系列篇章💥
AI大模型探索之路-实战篇4:深入DB-GPT数据应用开发框架调研
AI大模型探索之路-实战篇5:探索Open Interpreter开放代码解释器调研
AI大模型探索之路-实战篇6:掌握Function Calling的详细流程
AI大模型探索之路-实战篇7:Function Calling技术实战自动生成函数
AI大模型探索之路-实战篇8:多轮对话与Function Calling技术应用
AI大模型探索之路-实战篇9:探究Agent智能数据分析平台的架构与功能
AI大模型探索之路-实战篇10:数据预处理的艺术:构建Agent智能数据分析平台的基础
AI大模型探索之路-实战篇11: Function Calling技术整合:强化Agent智能数据分析平台功能
AI大模型探索之路-实战篇12: 构建互动式Agent智能数据分析平台:实现多轮对话控制
AI大模型探索之路-实战篇13: 从对话到报告:打造能记录和分析的Agent智能数据分析平台
AI大模型探索之路-实战篇14: 集成本地Python代码解释器:强化Agent智能数据分析平台
AI大模型探索之路-实战篇15: Agent智能数据分析平台之整合封装Tools和Memory功能代码
目录
- 系列篇章💥
- 一、前言
- 二、人类意图挖掘
- 三、增加Few-SHOT和COT思维链能力
- 1、增加few-shot提示词
- 2、添加思维链模版
- 四、大模型首次交互逻辑封装
- 1、基本问答效果测试
- 2、function call功能测试
- 3、专家模式测试
- 4、开发者模式测试
- 5、专家模式下下用户意图探究能力测试
- 6、开发者模式下下用户意图探究能力测试
- 五、function call执行结果消息封装
- 六、完成用户一次的完整交互
- 1、一次完整交互函数
- 2、外层调用函数
- 3、响应结果检查函数
- 4、文本内容检查函数
- 5、普通调用测试
- 6、对比开发者模式
- 7、带有Function Calling调用
- 8、复杂问题拆解
- 9、测试对比有代码调用的Function Calling
- 10、测试开发者模式(不涉及代码执行)
- 11、测试专家模式
- 12、Agent对话封装调用
- 七、结语
一、前言
在前面篇章中我们实现了Agent智能数据分析平台中的Tools和Memory两大块,本文中我们将实现Agent智能数据分析平台中最核心的模块Plan,发掘探索人类意图,优化整个决策流程。
二、人类意图挖掘
msg_error_test = MessageManager(system_content_list=[data_dictionary], question="分析iquery数据库中的这四张表,帮我梳理一个数据分析的基本思路")
second_response = client.chat.completions.create(
model='gpt-3.5-turbo',
messages=msg_error_test.messages,
tools=af.functions,
tool_choice="auto"
)
second_response
输出:
ChatCompletion(id='chatcmpl-rtFBgtNzSwoMmJONpYdGjHIWTLmXE', choices=[Choice(finish_reason='tool_calls', index=0, logprobs=None, message=ChatCompletionMessage(content='', role='assistant', function_call=None, tool_calls=[ChatCompletionMessageToolCall(id='call_nu8zFoKl61VDF6yaCnWFRhpY', function=Function(arguments='{"g": "test", "sql_query": "DESC user_demographics;"}', name='sql_inter'), type='function'), ChatCompletionMessageToolCall(id='call_RaTHPfo93K3DWByG9n4gW7w1', function=Function(arguments='{"g": "test", "sql_query": "DESC user_services;"}', name='sql_inter'), type='function'), ChatCompletionMessageToolCall(id='call_8lpOxl8fp7HZzurhQMbrBT4u', function=Function(arguments='{"g": "test", "sql_query": "DESC user_payments;"}', name='sql_inter'), type='function'), ChatCompletionMessageToolCall(id='call_L1KekwoNcrc2oELyiAWPjnbR', function=Function(arguments='{"g": "test", "sql_query": "DESC user_churn;"}', name='sql_inter'), type='function')]))], created=1710948365, model='gpt-3.5-turbo', object='chat.completion', system_fingerprint='', usage=CompletionUsage(completion_tokens=105, prompt_tokens=1948, total_tokens=2053))
异常分析捕获处理
from openai import APIConnectionError,AuthenticationError
#%%
messages = msg_error_test.copy()
try:
response = client.chat.completions.create(
model='gpt-3.5-turbo',
messages=messages.messages,
tools=af.functions,
tool_choice=af.function_call
)
#1. 问的问题比较泛
#2. key不稳定
#3. token不够
#4. 低版本的大模型
#5. 大家也可以收集自己平时开发遇到的报错(不同版本的openai报错还不一样)
except AuthenticationError as e:
# APIConnectionError默认是用户需求不清导致无法返回结果
msg_temp = messages.copy()
# 获取用户问题
question = msg_temp.messages[-1]["content"]
# 提醒用户修改提问的提示模板
new_prompt = "以下是用户提问:%s。该问题有些复杂,且用户意图并不清晰。\
请编写一段话,来引导用户重新提问。" % question
# 修改msg_temp并重新提问
try:
msg_temp.messages[-1]["content"] = new_prompt
# 修改用户问题并直接提问
response = client.chat.completions.create(
model='gpt-3.5-turbo',
messages=msg_temp.messages,
tools=af.functions,
tool_choice=af.function_call
)
# 打印gpt返回的提示修改原问题的描述语句
display(Markdown(response.choices[0].message.content))
user_input = input("请重新输入问题,输入“退出”可以退出当前对话")
if user_input != "退出":
messages.history_messages[-1]["content"] = user_input
response = client.chat.completions.create(
model='gpt-3.5-turbo',
messages=messages.messages,
tools=af.functions,
tool_choice=af.function_call
)
# 若在提示用户修改原问题时遇到链接错误,则直接暂停1分钟后继续执行While循环
except AuthenticationError as e:
print(f"当前遇到了一个链接问题: {str(e)}")
print("由于Limit Rate限制,即将等待1分钟后继续运行...")
