मास्टर एलएलएम एजेंट:लैंगग्राफ और क्रूएआई के साथ स्वचालित कॉम्प्लेक्स वर्कफ़्लोज़ - ओपन सोर्स हैंडबुक

हम क्या कवर करेंगे:

1. <पी> एलएलएम एजेंटों की वर्तमान स्थिति
   • <पी> चैटबॉट्स से लेकर स्वायत्त एजेंट
     तक
   • <पी> एजेंट आज क्या कर सकते हैं?

   • <पी> निर्माण के लिए क्या उपलब्ध है?

   • <पी> क्यों अभी सीखने का सबसे अच्छा समय है

2. <पी> एलएलएम एजेंट क्या हैं और वे एक बड़ी डील क्यों हैं?
   • <पी> एलएलएम क्या है?

   • <पी> तो, एलएलएम एजेंट क्या है?

   • <पी> यह क्यों मायने रखता है?

3. <पी> ओपन-सोर्स एजेंट फ्रेमवर्क का उदय
   • <पी> लोकप्रिय ओपन-सोर्स एजेंट फ्रेमवर्क

   • <पी> ये उपकरण क्या सक्षम करते हैं

   • <पी> स्क्रैच से निर्माण के बजाय फ्रेमवर्क का उपयोग क्यों करें?

4. <पी> एजेंट डिज़ाइन के पीछे मुख्य अवधारणाएँ
   • <पी> एजेंट लूप

   • <पी> एक एजेंट के प्रमुख घटक

   • <पी> बहु-एजेंट सहयोग

5. <पी> प्रोजेक्ट:ईमेल से अपना दैनिक शेड्यूल स्वचालित करें
   • <पी> हम क्या स्वचालित कर रहे हैं

   • <पी> चरण 1:आवश्यक उपकरण स्थापित करें

   • <पी> चरण 2:कार्य को परिभाषित करें

   • <पी> चरण 3:लैंगग्राफ के साथ वर्कफ़्लो बनाएं
6. <पी> CrewAI
   के साथ मल्टी-एजेंट सहयोग
   • <पी> क्रूएआई क्या है?
   • <पी> ईमेल सारांश कार्य के लिए नमूना भूमिकाएँ

   • <पी> नमूना CrewAI कोड

7. <पी> निष्पादन के दौरान वास्तव में क्या होता है?

8. <पी> क्या एलएलएम एजेंट सुरक्षित हैं? सुरक्षा और गोपनीयता के बारे में क्या जानें

9. <पी> समस्या निवारण एवं युक्तियाँ

10. <पी> अधिक दैनिक स्वचालनों का अन्वेषण करें

11. <पी> एजेंट टेक्नोलॉजी में आगे क्या है?

12. <पी> अंतिम सारांश

एलएलएम एजेंटों की वर्तमान स्थिति

चैटबॉट्स से स्वायत्त एजेंटों तक

एजेंट आज क्या कर सकते हैं?

• <पी> ईमेल या दस्तावेज़ों का सारांश

• <पी> दैनिक कार्यक्रम की योजना बनाना

• <पी> DevOps स्क्रिप्ट चलाना

• <पी> उत्तरों के लिए एपीआई या उपकरण खोजना

• <पी> जटिल कार्यों को पूरा करने के लिए छोटी "टीमों" में सहयोग करना

• <पी> लूप्स में फंस जाओ

• <पी> लक्ष्यों को गलत समझना

• <पी> विस्तृत संकेतों और रेलिंगों की आवश्यकता है

सीखने का सबसे अच्छा समय अभी क्यों है

• <पी> वास्तविक प्रोजेक्ट बनाने के लिए टूलींग पर्याप्त परिपक्व है

• <पी> समुदाय तेजी से बढ़ रहा है

• <पी> और आपको एआई विशेषज्ञ होने की ज़रूरत नहीं है, सिर्फ पायथन के साथ सहज होना जरूरी है

एलएलएम एजेंट क्या हैं और वे एक बड़ी डील क्यों हैं?

एलएलएम क्या है?

