8.2k Star！Phidata：使用gpt-4o的AI代理团队创建具有记忆、知识和工具的AI智能体

原文链接（更好排版、视频播放、社群交流）：8.2k Star！Phidata：使用gpt-4o的AI代理团队创建具有记忆、知识和工具的AI智能体

8.2k Star！Phidata：使用gpt-4o的AI代理团队创建具有记忆、知识和工具的AI智能体

🌟Phidata 为 LLMs 添加了记忆、知识和工具。

**** ⭐️ ** ** Phidata： **** https://git.new/phidata ** **

**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。

推荐一个油管博主 WorldofAl 的教程视频：

![](https://res.wx.qq.com/t/wx_fed/we-

emoji/res/v1.3.10/assets/Expression/Expression_77@2x.png) 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

• ▲ 支持众多主流的LLM提供商

![](https://res.wx.qq.com/t/wx_fed/we-

emoji/res/v1.3.10/assets/newemoji/Party.png) 我要怎么开始使用这个项目？

• • 步骤 1: 创建一个 Assistant

• • 步骤 2: 添加工具（functions）、知识（vectordb）和存储（database）

• • 步骤 3: 使用 Streamlit、FastApi 或 Django 提供服务以构建您的 AI 应用程序

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

我们看这个：黑客新闻助理

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

pip install -U phidata

快速开始：可搜索网络的助手

创建一个文件 assistant.py

from phi.assistant import Assistant  
from phi.tools.duckduckgo import DuckDuckGo  
  
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

pip install openai duckduckgo-search  
  
export OPENAI_API_KEY=sk-xxxx  
  
python assistant.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。

• • 创建文件 python_assistant.py

  from phi.assistant.python import PythonAssistant
  from phi.file.local.csv import CsvFile

  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)

• • 安装 pandas 并运行 python_assistant.py

  pip install pandas

  python python_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。

• • 创建文件 data_assistant.py

  import json
  from phi.assistant.duckdb import DuckDbAssistant

  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)

• • 安装 duckdb 并运行 data_assistant.py

  pip install duckdb

  python data_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 。

• • 创建文件 movie_assistant.py

  from typing import List
  from pydantic import BaseModel, Field
  from rich.pretty import pprint
  from phi.assistant import Assistant

  class MovieScript(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: List[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”))

• • 运行 movie_assistant.py 文件

  python movie_assistant.py

• • 输出是 MovieScript 类的对象，如下所示：

  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. 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 ：

docker run -d \  
  -e POSTGRES_DB=ai \  
  -e POSTGRES_USER=ai \  
  -e POSTGRES_PASSWORD=ai \  
  -e PGDATA=/var/lib/postgresql/data/pgdata \  
  -v pgvolume:/var/lib/postgresql/data \  
  -p 5532:5432 \  
  --name pgvector \  
  phidata/pgvector:16

1. 2. 创建 PDF 助手

• • 创建文件 pdf_assistant.py

  import typer
  from rich.prompt import Prompt
  from typing import Optional, List
  from phi.assistant import Assistant
  from phi.storage.assistant.postgres import PgAssistantStorage
  from phi.knowledge.pdf import PDFUrlKnowledgeBase
  from phi.vectordb.pgvector import PgVector2

  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)

  def pdf_assistant(new: bool = False, user: str = “user”):
  run_id: Optional[str] = None

  if not new:  
      existing_run_ids: List[str] = storage.get_all_run_ids(user)  
      if len(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,  
  )  
  if run_id is None:  
      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)

1. 3. 安装库

pip install -U pgvector pypdf "psycopg[binary]" sqlalchemy

1. 4. 运行 PDF 助手

python pdf_assistant.py

• • 问一个问题：

  如何制作泰式炒河粉？

• • 看助手如何搜索知识库并返回响应。

• • 消息 bye 退出，再次使用 python pdf_assistant.py 启动助手并询问：

  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。

• • 使用 --new 标志运行 pdf_assistant.py 文件以启动新运行。

  python pdf_assistant.py --new

查看 cookbook 获取更多示例。

下一步

1. 1. 阅读 基础知识 了解更多关于 phidata 的信息。

2. 2. 阅读 助手 并了解如何定制它们。

3. 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：

• • PDF AI 总结和回答来自 PDF 的问题。

• • ArXiv AI 使用 ArXiv API 回答关于 ArXiv 论文的问题。

• • HackerNews AI 总结故事、用户并分享 HackerNews 上的新动态。

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）

— 完 —

** 点这里👇关注我，记得标星哦～ **

**
**

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~

预览时标签不可点

微信扫一扫
关注该公众号

轻触阅读原文

AI进修生

---

---

收藏