time.sleep(60) # 等待1分钟
print("已等待60秒,即将开始重新调用模型并进行回答...")
三、增加Few-SHOT和COT思维链能力
1、增加few-shot提示词
给few-shot例子,遇到复杂问题,进行步骤拆解; 主要提示大模型复杂问题处理能力
def add_task_decomposition_prompt(messages):
"""
当开启增强模式时,任何问题首次尝试作答时都会调用本函数,创建一个包含任务拆解Few-shot的新的message。
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,ChatMessages类型对象,用于存储对话消息
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认值为None,表示不存在外部函数。
:return: task_decomp_few_shot,一个包含任务拆解Few-shot提示示例的message
"""
# 任务拆解Few-shot
# 第一个提示示例
user_question1 = '请问什么是机器学习?'
user_message1_content = "现有用户问题如下:“%s”。为了回答这个问题,总共需要分几步来执行呢?\
若无需拆分执行步骤,请直接回答原始问题。" % user_question1
assistant_message1_content = '机器学习是一种人工智能(AI)的形式,它允许计算机自主学习和改进,而不需要被明确编程。\
在机器学习过程中,计算机发现如何执行任务,主要是通过学习数据模式和使数据驱动决策。这可能涉及在大量数据中寻找和识别模式,然后根据这些信息进行预测,或者通过反复执行和调整来优化特定任务的性能。。\
机器学习可以分为监督学习、无监督学习和强化学习等类型。。\
机器学习在许多领域都有应用,包括自然语言处理、计算机视觉、推荐系统、医疗诊断、金融市场预测等等。'
# 第二个提示示例
user_question2 = '请帮我介绍下OpenAI。'
user_message2_content = "现有用户问题如下:“%s”。为了回答这个问题,总共需要分几步来执行呢?\
若无需拆分执行步骤,请直接回答原始问题。" % user_question2
assistant_message2_content = 'OpenAI是一家开发和应用友好人工智能的公司,\
它的目标是确保人工通用智能(AGI)对所有人都有益,以及随着AGI部署,尽可能多的人都能受益。\
OpenAI致力在商业利益和人类福祉之间做出正确的平衡,本质上是一家人道主义公司。\
OpenAI开发了诸如GPT-3这样的先进模型,在自然语言处理等诸多领域表现出色。'
# 第三个提示示例
user_question3 = '围绕数据库中的user_payments表,我想要检查该表是否存在缺失值'
user_message3_content = "现有用户问题如下:“%s”。为了回答这个问题,总共需要分几步来执行呢?\
若无需拆分执行步骤,请直接回答原始问题。" % user_question3
assistant_message3_content = '为了检查user_payments数据集是否存在缺失值,我们将执行如下步骤:\
\n\n步骤1:使用`extract_data`函数将user_payments数据表读取到当前的Python环境中。\
\n\n步骤2:使用`python_inter`函数执行Python代码检查数据集的缺失值。'
# 第四个提示示例
user_question4 = '我想寻找合适的缺失值填补方法,来填补user_payments数据集中的缺失值。'
user_message4_content = "现有用户问题如下:“%s”。为了回答这个问题,总共需要分几步来执行呢?\
若无需拆分执行步骤,请直接回答原始问题。" % user_question4
assistant_message4_content = '为了找到合适的缺失值填充方法,我们需要执行以下三步:\
\n\n步骤1:分析user_payments数据集中的缺失值情况。通过查看各字段的缺失率和观察缺失值分布,了解其缺失幅度和模式。\
\n\n步骤2:确定值填补策略。基于观察结果和特定字段的性质确定恰当的填补策略,例如使用众数、中位数、均值或建立模型进行填补等。\
\n\n步骤3:进行缺失值填补。根据确定的填补策略,执行填补操作,然后验证填补效果。'
# 在保留原始问题的情况下加入Few-shot
task_decomp_few_shot = messages.copy()
task_decomp_few_shot.messages_pop(manual=True, index=-1)
task_decomp_few_shot.messages_append({"role": "user", "content": user_message1_content})
task_decomp_few_shot.messages_append({"role": "assistant", "content": assistant_message1_content})
task_decomp_few_shot.messages_append({"role": "user", "content": user_message2_content})
task_decomp_few_shot.messages_append({"role": "assistant", "content": assistant_message2_content})
task_decomp_few_shot.messages_append({"role": "user", "content": user_message3_content})
task_decomp_few_shot.messages_append({"role": "assistant", "content": assistant_message3_content})
task_decomp_few_shot.messages_append({"role": "user", "content": user_message4_content})
task_decomp_few_shot.messages_append({"role": "assistant", "content": assistant_message4_content})
user_question = messages.history_messages[-1]["content"]
new_question = "现有用户问题如下:“%s”。为了回答这个问题,总共需要分几步来执行呢?\
若无需拆分执行步骤,请直接回答原始问题。" % user_question
question_message = messages.history_messages[-1].copy()
question_message["content"] = new_question
task_decomp_few_shot.messages_append(question_message)
return task_decomp_few_shot
msg1 = MessageManager(system_content_list=[data_dictionary], question="请帮我查看user_demographics数据表中总共有多少条数据?")
msg2= msg1.copy()
msg1_get_decomposition = add_task_decomposition_prompt(messages=msg1)
msg1_get_decomposition.history_messages
输出
[{'role': 'user',
'content': '现有用户问题如下:“请什么是机器学习?”。为了回答这个问题,总共需要分几步来执行呢? 若无需拆分执行步骤,请直接回答原始问题。'},
{'role': 'assistant',
'content': '机器学习是一种人工智能(AI)的形式,它允许计算机自主学习和改进,而不需要被明确编程。 在机器学习过程中,计算机发现如何执行任务,主要是通过学习数据模式和使数据驱动决策。这可能涉及在大量数据中寻找和识别模式,然后根据这些信息进行预测,或者通过反复执行和调整来优化特定任务的性能。。 机器学习可以分为监督学习、无监督学习和强化学习等类型。。 机器学习在许多领域都有应用,包括自然语言处理、计算机视觉、推荐系统、医疗诊断、金融市场预测等等。'},
{'role': 'user',
'content': '现有用户问题如下:“请帮我介绍下OpenAI。”。为了回答这个问题,总共需要分几步来执行呢? 若无需拆分执行步骤,请直接回答原始问题。'},
{'role': 'assistant',
'content': 'OpenAI是一家开发和应用友好人工智能的公司, 它的目标是确保人工通用智能(AGI)对所有人都有益,以及随着AGI部署,尽可能多的人都能受益。 OpenAI致力在商业利益和人类福祉之间做出正确的平衡,本质上是一家人道主义公司。 OpenAI开发了诸如GPT-3这样的先进模型,在自然语言处理等诸多领域表现出色。'},
{'role': 'user',
'content': '现有用户问题如下:“围绕数据库中的user_payments表,我想要检查该表是否存在缺失值”。为了回答这个问题,总共需要分几步来执行呢? 若无需拆分执行步骤,请直接回答原始问题。'},
{'role': 'assistant',
'content': '为了检查user_payments数据集是否存在缺失值,我们将执行如下步骤: \n\n步骤1:使用`extract_data`函数将user_payments数据表读取到当前的Python环境中。 \n\n步骤2:使用`python_inter`函数执行Python代码检查数据集的缺失值。'},
{'role': 'user',
'content': '现有用户问题如下:“我想寻找合适的缺失值填补方法,来填补user_payments数据集中的缺失值。”。为了回答这个问题,总共需要分几步来执行呢? 若无需拆分执行步骤,请直接回答原始问题。'},
{'role': 'assistant',
'content': '为了找到合适的缺失值填充方法,我们需要执行以下三步: \n\n步骤1:分析user_payments数据集中的缺失值情况。通过查看各字段的缺失率和观察缺失值分布,了解其缺失幅度和模式。 \n\n步骤2:确定值填补策略。基于观察结果和特定字段的性质确定恰当的填补策略,例如使用众数、中位数、均值或建立模型进行填补等。 \n\n步骤3:进行缺失值填补。根据确定的填补策略,执行填补操作,然后验证填补效果。'},
{'role': 'user',
'content': '现有用户问题如下:“请帮我查看user_demographics数据表中总共有多少条数据?”。为了回答这个问题,总共需要分几步来执行呢? 若无需拆分执行步骤,请直接回答原始问题。'}]
2、添加思维链模版
开发者模式下,让提示词增加思维链
def modify_prompt(messages, action='add', enable_md_output=True, enable_COT=True):
"""
当开启开发者模式时,会让用户选择是否添加COT提示模板或其他提示模板,并创建一个经过修改的新的message。
:param messages: 必要参数,MessageManager类型对象,用于存储对话消息
:param action: 'add' 或 'remove',决定是添加还是移除提示
:param enable_md_output: 是否启用 markdown 格式输出
:param enable_COT: 是否启用 COT 提示
:return: messages,一个经过提示词修改的message
"""
# 思考链提示词模板
cot_prompt = "请一步步思考并得出结论。"
# 输出markdown提示词模板
md_prompt = "任何回答都请以markdown格式进行输出。"
# 如果是添加提示词
if action == 'add':
if enable_COT:
## openai.types.chat.chat_completion_message.ChatCompletionMessage
if type(messages.messages[-1]) is openai.types.chat.chat_completion_message.ChatCompletionMessage:
messages.messages[-1].content += cot_prompt
messages.history_messages[-1].content += cot_prompt
else:
messages.messages[-1]["content"] += cot_prompt
messages.history_messages[-1]["content"] += cot_prompt
if enable_md_output:
if type(messages.messages[-1]) is openai.types.chat.chat_completion_message.ChatCompletionMessage:
messages.messages[-1].content += md_prompt
messages.history_messages[-1].content += md_prompt
else:
messages.messages[-1]["content"] += md_prompt
messages.history_messages[-1]["content"] += md_prompt
# 如果是将指定提示词删除
elif action == 'remove':
if enable_md_output:
if type(messages.messages[-1]) is openai.types.chat.chat_completion_message.ChatCompletionMessage:
messages.messages[-1].content = messages.messages[-1].content.replace(md_prompt, "")
messages.history_messages[-1].content = messages.history_messages[-1].content.replace(md_prompt, "")
else:
messages.messages[-1]["content"] = messages.messages[-1]["content"].replace(md_prompt, "")
messages.history_messages[-1]["content"] = messages.history_messages[-1]["content"].replace(md_prompt, "")
if enable_COT:
if type(messages.messages[-1]) is openai.types.chat.chat_completion_message.ChatCompletionMessage:
messages.messages[-1].content = messages.messages[-1].content.replace(cot_prompt, "")
messages.history_messages[-1].content = messages.history_messages[-1].content.replace(cot_prompt, "")
else:
messages.messages[-1]["content"] = messages.messages[-1]["content"].replace(cot_prompt, "")
messages.history_messages[-1]["content"] = messages.history_messages[-1]["content"].replace(cot_prompt, "")
return messages
测试
msg2.history_messages
msg2_COT = modify_prompt(messages=msg2, action='add', enable_md_output=False, enable_COT=True)
msg2_COT.history_messages
msg2_COT.messages[-1]
msg2_COT.history_messages
msg2 = modify_prompt(messages=msg2_COT, action='remove', enable_md_output=False, enable_COT=True)
msg2.history_messages
msg2 = modify_prompt(messages=msg2_COT, action='add', enable_md_output=True, enable_COT=True)
msg2_COT.history_messages
四、大模型首次交互逻辑封装
第一次跟GPT模型进行交互,然后看他返回来的结果
解析结果有两种可能:
- 返回来调用的外部函数
- 返回来调用的直接的结果
def get_first_response(model,
messages,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False):
"""
负责调用Chat模型并获得模型回答函数,并且当在调用GPT模型时遇到Rate limit时可以选择暂时休眠1分钟后再运行。\
同时对于意图不清的问题,会提示用户修改输入的prompt,以获得更好的模型运行结果。
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,MessageManager类型对象,用于存储对话消息
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认为None,表示没有外部函数
:param is_developer_mode: 表示是否开启开发者模式,默认为False。\
开启开发者模式时,会自动添加提示词模板,并且会在每次执行代码前、以及返回结果之后询问用户意见,并会根据用户意见进行修改。
:param is_expert_mode: 可选参数,表示是否开启专家模式,默认为False。\
开启增强模式时,会自动启动复杂任务拆解流程,并且在进行代码debug时会自动执行deep debug。
:return: 返回模型返回的response message
"""
# 如果开启开发者模式,则进行提示词修改,首次运行是增加提示词
if is_developer_mode:
messages = modify_prompt(messages, action='add')
# 如果是专家模式,则增加复杂任务拆解流程
if is_expert_mode:
messages = add_task_decomposition_prompt(messages)
# 考虑到可能存在通信报错问题,因此循环调用Chat模型进行执行
while True:
try:
# 若不存在外部函数
if available_functions == None:
response = client.chat.completions.create(
model=model,
messages=messages.messages)
# 若存在外部函数,此时functions和function_call参数信息都从AvailableFunctions对象中获取
else:
#print("这儿我也测试一下,调用cleint之前的messages长什么样----")
#print(messages.messages)
response = client.chat.completions.create(
model=model,
messages=messages.messages,
tools=available_functions.functions,
tool_choice=available_functions.function_call
)
break # 如果成功获取响应,退出循环
except AuthenticationError as e:
# APIConnectionError默认是用户需求不清导致无法返回结果
# 若开启专家模式,此时提示用户重新输入需求
if is_expert_mode:
# 创建临时消息列表
msg_temp = messages.copy()
# 获取用户问题
question = msg_temp.messages[-1]["content"]
# 提醒用户修改提问的提示模板
new_prompt = "以下是用户提问:%s。该问题有些复杂,且用户意图并不清晰。\
请编写一段话,来引导用户重新提问。" % question
# 修改msg_temp并重新提问
try:
msg_temp.messages[-1]["content"] = new_prompt
# 修改用户问题并直接提问
response = client.chat.completions.create(
model=model,
messages=msg_temp.messages)
# 打印gpt返回的提示修改原问题的描述语句
display(Markdown(response.choices[0].message.content))
# 引导用户重新输入问题或者退出
user_input = input("请重新输入问题,输入“退出”可以退出当前对话")
if user_input == "退出":
print("当前模型无法返回结果,已经退出")
return None
else:
# 修改原始问题
messages.history_messages[-1]["content"] = user_input
# 再次进行提问
response_message = get_first_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode)
return response_message
# 若在提示用户修改原问题时遇到链接错误,则直接暂停1分钟后继续执行While循环
except AuthenticationError as e:
print(f"当前遇到了一个链接问题: {str(e)}")
print("由于Limit Rate限制,即将等待1分钟后继续运行...")