• <पी> पेचीदा सवालों के जवाब दें

• <पी> लंबे लेखों या दस्तावेज़ों को सारांशित करें

• <पी> कोड, ईमेल या रचनात्मक कहानियाँ लिखें

• <पी> भाषाओं का तुरंत अनुवाद करें

• <पी> यहां तक कि तर्क पहेलियां भी सुलझाएं और आकर्षक बातचीत करें

तो, एलएलएम एजेंट क्या है?

• <पी> बड़े, जटिल कार्यों को छोटे, प्रबंधनीय चरणों में विभाजित करें

• <पी> स्मार्ट निर्णय लें और तय करें कि आगे क्या करना है

• <पी> वेब खोज, कैलकुलेटर, या यहां तक कि अन्य ऐप्स
  जैसे "टूल्स" का उपयोग करें
• <पी> एक लक्ष्य की ओर काम करें, भले ही इसके लिए कई कदम उठाने पड़ें या कोशिशें करनी पड़े

• <पी> साझा उद्देश्यों को पूरा करने के लिए अन्य एजेंटों के साथ टीम बनाएं

यह मायने क्यों रखता है?

• <पी> उबाऊ IT या DevOps कार्यों को स्वचालित करना

• <पी> कच्चे डेटा से विस्तृत रिपोर्ट तैयार करना

• <पी> बहु-चरणीय अनुसंधान परियोजनाओं में आपकी सहायता करना

• <पी> अपने दैनिक ईमेल पढ़ना और मुख्य जानकारी हाइलाइट करना

• <पी> वास्तविक दुनिया की कार्रवाई करने के लिए अपने आंतरिक उपकरण चलाएँ

ओपन-सोर्स एजेंट फ्रेमवर्क का उदय

लोकप्रिय ओपन-सोर्स एजेंट फ्रेमवर्क

ये उपकरण क्या सक्षम करते हैं

• <पी> योजना बनाना – एजेंटों को अपना अगला कदम तय करने दें

• <पी> उपकरण का उपयोग – एजेंटों को फ़ाइल सिस्टम, वेब ब्राउज़र, एपीआई या डेटाबेस जैसी चीज़ों से आसानी से जोड़ना

• <पी> स्मृति – दीर्घकालिक संदर्भ के लिए पिछली जानकारी या मध्यवर्ती परिणामों को संग्रहीत करना और पुनः प्राप्त करना

• <पी> मल्टी-एजेंट सहयोग - एजेंटों की टीमों की स्थापना करना जो साझा लक्ष्यों पर एक साथ काम करते हैं

स्क्रैच से निर्माण के बजाय फ्रेमवर्क का उपयोग क्यों करें?

• <पी> एलएलएम को ऑर्केस्ट्रेट करने के लिए अंतर्निहित समर्थन

• <पी> कार्य योजना बनाने, आप कहां हैं इसका ध्यान रखने और फीडबैक प्राप्त करने के लिए सिद्ध पैटर्न

• <पी> OpenAI जैसे लोकप्रिय मॉडल, या यहां तक कि आपके द्वारा स्थानीय रूप से चलाए जाने वाले मॉडल के साथ आसान एकीकरण।

• <पी> एक सहायक एजेंट से एजेंटों की पूरी टीम तक बढ़ने का लचीलापन

एजेंट डिज़ाइन के पीछे मुख्य अवधारणाएँ

एजेंट लूप

• <पी> समझें: एजेंट अपने वातावरण में कुछ नोटिस करने या नई जानकारी प्राप्त करने से शुरुआत करता है। यह आपका संकेत, डेटा का एक टुकड़ा, या सिस्टम की वर्तमान स्थिति हो सकती है।

• <पी> योजना: वह जो समझता है और अपने समग्र लक्ष्य के आधार पर, एजेंट निर्णय लेता है कि आगे क्या करना है। यह कार्य को छोटे उप-लक्ष्यों में विभाजित कर सकता है या कार्य के लिए सर्वोत्तम उपकरण का पता लगा सकता है।

• <पी> कार्य: एजेंट तब कार्य करता है। इसका मतलब एक फ़ंक्शन चलाना, एपीआई कॉल करना, वेब पर खोज करना, डेटाबेस के साथ इंटरैक्ट करना या यहां तक कि किसी अन्य एजेंट से मदद मांगना हो सकता है।

