OA0

OA0 是一个探索 AI 的社区

现在注册

已注册用户请登录

Agora

Swarms 由 Agora 为您呈现，Agora 是一个开源 AI 研究组织。加入 Agora，帮助创建群体智能，或获得支持以推动人类进步。

群体语言模型 (Swarms)

Swarming banner

欢迎来到 Swarms —— AI 的未来。在这里，我们利用自主智能体的力量，创建协同工作的语言模型（LLM）“群体”，构建动态且交互式的 AI 系统。

愿景

在人工智能和机器学习的世界里，单个模型在理解和生成类人文本方面已取得重大进展。

但想象一下，当这些模型不再是孤立的单元，而是协同沟通的群体的一部分时，将带来怎样的可能性？这正是我们设想的未来。

正如蜂群协同工作、沟通协调以维护蜂巢的利益一样，群体化的 LLM 智能体可以协同工作，创造出更丰富、更细致的输出。

通过利用个体智能体的优势，并通过群体架构将它们结合起来，我们可以在 AI 系统中解锁全新水平的性能和响应能力。我们设想 LLM 智能体群体将彻底改变客户支持、内容创作、研究等诸多领域。

安装

有两种方法：一种是通过 git clone，另一种是通过 pip install swarms。有关类的更多信息，请查看文档。

方法一

Pip 安装 python3 -m pip install swarms
创建新的 Python 文件并释放超级智能

from swarms import Swarms

# 从环境变量中获取您的 API 密钥，或替换为您的实际密钥
api_key = "sksdsds"

# 使用您的 API 密钥初始化 Swarms
swarm = Swarms(openai_api_key=api_key)

# 定义一个目标
objective = """
请开发并提供一个简单的社区网络服务。
用户可以注册、登录、发帖、评论。
帖子和评论应立即可见。
我希望它具有新拟物化风格。
您可以使用的端口是 4500 和 6500。
"""

# 运行 Swarms
swarm.run_swarms(objective)

方法二

通过 Github 下载，并安装依赖项

git clone https://github.com/kyegomez/swarms.git
cd swarms
pip install -r requirements.txt

方法三

简单示例：

git clone https://github.com/kyegomez/swarms.git
cd swarms
python3 -m pip install -r requirements.txt
python3 example.py
或创建一个新文件：

from swarms.swarms import Swarms

# 从环境变量中获取您的 API 密钥，或替换为您的实际密钥
api_key = "sksdsds"

# 使用您的 API 密钥初始化 Swarms
swarm = Swarms(openai_api_key=api_key)

# 定义一个目标
objective = """
请开发并提供一个简单的社区网络服务。
用户可以注册、登录、发帖、评论。
帖子和评论应立即可见。
我希望它具有新拟物化风格。
您可以使用的端口是 4500 和 6500。
"""

# 运行 Swarms
swarm.run_swarms(objective)

这将创建并执行一个任务，撰写关于量子计算最新新闻的摘要。结果将是新闻的摘要。

与朋友分享

在 Twitter 上分享：

在 Facebook 上分享：

在 LinkedIn 上分享：

在 Reddit 上分享：

在 Hacker News 上分享：

在 Pinterest 上分享：

在 WhatsApp 上分享：

贡献

我们一直在寻找贡献者来帮助我们改进和扩展这个项目。如果您有兴趣，请查看我们的贡献指南。

感谢您成为我们项目的一部分！

开源路线图

以下是我们近期优先事项和计划功能的详细路线图：

待办事项

修复所有错误，使其成为可工作的原型。
创建一个能创建其他工具的工具，该工具具有编写代码、调试的权限，以及一个创建架构的架构师智能体（附带代码示例）和一个创建代码的代码生成器智能体（具有编写代码和终端工具的权限）——编译器？
创建一个截图工具，用于截图并将其传递给多模态工作智能体以获取视觉上下文。
在 FASTAPI 中实现 API 端点。
使用 Gradio 开发对话式用户界面。
将全能智能体集成为工作工具。

多智能体辩论集成：集成多智能体辩论框架（Multi Agent debate 和 Multi agent2 debate）以改进决策制定。
元提示集成：在所有工作智能体中包含元提示，以指导它们的行动。
Swarms 类：创建一个主要的 swarms 类 swarms('将销售额提高 40$', workers=4)，用于管理和协调多个工作节点。
集成更多工具：将 Jarvis 集成为工作节点，添加文本转语音和文本转脚本工具（whisper x），并集成 Hugging Face 智能体和其他外部工具。
任务完成与评估逻辑：包含带有元提示的任务完成逻辑，并按 0.0 到 1.0 的等级评估任务完成度。
Ocean 集成：使用 Ocean 向量数据库作为所有智能体（包括主管和工作智能体）的主要嵌入数据库。
改进通信：开发一个通用向量数据库，仅当任务以 [TASK][COMPLETED] 格式完成时使用。
测试与评估：创建单元测试、基准测试和评估，用于性能监控和持续改进。
工作群体类：创建一个用于自我扩展的工作群体类。如果它们需要帮助，可以生成一个全新的工作智能体，并在需要时生成更多。