time.sleep(60) # 等待1分钟
print("已等待60秒,即将开始重新调用模型并进行回答...")
# 若未开启增强模式
else:
# 打印错误的核心信息
print(f"当前遇到了一个链接问题: {str(e)}")
# 如果是开发者模式
if is_developer_mode:
# 选择等待、更改模型或者直接报错退出
user_input = input("请选择等待1分钟(1),或者更换模型(2),或者报错退出(3)")
if user_input == '1':
print("好的,将等待1分钟后继续运行...")
time.sleep(60) # 等待1分钟
print("已等待60秒,即将开始新的一轮问答...")
elif user_input == '2':
model = input("好的,请输出新模型名称")
else:
raise e # 如果用户选择退出,恢复提示并抛出异常
# 如果不是开发者模式
else:
print("由于Limit Rate限制,即将等待1分钟后继续运行...")
time.sleep(60) # 等待1分钟
print("已等待60秒,即将开始重新调用模型并进行回答...")
# 还原原始的message对象
if is_developer_mode:
messages = modify_prompt(messages, action='remove')
return response.choices[0].message
1、基本问答效果测试
msg1 = MessageManager(system_content_list=[data_dictionary], question="请帮我简单介绍下iquery数据库中的这四张表")
msg1_response = get_first_response(model='gpt-3.5-turbo',
messages=msg1,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False)
msg1_response
输出
2、function call功能测试
msg2 = MessageManager(system_content_list=[data_dictionary], question="请帮我查看user_demographics数据表中总共有多少条数据。")
af.functions
msg2_response = get_first_response(model='gpt-3.5-turbo',
messages=msg2,
available_functions=af,
is_developer_mode=False,
is_expert_mode=False)
msg2_response
3、专家模式测试
msg3 = MessageManager(system_content_list=[data_dictionary], question="请帮我查看user_demographics数据表中缺失值情况。")
#%%
msg3_response = get_first_response(model='gpt-3.5-turbo',
messages=msg3,
available_functions=af,
is_developer_mode=False,
is_expert_mode=True)
#%%
msg3_response
4、开发者模式测试
msg4 = MessageManager(system_content_list=[data_dictionary], question="请帮我查看iquery数据库中user_demographics数据表中缺失值情况。")
#%%
msg4_response = get_first_response(model='gpt-3.5-turbo',
messages=msg4,
available_functions=af,
is_developer_mode=True,
is_expert_mode=False)
msg4_response
5、专家模式下下用户意图探究能力测试
msg5 = MessageManager(system_content_list=[data_dictionary], question="分析iquery数据库中的这四张表,帮我梳理一个数据分析的基本思路")
msg5_response = get_first_response(model='gpt-3.5-turbo',
messages=msg5,
available_functions=af,
is_developer_mode=False,
is_expert_mode=True)
msg5_response
6、开发者模式下下用户意图探究能力测试
开发者模型最大的特点就是可以让用户选择,可以选择等1分钟,也可以选择退出
msg6 = MessageManager(system_content_list=[data_dictionary], question="分析iquery数据库中的这四张表,帮我梳理一个数据分析的基本思路")
msg6_response = get_first_response(model='gpt-3.5-turbo',
messages=msg6,
available_functions=af,
is_developer_mode=True,
is_expert_mode=False)
msg6_response
五、function call执行结果消息封装
def function_to_call(available_functions, function_call_message):
"""
根据一条函数调用消息function_call_message,返回一条函数运行结果消息function_response_messages。
:param available_functions: 必要参数,要求输入一个AvailableFunctions对象,以说明当前外部函数基本情况
:param function_call_message: 必要参数,要求输入一条外部函数调用的message
:return: function_response_messages,输出又外部函数运行结果所组成的message
"""
# 获取调用外部函数的函数名称
tool_call = function_call_message.tool_calls[0]
function_name = tool_call.function.name
# 根据函数名称获取对应的外部函数对象
fuction_to_call = available_functions.functions_dic[function_name]
# 提取function_call_message中调用外部函数的函数参数
# 即大模型编写的SQL或者Python代码
function_args = json.loads(tool_call.function.arguments)
# 将参数带入到外部函数中并运行
try:
# 将当前操作空间中的全局变量添加到外部函数中
function_args['g']=globals()
# 运行外部函数
function_response = fuction_to_call(**function_args)
# 若外部函数运行报错,则提取报错信息
except Exception as e:
function_response = "函数运行报错如下:" + str(e)
# 创建function_response_messages
# 该message包含外部函数顺利运行或报错信息
function_response_messages = {
"tool_call_id": tool_call.id,
"role": "tool",
"name": function_name,
"content": function_response,
}
return function_response_messages
结果查看
msg = MessageManager(system_content_list=[data_dictionary], question="请帮我查看user_demographics数据表中总共有多少条数据。")
#%%