• <पी> चिंतन करें: कार्य करने के बाद, एजेंट परिणाम को देखता है:क्या इसने काम किया? क्या परिणाम उपयोगी था? क्या इसे एक अलग दृष्टिकोण आज़माना चाहिए? इसके आधार पर, यह अपनी योजना को अद्यतन करता है और कार्य पूरा होने तक चलता रहता है।

एजेंट के प्रमुख घटक

• <पी> उपकरण एक एजेंट वास्तविक (या डिजिटल) दुनिया के साथ कैसे इंटरैक्ट करता है। ये खोज इंजन, कोड निष्पादन वातावरण, फ़ाइल रीडर या एपीआई क्लाइंट से लेकर सरल कैलकुलेटर या कमांड-लाइन स्क्रिप्ट तक कुछ भी हो सकते हैं।

• <पी> स्मृति एजेंटों को यह याद रखने देता है कि उन्होंने विभिन्न चरणों में क्या किया है या क्या देखा है। इसमें आपके द्वारा कही गई पिछली बातें, अस्थायी परिणाम या महत्वपूर्ण निर्णय शामिल हो सकते हैं। कुछ ढाँचे अल्पकालिक स्मृति (सिर्फ एक सत्र के लिए) प्रदान करते हैं, जबकि अन्य दीर्घकालिक स्मृति का समर्थन करते हैं जो कई सत्रों या लक्ष्यों तक फैल सकती है।

• <पी> पर्यावरण बाहरी डेटा या सिस्टम संदर्भ को संदर्भित करता है जिसे एजेंट थिंक एपीआई, दस्तावेज़, डेटाबेस, फ़ाइलें या सेंसर इनपुट के भीतर संचालित करता है। एक एजेंट के पास अपने परिवेश तक जितनी अधिक जानकारी और पहुंच होगी, वह उतने ही अधिक सार्थक कार्य कर सकता है।

• <पी> लक्ष्य एजेंट का अंतिम उद्देश्य है:वह क्या हासिल करने की कोशिश कर रहा है। लक्ष्य विशिष्ट और स्पष्ट होने चाहिए, उदाहरण के लिए, "दैनिक शेड्यूल बनाएं," "इस दस्तावेज़ को सारांशित करें," या "ईमेल से कार्य निकालें।"

मल्टी-एजेंट सहयोग

• <पी> एक शोधकर्ता एजेंट जानकारी इकट्ठा करने का काम सौंपा जा सकता है।

• <पी> एक कोडर एजेंट पायथन स्क्रिप्ट या ऑटोमेशन रूटीन लिख सकता है।

• <पी> एक समीक्षक एजेंट परिणामों की जांच कर सकता है और सुनिश्चित कर सकता है कि सब कुछ सही है।

प्रोजेक्ट:ईमेल से अपने दैनिक शेड्यूल को स्वचालित करें

हम क्या स्वचालित कर रहे हैं

• <पी> आप अपना इनबॉक्स खोलें.

• <पी> आप ईमेल के एक समूह को तुरंत स्कैन करते हैं।

• <पी> आप मीटिंगों, कार्यों और महत्वपूर्ण अनुस्मारकों को पहचानने का प्रयास करते हैं।

• <पी> फिर, आप मैन्युअल रूप से एक कार्य सूची लिखते हैं या चीजों को अपने कैलेंडर में जोड़ते हैं।

• <पी> अपने ईमेल संदेशों की सूची पढ़ें

• <पी> बैठकों या समय-सीमाओं जैसी समय-संवेदनशील वस्तुओं को हटा दें

• <पी> हर चीज़ को एक अच्छे, स्वच्छ दैनिक शेड्यूल में सारांशित करें

चरण 1:आवश्यक उपकरण स्थापित करें

1. Python 3.9 या उच्चतर स्थापित करें

2. VSCode स्थापित करें (वैकल्पिक लेकिन अनुशंसित)

3. अपनी OpenAI API कुंजी प्राप्त करें

4. पायथन लाइब्रेरीज़ स्थापित करें

pip install langgraph langchain openai

• <पी> लैंगग्राफ:मुख्य ढांचा जिसका उपयोग हम अपने एजेंट के वर्कफ़्लो को बनाने के लिए करेंगे।

• <पी> लैंगचैन:बड़े भाषा मॉडल के साथ काम करने के लिए एक मूलभूत पुस्तकालय, जिस पर लैंगग्राफ बनाया गया है।

• <पी> openai:OpenAI के शक्तिशाली AI मॉडल से जुड़ने के लिए आधिकारिक पायथन लाइब्रेरी।

pip install crewai

export OPENAI_API_KEY="your-api-key"

set OPENAI_API_KEY="your-api-key"

चरण 2:कार्य को परिभाषित करें

• <पी> बैठकों, आयोजनों और महत्वपूर्ण कार्यों के लिए स्कैन करें।

• <पी> उन्हें तुरंत एक नोटबुक या ऐप में लिख लें।

• <पी> अपने दिन के लिए एक मोटी मानसिक योजना बनाएं।

चरण 3:लैंगग्राफ के साथ वर्कफ़्लो बनाएं

लैंगग्राफ क्या है?

• <पी> कुछ इनपुट लेता है (इसकी वर्तमान "स्थिति")।

• <पी> कुछ तर्क करता है या कोई कार्रवाई करता है (अक्सर एलएलएम और उसके उपकरण शामिल होते हैं)।

• <पी> एक अद्यतन आउटपुट (एक नई "स्थिति") लौटाता है।

लैंगग्राफ का उपयोग क्यों करें?

• <पी> आप निष्पादन के सटीक क्रम को नियंत्रित कर सकते हैं।

• <पी> यह वर्कफ़्लो बनाने के लिए शानदार है जिसमें कई चरण होते हैं या यहां तक कि अलग-अलग पथों में शाखाएं होती हैं।

• <पी> यह क्लाउड-आधारित मॉडल (जैसे OpenAI) और आपके द्वारा स्थानीय रूप से चलाए जाने वाले मॉडल दोनों के साथ अच्छी तरह से चलता है।

1. ईमेल इनपुट का अनुकरण करें

Python
emails = """
1. Subject: Standup Call at 10 AM
2. Subject: Client Review due by 5 PM
3. Subject: Lunch with Sarah at noon
4. Subject: AWS Budget Warning – 80% usage
5. Subject: Dentist Appointment - 4 PM
"""

2. एजेंट लॉजिक को परिभाषित करें

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, List
import operator
# Define the state for our graph
class AgentState(TypedDict):
 emails: str
 result: str
llm = ChatOpenAI(temperature=0, model="gpt-4o") # Using gpt-4o for better performance
def calendar_summary_agent(state: AgentState) -> AgentState:
 emails = state["emails"]
 prompt = f"Summarize today's schedule based on these emails, listing time-sensitive items first and then other important notes. Be concise and use bullet points:\n{emails}"
 summary = llm.invoke(prompt).content
 return {"result": summary, "emails": emails} # Ensure emails is also returned

• <पी> आयात :हम आवश्यक घटक लाते हैं:
  • <पी> ChatOpenAI एलएलएम से जुड़ने के लिए,

  • <पी> StateGraph और END langgraph.graph से हमारे एजेंट वर्कफ़्लो का निर्माण करने के लिए,

  • <पी> TypedDict , Annotated , और List typing से प्रकार की जाँच और संरचना के लिए,

  • <पी> operator (हालांकि इस स्निपेट में इसका उपयोग नहीं किया गया है, यह तुलना या तर्क में मदद कर सकता है)।

• <पी> एजेंटस्टेट :यह TypedDict उस डेटा के आकार को परिभाषित करता है जिसके साथ हमारा एजेंट काम करेगा। इसमें शामिल हैं:
  • <पी> emails :कच्चे इनपुट संदेश।

  • <पी> result :अंतिम आउटपुट (दैनिक सारांश)।

• <पी> llm =ChatOpenAI(...) :भाषा मॉडल को आरंभ करता है। हम temperature=0 के साथ GPT-4o का उपयोग कर रहे हैं संरचित सारांश कार्यों के लिए सुसंगत, पूर्वानुमानित आउटपुट सुनिश्चित करना।

• <पी> कैलेंडर_सारांश_एजेंट(राज्य:एजेंटस्टेट) :यह फ़ंक्शन हमारे एजेंट का "मस्तिष्क" है। यह:
  • <पी> वर्तमान स्थिति में लेता है, जिसमें ईमेल की एक सूची शामिल है।

  • <पी> उस स्थिति से ईमेल निकालता है।

  • <पी> एक संकेत का निर्माण करता है जो मॉडल को समय-संवेदनशील वस्तुओं को प्राथमिकता देते हुए बुलेट बिंदुओं का उपयोग करके एक संक्षिप्त दैनिक शेड्यूल सारांश उत्पन्न करने के लिए कहता है।

  • <पी> यह संकेत llm.invoke(prompt).content वाले मॉडल को भेजता है , जो एलएलएम की प्रतिक्रिया को सादे पाठ के रूप में लौटाता है।

  • <पी> एक नया AgentState लौटाता है शब्दकोश युक्त:
    • <पी> result :उत्पन्न सारांश,

    • <पी> emails :यदि हमें डाउनस्ट्रीम में इसकी आवश्यकता होती है तो इसे संरक्षित किया जाता है।

3. ग्राफ़ बनाएँ और चलाएँ

builder = StateGraph(AgentState)
builder.add_node("calendar", calendar_summary_agent)
builder.set_entry_point("calendar")
builder.set_finish_point("calendar") # END is implicit if not set explicitly
graph = builder.compile()
# Run the graph using your simulated email data
result = graph.invoke({"emails": emails})
print(result["result"])

• <पी> बिल्डर =स्टेटग्राफ(एजेंटस्टेट): हम एक स्टेटग्राफ ऑब्जेक्ट आरंभ कर रहे हैं। एजेंटस्टेट को पास करके, हम लैंगग्राफ को उसकी आंतरिक स्थिति के लिए अपेक्षित डेटा संरचना बता रहे हैं।

• <पी> बिल्डर.एड_नोड("कैलेंडर", कैलेंडर_सारांश_एजेंट): यह पंक्ति हमारे ग्राफ़ में एक नामित "नोड" जोड़ती है। हम इसे "कैलेंडर" कह रहे हैं, और हम इसे अपने calendar_summary_agent से जोड़ रहे हैं फ़ंक्शन, जिसका अर्थ है कि फ़ंक्शन तब निष्पादित किया जाएगा जब यह नोड सक्रिय होगा।

• <पी> बिल्डर.सेट_एंट्री_पॉइंट("कैलेंडर"): यह "कैलेंडर" को हमारे वर्कफ़्लो में सबसे पहले चरण के रूप में सेट करता है। जब हम ग्राफ़ शुरू करते हैं, तो निष्पादन यहां शुरू हो जाएगा।

• <पी> बिल्डर.सेट_फिनिश_पॉइंट("कैलेंडर"): यह लैंगग्राफ को बताता है कि एक बार जब "कैलेंडर" नोड अपना काम पूरा कर लेता है, तो पूरी ग्राफ़ प्रक्रिया पूरी हो जाती है।

• <पी> ग्राफ =बिल्डर.कंपाइल(): यह कमांड हमारे परिभाषित ग्राफ़ ब्लूप्रिंट को लेता है और इसे एक निष्पादन योग्य वर्कफ़्लो में "संकलित" करता है।

• <पी> परिणाम =ग्राफ़.इनवोक({"ईमेल":ईमेल}): यहीं पर जादू होता है! हम अपने ग्राफ़ को चलना शुरू करने के लिए कह रहे हैं। हम इसे एक प्रारंभिक अवस्था में पास करते हैं जिसमें हमारा ईमेल डेटा होता है। ग्राफ़ तब तक इस डेटा को अपने नोड्स के माध्यम से संसाधित करेगा जब तक कि यह अंतिम बिंदु तक नहीं पहुंच जाता, अंतिम स्थिति लौटा देता है।

• <पी> प्रिंट(परिणाम["परिणाम"]): अंत में, हम परिणाम (हमारे ग्राफ़ की अंतिम स्थिति) से सारांशित शेड्यूल लेते हैं और इसे कंसोल पर प्रिंट करते हैं।

उदाहरण आउटपुट

CrewAI के साथ मल्टी-एजेंट सहयोग

क्रूएआई क्या है?