文档

示例：为各种用例创建广泛且有用的示例。
README：更新 README，包含示例和使用说明。

中长期计划

以下是该项目可考虑的一些潜在中长期改进：

模块化设计：旨在设计一个更模块化和可扩展的框架，使开发人员能够轻松地即插即用各种组件。
交互式用户界面：开发一个更交互式、用户友好的 GUI，允许用户无需理解底层代码即可与系统交互。
高级错误处理：实现高级错误处理和调试功能，使开发人员更容易诊断和修复问题。
优化资源利用：提高资源使用效率，旨在减少内存消耗并提高速度，同时不牺牲准确性。
协作学习：集成更复杂的群体协作学习技术，使它们能够分享知识，并从彼此的成功和失败中学习。
自主自我改进：实现允许群体自主从过去的经验中学习并随时间提高其性能的机制。
安全性增强：包含强大的安全措施，以保护敏感数据并防止未经授权的访问。
隐私保护技术：考虑纳入差分隐私等隐私保护技术，以确保用户数据的机密性。
支持更多语言：扩展语言支持，使系统能够服务于更广泛的全球受众。
鲁棒性与弹性：提高系统的鲁棒性和弹性，确保即使在硬件或软件故障的情况下也能有效运行。
持续学习：实现持续学习技术，使系统能够在新数据到来时适应和演进。
更强的上下文理解：增强系统更好地理解上下文的能力，使其在处理现实世界复杂任务时更有效。
动态任务优先级：开发用于动态任务优先级的高级算法，确保最重要的任务优先处理。
扩展群体技能：在更广泛的任务上训练群体，逐步扩展它们的技能集和问题解决能力。
现实世界部署：在现实世界环境中测试和完善系统，从这些经验中学习，以进一步改进和适应系统。

请记住，这些是潜在的改进。定期重新审视您的优先事项并根据项目需求、反馈以及从成功和失败中获得的经验进行调整非常重要。

优化优先级

可靠性：提高群体的可靠性——通过基本且不详细的输入获得期望的输出。
速度：通过改进通信层、批判性评估和元提示下的自我对齐，减少群体完成任务所需的时间。
可扩展性：确保系统是异步、并发和自我修复的，以支持可扩展性。

我们的目标是通过遵循此路线图不断改进 Swarms，同时也能适应新出现的新需求和机遇。

赏金计划

我们的赏金计划为贡献者提供了一个激动人心的机会，帮助我们构建 Swarms 的未来。通过参与，您可以在为一个旨在彻底改变数字活动的项目做出贡献的同时获得奖励。

运作方式如下：

查看我们的路线图：我们已经分享了详细说明我们短期和长期目标的路线图。这些是我们寻求贡献的领域。
选择一个任务：从路线图中选择一个与您的技能和兴趣相符的任务。如果您不确定，可以联系我们的团队寻求指导。
开始工作：一旦选择了任务，就开始着手。请记住，质量是关键。我们正在寻找真正能带来改变的贡献。
提交您的贡献：工作完成后，提交以供审核。我们将根据贡献的质量、相关性以及它为 Swarms 带来的价值来评估您的贡献。
获得奖励：如果您的贡献获得批准，您将获得赏金。赏金的金额取决于任务的复杂性、您工作的质量以及它为 Swarms 带来的价值。

赏金计划的三个阶段

第一阶段：构建基础

在第一阶段，我们的重点是构建 Swarms 的基础设施。这包括开发关键组件，如 Swarms 类、集成基本工具，以及建立任务完成和评估逻辑。我们还将在此阶段开始开发测试和评估框架。如果您对基础性工作感兴趣，并且擅长构建健壮、可扩展的系统，那么这个阶段适合您。

第二阶段：优化系统

在第二阶段，我们将专注于通过集成更高级的功能、提高系统效率以及完善我们的测试和评估框架来优化 Swarms。这个阶段涉及更复杂的任务，因此如果您喜欢解决具有挑战性的问题并为创新功能的开发做出贡献，这个阶段适合您。

第三阶段：迈向超级智能

我们赏金计划的第三阶段是最激动人心的——这是我们旨在实现超级智能的阶段。在此阶段，我们将致力于提高群体的能力、扩展其技能，并根据现实世界的测试和反馈微调系统。如果您对 AI 的未来感到兴奋，并希望为一个可能改变数字世界的项目做出贡献，那么这个阶段适合您。

请记住，我们的路线图是一个指南，我们鼓励您提出自己的想法和创造力。我们相信，每一项贡献，无论多么微小，都能带来改变。因此，请加入我们这个激动人心的旅程，帮助我们创造 Swarms 的未来。

灵感来源

智能体系统概述

在 LLM 驱动的自主智能体系统中，LLM 充当智能体的大脑，辅以几个关键组件：

规划
- 子目标与分解：智能体将大型任务分解为更小、更易管理的子目标，从而能够高效处理复杂任务。
- 反思与精炼：智能体可以对过去的行动进行自我批评和自我反思，从错误中学习并为未来的步骤进行改进，从而提高最终结果的质量。
记忆
- 短期记忆：我认为所有上下文学习（参见提示工程）都是利用模型的短期记忆进行学习。
- 长期记忆：这为智能体提供了在较长时间内保留和回忆（无限）信息的能力，通常通过利用外部向量存储和快速检索来实现。
工具使用
智能体学习调用外部 API 以获取模型权重中缺失的额外信息（通常在预训练后难以更改），包括当前信息、代码执行能力、访问专有信息源等。
通信 -> 每个独立智能体之间的通信有多可靠和快速。

项目地址：https://github.com/kyegomez/swarms

3 次点击 ∙ 0 人收藏

登录后收藏

0 条回复

Swarms — 用多智能体编排复杂任务的开源框架