msg_response = get_first_response(model='gpt-3.5-turbo',
messages=msg,
available_functions=af)
msg_response
封装函数调用测试
function_response_messages = function_to_call(available_functions=af, function_call_message=msg_response)
function_response_messages
六、完成用户一次的完整交互
1、一次完整交互函数
负责完整执行一次对话的最高层函数,需要注意的是,一次对话中可能会多次调用大模型,而本函数则是完成一次对话的主函数。要求输入的messages中最后一条消息必须是能正常发起对话的消息。该函数通过调用get_gpt_response来获取模型输出结果,并且会根据返回结果的不同,例如是文本结果还是代码结果,灵活调用不同函数对模型输出结果进行后处理。
def one_chat_response(model,
messages,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False,
delete_some_messages=False,
is_task_decomposition=False):
"""
负责完整执行一次对话的最高层函数,需要注意的是,一次对话中可能会多次调用大模型,而本函数则是完成一次对话的主函数。\
要求输入的messages中最后一条消息必须是能正常发起对话的消息。\
该函数通过调用get_gpt_response来获取模型输出结果,并且会根据返回结果的不同,例如是文本结果还是代码结果,\
灵活调用不同函数对模型输出结果进行后处理。\
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,ChatMessages类型对象,用于存储对话消息
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认为None,表示没有外部函数
:param is_developer_mode: 表示是否开启开发者模式,默认为False。\
开启开发者模式时,会自动添加提示词模板,并且会在每次执行代码前、以及返回结果之后询问用户意见,并会根据用户意见进行修改。
:param is_expert_mode: 可选参数,表示是否开启专家模式,默认为False。\
开启增强模式时,会自动启动复杂任务拆解流程,并且在进行代码debug时会自动执行deep debug。
:param delete_some_messages: 可选参数,表示在拼接messages时是否删除中间若干条消息,默认为Fasle。
:param is_task_decomposition: 可选参数,是否是当前执行任务是否是审查任务拆解结果,默认为False。
:return: 拼接本次问答最终结果的messages
"""
# 当且仅当围绕复杂任务拆解结果进行修改时,才会出现is_task_decomposition=True的情况
# 当is_task_decomposition=True时,不再重新创建response_message
if not is_task_decomposition:
# 先获取单次大模型调用结果
# 此时response_message是大模型调用返回的message
response_message = get_first_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode)
# 复杂条件判断,若is_task_decomposition = True,
# 或者是专家模式且是执行function response任务时
# (需要注意的是,当is_task_decomposition = True时,并不存在response_message对象)
if is_task_decomposition or (is_expert_mode and response_message.tool_calls):
# 将is_task_decomposition修改为True,表示当前执行任务为复杂任务拆解
#print(">>这儿")
is_task_decomposition = True
# 在拆解任务时,将增加了任务拆解的few-shot-message命名为text_response_messages
task_decomp_few_shot = add_task_decomposition_prompt(messages)
# print("正在进行任务分解,请稍后...")
# 同时更新response_message,此时response_message就是任务拆解之后的response
response_message = get_first_response(model=model,
messages=task_decomp_few_shot,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode)
# 若拆分任务的提示无效,此时response_message有可能会再次创建一个function call message
if response_message.tool_calls:
print("当前任务无需拆解,可以直接运行。")
# 若本次调用是由修改对话需求产生,则按照参数设置删除原始message中的若干条消息
# 需要注意的是,删除中间若干条消息,必须在创建完新的response_message之后再执行
if delete_some_messages:
for i in range(delete_some_messages):
messages.messages_pop(manual=True, index=-1)
# 注意,执行到此处时,一定会有一个response_message
# 接下来分response_message不同类型,执行不同流程
# 若是文本响应类任务(包括普通文本响应和和复杂任务拆解审查两种情况,都可以使用相同代码)
if not response_message.tool_calls:
# 将message保存为text_answer_message
text_answer_message = response_message
# 并带入is_text_response_valid对文本内容进行审查
messages = handle_text_response(model=model,
messages=messages,
text_answer_message=text_answer_message,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages,
is_task_decomposition=is_task_decomposition)
# 若是function response任务
elif response_message.tool_calls:
# 创建调用外部函数的function_call_message
# 在当前Agent中,function_call_message是一个包含SQL代码或者Python代码的JSON对象
function_call_message = response_message
# 将function_call_message带入代码审查和运行函数is_code_response_valid
# 并最终获得外部函数运行之后的问答结果
messages = handle_code_response(model=model,
messages=messages,
function_call_message=function_call_message,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages)
return messages
2、外层调用函数
负责完整执行一次外部函数调用的最高层函数,要求输入的msg最后一条消息必须是包含function call的消息。
函数的最终任务是将function call的消息中的代码带入外部函数并完成代码运行,并且支持交互式代码编写或自动代码编写运行不同模式。当函数运行得到一条包含外部函数运行结果的function message之后,会继续将其带入check_get_final_function_response函数,最终将function message转化为assistant message,并完成本次对话。
# 判断代码输出结果是否符合要求,输入function call message,输出function response message
def handle_code_response(model,
messages,
function_call_message,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False,
delete_some_messages=False):
"""
负责完整执行一次外部函数调用的最高层函数,要求输入的msg最后一条消息必须是包含function call的消息。\
函数的最终任务是将function call的消息中的代码带入外部函数并完成代码运行,并且支持交互式代码编写或自动代码编写运行不同模式。\
当函数运行得到一条包含外部函数运行结果的function message之后,会继续将其带入check_get_final_function_response函数,\
用于最终将function message转化为assistant message,并完成本次对话。
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,ChatMessages类型对象,用于存储对话消息
:param function_call_message: 必要参数,用于表示上层函数创建的一条包含function call消息的message
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认为None,表示没有外部函数
:param is_developer_mode: 表示是否开启开发者模式,默认为False。\
开启开发者模式时,会自动添加提示词模板,并且会在每次执行代码前、以及返回结果之后询问用户意见,并会根据用户意见进行修改。
:param is_expert_mode: 可选参数,表示是否开启专家模式,默认为False。\
开启增强模式时,会自动启动复杂任务拆解流程,并且在进行代码debug时会自动执行deep debug。
:param delete_some_messages: 可选参数,表示在拼接messages时是否删除中间若干条消息,默认为Fasle。
:return: message,拼接了最新大模型回答结果的message
"""
# 为打印代码和修改代码(增加创建图像对家部分代码)做准备
# 创建字符串类型json格式的message对象
code_json_str = function_call_message.tool_calls[0].function.arguments
# print("========这儿可能有问题======")
# print(function_call_message)
# print(function_call_message.tool_calls[0].function.arguments)
# 将json转化为字典
try:
code_dict = json.loads(code_json_str)
except Exception as e:
print("json字符解析错误,正在重新创建代码...")
# 递归调用上层函数get_chat_response,并返回最终message结果
# 需要注意的是,如果上层函数再次创建了function_call_message
# 则会再次调用is_code_response_valid,而无需在当前函数中再次执行
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages)
return messages
# 若顺利将json转化为字典,则继续执行以下代码
# 创建convert_to_markdown内部函数,用于辅助打印代码结果
def convert_to_markdown(code, language):
return f"```{language}\n{code}\n```"
# 提取代码部分参数
# 如果是SQL,则按照Markdown中SQL格式打印代码
if code_dict.get('sql_query'):
code = code_dict['sql_query']
markdown_code = convert_to_markdown(code, 'sql')
print("即将执行以下代码:")
# 如果是Python,则按照Markdown中Python格式打印代码
elif code_dict.get('py_code'):
code = code_dict['py_code']
markdown_code = convert_to_markdown(code, 'python')
print("即将执行以下代码:")
else:
markdown_code = code_dict
display(Markdown(markdown_code))
# 若是开发者模式,则提示用户先对代码进行审查然后再运行
if is_developer_mode:
user_input = input("是直接运行代码(1),还是反馈修改意见,并让模型对代码进行修改后再运行(2)")
if user_input == '1':
print("好的,正在运行代码,请稍后...")
else:
modify_input = input("好的,请输入修改意见:")
# 记录模型当前创建的代码
messages.messages_append(function_call_message)
# 记录修改意见
messages.messages_append({"role": "user", "content": modify_input})
# 调用get_chat_response函数并重新获取回答结果
# 需要注意,此时需要设置delete_some_messages=2,删除中间对话结果以节省token
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=2)
return messages
# 若不是开发者模式,或者开发者模式下user_input == '1'
# 则调用function_to_call函数,并获取最终外部函数运行结果
# 在当前Agent中,外部函数运行结果就是SQL或者Python运行结果,或代码运行报错结果
function_response_message = function_to_call(available_functions=available_functions,
function_call_message=function_call_message)
# 将function_response_message带入check_get_final_function_response进行审查
messages = check_function_response(model=model,
messages=messages,
function_call_message=function_call_message,
function_response_message=function_response_message,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages)
return messages
3、响应结果检查函数
负责执行外部函数运行结果审查工作。若外部函数运行结果消息function_response_message并不存在报错信息,则将其拼接入message中,并将其带入get_chat_response函数并获取下一轮对话结果。而如果function_response_message中存在报错信息,则开启自动debug模式。本函数将借助类似Autogen的模式,复制多个Agent,并通过彼此对话的方式来完成debug。
# 判断代码输出结果是否符合要求,输入function response message,输出基于外部函数运行结果的message
def check_function_response(model,