• <पी> एक विशिष्ट, विशिष्ट भूमिका है।

• <पी> अपने साथियों के साथ संवाद और जानकारी साझा कर सकता है।

• <पी> साझा लक्ष्य हासिल करने के लिए सहयोग करता है।

ईमेल सारांश कार्य के लिए नमूना भूमिकाएँ

नमूना CrewAI कोड

from crewai import Agent, Crew, Task, Process
from langchain_openai import ChatOpenAI
import os
# Set your OpenAI API key from environment variables
# os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY" # Make sure this is set, or defined directly
# Initialize the LLM (using gpt-4o for better performance)
llm = ChatOpenAI(temperature=0, model="gpt-4o")
# Define the agents with specific roles and goals
extractor = Agent(
 role="Email Scanner",
 goal="Find all meetings, reminders, and tasks from the given emails, accurately extracting details like time, date, and subject.",
 backstory="You are an expert at scanning emails for key information. You meticulously extract every relevant detail.",
 verbose=True,
 allow_delegation=False,
 llm=llm
)
prioritizer = Agent(
 role="Schedule Optimizer",
 goal="Sort extracted items by urgency and time, preparing them for a daily agenda.",
 backstory="You are a master of time management, always knowing what needs to be done first. You organize tasks logically.",
 verbose=True,
 allow_delegation=False,
 llm=llm
)
formatter = Agent(
 role="Output Generator",
 goal="Generate a clean, polished, and concise daily agenda in bullet-point format, clearly listing all schedule items.",
 backstory="You are a professional secretary, ensuring all outputs are perfectly formatted and easy to read. You prioritize clarity.",
 verbose=True,
 allow_delegation=False,
 llm=llm
)
# Simulate email input
emails = """
1. Subject: Standup Call at 10 AM
2. Subject: Client Review due by 5 PM
3. Subject: Lunch with Sarah at noon
4. Subject: AWS Budget Warning – 80% usage
5. Subject: Dentist Appointment - 4 PM
"""
# Define the tasks for each agent
extract_task = Task(
 description=f"Extract all relevant events, meetings, and tasks from these emails: {emails}. Focus on precise details.",
 agent=extractor,
 expected_output="A list of extracted items with their details (e.g., '- Standup Call at 10 AM', '- Client Review due by 5 PM')."
)
prioritize_task = Task(
 description="Prioritize the extracted items by time and urgency. Meetings first, then deadlines, then other notes.",
 agent=prioritizer,
 context=[extract_task], # The output of extract_task is the input here
 expected_output="A prioritized list of schedule items."
)
format_task = Task(
 description="Format the prioritized schedule into a clean, easy-to-read daily agenda using bullet points. Ensure concise language.",
 agent=formatter,
 context=[prioritize_task], # The output of prioritize_task is the input here
 expected_output="A well-formatted daily agenda with bullet points."
)
# Instantiate the crew
crew = Crew(
 agents=[extractor, prioritizer, formatter],
 tasks=[extract_task, prioritize_task, format_task],
 process=Process.sequential, # Tasks are executed sequentially
 verbose=2 # Outputs more details during execution
)
# Run the crew
result = crew.kickoff()
print("\n########################")
print("## Final Daily Agenda ##")
print("########################\n")
print(result)

• <पी> आयात: हम CrewAI से प्रमुख कक्षाएं लाते हैं:एजेंट, क्रू, कार्य और प्रक्रिया। हम ChatOpenAI भी आयात करते हैं पर्यावरण चर को संभालने के लिए हमारे भाषा मॉडल और ओएस के लिए।

• <पी> llm =ChatOpenAI(...): लैंगग्राफ उदाहरण की तरह, यह हमारे ओपनएआई भाषा मॉडल को सेट करता है, यह सुनिश्चित करता है कि इसकी प्रतिक्रियाएँ प्रत्यक्ष (तापमान=0) हैं और जीपीटी-4ओ मॉडल का उपयोग करती हैं।
• <पी> एजेंट परिभाषाएँ (एक्सट्रैक्टर, प्राथमिकताकर्ता, फ़ॉर्मेटर):
  • <पी> इनमें से प्रत्येक चर एक एजेंट उदाहरण बनाता है। एक एजेंट को उसकी भूमिका (वह क्या करता है), एक विशिष्ट लक्ष्य जिसे वह हासिल करने की कोशिश कर रहा है, और एक बैकस्टोरी (एक प्रकार का व्यक्तित्व या विशेषज्ञता जो एलएलएम को उसके उद्देश्य को बेहतर ढंग से समझने में मदद करता है) से परिभाषित किया जाता है।

  • <पी> verbose=True डिबगिंग के लिए अत्यधिक सहायक है, क्योंकि यह एजेंटों को काम करते समय उनके "विचारों" को प्रिंट करने देता है।

  • <पी> अनुमति_प्रतिनिधिमंडल=गलत का अर्थ है कि ये एजेंट अपने सौंपे गए कार्यों को अन्य एजेंटों को नहीं सौंपेंगे (हालाँकि इसे अधिक जटिल प्रतिनिधिमंडल परिदृश्यों के लिए सही पर सेट किया जा सकता है)।

  • <पी> llm=llm प्रत्येक एजेंट को हमारे OpenAI भाषा मॉडल से जोड़ता है।

• <पी> नकली ईमेल: हम इस उदाहरण के लिए उसी नमूना ईमेल डेटा का पुन:उपयोग करते हैं।

• <पी> कार्य परिभाषाएँ (निकालें_कार्य, प्राथमिकता_कार्य, प्रारूप_कार्य):
  • <पी> प्रत्येक कार्य एक विशिष्ट कार्य को परिभाषित करता है जिसे एक एजेंट को निष्पादित करने की आवश्यकता होती है।

  • <पी> विवरण एजेंट को स्पष्ट रूप से बताता है कि कार्य में क्या शामिल है।

  • <पी> एजेंट यह कार्य हमारे परिभाषित एजेंटों में से एक को सौंपता है (उदाहरण के लिए, extract_task के लिए एक्सट्रैक्टर)।

  • <पी> context=[...] क्रूएआई के सहयोग का एक महत्वपूर्ण हिस्सा है। यह किसी कार्य को आउटपुट का उपयोग करने के लिए कहता है पिछले कार्य को इसके इनपुट के रूप में . उदाहरण के लिए, प्रायोरिटीज़_टास्क एक्सट्रैक्ट_टास्क के आउटपुट को अपने संदर्भ के रूप में लेता है।

  • <पी> अपेक्षित_आउटपुट एजेंट को यह अंदाज़ा देता है कि इसका परिणाम कैसा दिखना चाहिए, जिससे एलएलएम का मार्गदर्शन करने में मदद मिलती है।

• <पी> क्रू =क्रू(...):
  • <पी> यहीं पर हम अपनी टीम को इकट्ठा करते हैं! हम एक क्रू इंस्टेंस बनाते हैं, उसे अपने एजेंटों और कार्यों की सूची देते हैं।

  • <पी> प्रक्रिया=प्रोसेस.अनुक्रमिक क्रू को कार्य सूची में परिभाषित क्रम में कार्यों को एक के बाद एक निष्पादित करने के लिए कहता है। CrewAI पदानुक्रमित जैसी अधिक उन्नत प्रक्रियाओं का भी समर्थन करता है।

  • <पी> verbose=2 आपको क्रू के आंतरिक कामकाज और संचार का एक बहुत विस्तृत लॉग दिखाएगा।

• <पी> परिणाम =क्रू.किकऑफ(): यह आदेश आधिकारिक तौर पर संपूर्ण मल्टी-एजेंट वर्कफ़्लो प्रारंभ करता है। एजेंट सहयोग करना, जानकारी देना और अपने निर्धारित कार्यों को क्रम से पूरा करना शुरू कर देंगे।

• <पी> fprint(परिणाम): अंत में, पूरे दल के सहयोगात्मक प्रयास से समेकित आउटपुट आपके कंसोल पर मुद्रित होता है।

निष्पादन के दौरान वास्तव में क्या होता है?

• <पी> सिस्टम को एक इनपुट स्थिति मिलती है (उदाहरण के लिए, आपके ईमेल).

