Seperti yang dikatakan netizen, dengan bantuan AutoGen, untuk menyelesaikan tugas di masa depan, pengguna hanya perlu memberikan permintaan, tekan enter, proses perantara benar-benar diabaikan, dan tugas selesai secara otomatis.

Sumber asli: AIGC Open Community

Sumber gambar: Dihasilkan oleh Unbounded AI

Sebuah proyek, hanya dalam dua minggu, skalar bintang meningkat dari 390 menjadi 10K, dan menarik lebih dari 5.000 anggota di Discord, proyek yang begitu populer adalah alat baru Microsoft AutoGen yang baru-baru ini dirilis.

Kita dapat menganggap AutoGen sebagai kerangka kerja yang memungkinkan beberapa agen LLM untuk menyelesaikan tugas melalui obrolan. Agen LLM dapat memainkan berbagai peran, seperti programmer, desainer, atau kombinasi peran, dan proses dialog menyelesaikan tugas.

Tidak hanya itu, AutoGen dapat disesuaikan, percakapan, dan memungkinkan keterlibatan manusia. AutoGen bekerja dengan LLM untuk tugas, input manusia, dan kombinasi alat.

Alamat Proyek:

Pengguna yang telah menggunakan proyek memberikan evaluasi yang sangat tinggi, dengan mengatakan: "Berikan permintaan, tekan pengembalian, proses perantara benar-benar ceroboh ..."

Netizen lain berkata: "AutoGen membantu saya membuat permainan ular dalam hitungan detik."

Jadi apa keuntungan dari proyek yang dipuji semua orang, khususnya:

AutoGen memudahkan untuk membangun aplikasi LLM generasi berikutnya berdasarkan dialog multi-agen, merampingkan alur kerja LLM yang kompleks, memaksimalkan kinerja model LLM dan mengatasi kelemahannya.

• AutoGen mendukung beberapa mode dialog, sehingga pengembang dapat membangun berbagai mode percakapan berdasarkan AutoGen.
• AutoGen menawarkan berbagai sistem kerja dengan berbagai kompleksitas, yang mencakup berbagai bidang dan aplikasi.
• AutoGen menyediakan openai. Penyelesaian atau openai. Pengganti drop-in untuk ChatCompletion sebagai API untuk inferensi yang ditingkatkan.

Selain itu, banyak contoh diberikan dalam proyek untuk membantu Anda memanfaatkan AutoGen dengan lebih baik. Misalnya, menurut salah satu netizen, misalkan Anda ingin menerapkan crawler dan crawl dan menyimpan gambar halaman web. Jika diimplementasikan dengan ChatGPT, itu akan mengembalikan kode eksekusi, umumnya kode tidak dapat digunakan secara langsung, dan koreksi manusia diperlukan. Namun, jika Anda memberikan tugas ini kepada AutoGen, Anda hanya perlu menentukan beberapa agen untuk mencapainya.

Contoh berikut menunjukkan bahwa saat menggunakan kerangka kerja AutoGen untuk memecahkan masalah matematika menggunakan MathChat, langkah membangun agen muncul dalam kode yang sedang berjalan dan menginisialisasinya:

Diagram berikut menunjukkan enam contoh aplikasi yang dibuat dengan AutoGen, termasuk pemecahan masalah matematika, pengkodean multi-agen, pengambilan keputusan online, obrolan yang disempurnakan pengambilan, obrolan grup dinamis, dan catur percakapan.

AutoGen juga membantu memaksimalkan utilitas LLM seperti ChatGPT dan GPT-4. Seperti disebutkan sebelumnya, AutoGen menyediakan openai. Penyelesaian atau openai. Pengganti drop-in untuk ChatCompletion, dengan lebih banyak fitur ditambahkan seperti penyetelan, caching, penanganan kesalahan, dan template. Misalnya, pengguna dapat menggunakan data penyetelan mereka sendiri untuk mengoptimalkan apa yang dihasilkan LLM sesuai anggaran.

Lakukan tuning

konfigurasi, analisis = autogen. Penyelesaian.tune (

data = tune_data,



metrik = "sukses",



mode = "maks",



_func=_func,



inference_budget = 0,05,



optimization_budget=3,



num_samples=-1,

)

Lakukan inferensi untuk instans uji

respons = autogen. Completion.create (konteks=test_instance, **config)

Kasus penggunaan ini menunjukkan penerapan AutoGen yang luas untuk memecahkan berbagai masalah, menjadikannya alat yang berharga bagi pengembang. Yang belum mengalaminya, sesuai dengan langkah pemasangan yang diberikan oleh pejabat, Anda bisa memulainya.

Link Referensi: