:
print(f"继续运行：{run_id}\n")
#以cli应用程序形式运行助手
assistant.cli_app(markdown=True)
if__name__=="__main__":
typer.run(pdf_assistant)
3.安装库
pipinstall-Upgvectorpypdf"psycopg[binary]"sqlalchemy 4.运行 PDF 助手
pythonpdf_assistant.py 如何制作泰式炒河粉？ 我上次的信息是什么？ 看看助手现在如何在会话之间保持存储。 pythonpdf_assistant.py--new 查看cookbook获取更多示例。下一步1.阅读基础知识了解更多关于 phidata 的信息。 2.阅读助手并了解如何定制它们。 3.查看 cookbook 以获取深入的示例和代码。
演示查看使用 phidata 构建的以下 AI 应用程序： 教程   
知音难求，自我修炼亦艰 抓住前沿技术的机遇，与我们一起成为创新的超级个体 （把握AIGC时代的个人力量）
|