• <पी> पहला एजेंट या ग्राफ़ नोड इस इनपुट को पढ़ता है और बड़े भाषा मॉडल (एलएलएम) का उपयोग करता है इसे समझने के लिए।

• <पी> अपनी समझ के आधार पर, एजेंट किसी कार्यकारी पर निर्णय लेता है जैसे प्रमुख घटनाओं को बाहर निकालना या किसी विशिष्ट टूल को कॉल करना।

• <पी> यदि आवश्यक हो, तो एजेंट उपकरणों का उपयोग कर सकता है (जैसे वेब खोज या फ़ाइल रीडर) अधिक संदर्भ प्राप्त करने या बाहरी संचालन करने के लिए।

• <पी> उस कार्रवाई का परिणाम फिर अगले एजेंट को भेज दिया जाता है टीम में (यदि यह एक बहु-एजेंट सेटअप है) या सीधे आपके पास लौटाया गया है।

• <पी> कार्य पूर्णतः पूर्ण हो गया है।

• <पी> सभी एजेंटों ने अपनी निर्धारित भूमिकाएँ पूरी कर ली हैं।

• <पी> वर्कफ़्लो में एक रुकने की स्थिति या निर्दिष्ट "अंत" बिंदु तक पहुँच गया है।

क्या एलएलएम एजेंट सुरक्षित हैं? सुरक्षा और गोपनीयता के बारे में क्या जानें

समस्या निवारण एवं युक्तियाँ

अधिक दैनिक स्वचालनों का अन्वेषण करें

एजेंट टेक्नोलॉजी में आगे क्या है?

• <पी> स्मार्ट मेमोरी सिस्टम :एजेंटों से बेहतर दीर्घकालिक स्मृति की अपेक्षा करें, जिससे उन्हें विस्तारित अवधि में सीखने और पिछली बातचीत और कार्यों को याद रखने की अनुमति मिलेगी।

• <पी> मल्टी-मॉडल एजेंट :एजेंट अब केवल टेक्स्ट को संभाल नहीं पाएंगे! वे छवियों, ऑडियो और वीडियो को संसाधित करने और समझने में सक्षम होंगे, जिससे वे अधिक बहुमुखी बन जाएंगे।

• <पी> उन्नत योजना ढाँचे :रिएक्ट, टूलफॉर्मर और ऑटोजेन जैसी तकनीकें एजेंटों की तर्क करने, योजना बनाने और उन कष्टप्रद "मतिभ्रम" को कम करने की क्षमता में लगातार सुधार कर रही हैं।

• <पी> एज परिनियोजन :कल्पना करें कि एजेंट आपके स्थानीय कंप्यूटर या डिवाइस पर LLaMA 3 या मिस्ट्रल जैसे हल्के मॉडल का उपयोग करके पूरी तरह से ऑफ़लाइन चल रहे हैं।

• <पी> आपकी DevOps पाइपलाइन

• <पी> बड़े उद्यम वर्कफ़्लो

• <पी> रोजमर्रा की उत्पादकता के उपकरण

• <पी> मोबाइल ऐप्स और स्मार्ट डिवाइस

• <पी> गेम, सिमुलेशन और शैक्षिक प्लेटफ़ॉर्म

अंतिम सारांश

• <पी> आपको इस बात की अच्छी समझ हो गई होगी कि एलएलएम एजेंट क्या हैं और वे इतने शक्तिशाली क्यों हैं।

• <पी> आपने देखा है कि कैसे लैंगग्राफ और क्रूएआई जैसे ओपन-सोर्स फ्रेमवर्क बिल्डिंग एजेंटों को बहुत आसान बनाते हैं।

• <पी> आपने एक सामान्य दैनिक कार्य को स्वचालित करने के लिए लैंगग्राफ का उपयोग करके एक वास्तविक एलएलएम एजेंट बनाया है:अपने इनबॉक्स का सारांश!

• <पी> आपने क्रूएआई के साथ मल्टी-एजेंट सहयोग की दुनिया का पता लगाया है, यह समझते हुए कि एआई की टीमें एक साथ कैसे काम कर सकती हैं।

• <पी> आपने सीखा है कि इन सिद्धांतों को कैसे अपनाया जाए और अनगिनत अन्य कार्यों को स्वचालित करने के लिए उन्हें कैसे बढ़ाया जाए।

संसाधन पुनर्कथन