messages,
function_call_message,
function_response_message,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False,
delete_some_messages=False):
"""
负责执行外部函数运行结果审查工作。若外部函数运行结果消息function_response_message并不存在报错信息,\
则将其拼接入message中,并将其带入get_chat_response函数并获取下一轮对话结果。而如果function_response_message中存在报错信息,\
则开启自动debug模式。本函数将借助类似Autogen的模式,复制多个Agent,并通过彼此对话的方式来完成debug。
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,ChatMessages类型对象,用于存储对话消息
:param function_call_message: 必要参数,用于表示上层函数创建的一条包含function call消息的message
:param function_response_message: 必要参数,用于表示上层函数创建的一条包含外部函数运行结果的message
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认为None,表示没有外部函数
:param is_developer_mode: 表示是否开启开发者模式,默认为False。\
开启开发者模式时,会自动添加提示词模板,并且会在每次执行代码前、以及返回结果之后询问用户意见,并会根据用户意见进行修改。
:param is_expert_mode: 可选参数,表示是否开启专家模式,默认为False。\
开启增强模式时,会自动启动复杂任务拆解流程,并且在进行代码debug时会自动执行deep debug。
:param delete_some_messages: 可选参数,表示在拼接messages时是否删除中间若干条消息,默认为Fasle。
:return: message,拼接了最新大模型回答结果的message
"""
# 获取外部函数运行结果内容
fun_res_content = function_response_message["content"]
# 若function_response中包含错误
if "报错" in fun_res_content:
# 打印报错信息
print(fun_res_content)
# 根据是否是增强模式,选择执行高效debug或深度debug
# 高效debug和深度debug区别只在于提示内容和提示流程的不同
# 高效debug只包含一条提示,只调用一次大模型即可完成自动debug工作
# 而深度debug则包含三次提示,需要调用三次大模型进行深度总结并完成debug工作
# 先创建不同模式bubug的不同提示词
if not is_expert_mode:
# 执行高效debug
display(Markdown("**即将执行高效debug,正在实例化Efficient Debug Agent...**"))
debug_prompt_list = ['你编写的代码报错了,请根据报错信息修改代码并重新执行。']
else:
# 执行深度debug
display(Markdown("**即将执行深度debug,该debug过程将自动执行多轮对话,请耐心等待。正在实例化Deep Debug Agent...**"))
display(Markdown("**正在实例化deep debug Agent...**"))
debug_prompt_list = ["之前执行的代码报错了,你觉得代码哪里编写错了?",
"好的。那么根据你的分析,为了解决这个错误,从理论上来说,应该如何操作呢?",
"非常好,接下来请按照你的逻辑编写相应代码并运行。"]
# 复制msg,相当于创建一个新的Agent进行debug
# 需要注意的是,此时msg最后一条消息是user message,而不是任何函数调用相关message
msg_debug = messages.copy()
# 追加function_call_message
# 当前function_call_message中包含编错的代码
msg_debug.messages_append(function_call_message)
# 追加function_response_message
# 当前function_response_message包含错误代码的运行报错信息
msg_debug.messages_append(function_response_message)
# 依次输入debug的prompt,来引导大模型完成debug
for debug_prompt in debug_prompt_list:
msg_debug.messages_append({"role": "user", "content": debug_prompt})
display(Markdown("**From Debug iQuery Agent:**"))
display(Markdown(debug_prompt))
# 再次调用get_chat_response,在当前debug的prompt下,get_chat_response会返回修改意见或修改之后的代码
# 打印提示信息
display(Markdown("**From iQuery Agent:**"))
msg_debug = one_chat_response(model=model,
messages=msg_debug,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=False,
delete_some_messages=delete_some_messages)
messages = msg_debug.copy()
# 若function message不包含报错信息
# 需要将function message传递给模型
else:
print("外部函数已执行完毕,正在解析运行结果...")
messages.messages_append(function_call_message)
messages.messages_append(function_response_message)
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages)
return messages
4、文本内容检查函数
负责执行文本内容创建审查工作。运行模式可分为快速模式和人工审查模式。在快速模式下,模型将迅速创建文本并保存至msg对象中,而如果是人工审查模式,则需要先经过人工确认,函数才会保存大模型创建的文本内容,并且在这个过程中,也可以选择让模型根据用户输入的修改意见重新修改文本
def handle_text_response(model,
messages,
text_answer_message,
available_functions=None,
is_developer_mode=False,
is_expert_mode=False,
delete_some_messages=False,
is_task_decomposition=False):
"""
负责执行文本内容创建审查工作。运行模式可分为快速模式和人工审查模式。在快速模式下,模型将迅速创建文本并保存至msg对象中,\
而如果是人工审查模式,则需要先经过人工确认,函数才会保存大模型创建的文本内容,并且在这个过程中,\
也可以选择让模型根据用户输入的修改意见重新修改文本。
:param model: 必要参数,表示调用的大模型名称
:param messages: 必要参数,ChatMessages类型对象,用于存储对话消息
:param text_answer_message: 必要参数,用于表示上层函数创建的一条包含文本内容的message
:param available_functions: 可选参数,AvailableFunctions类型对象,用于表示开启对话时外部函数基本情况。\
默认为None,表示没有外部函数
:param is_developer_mode: 表示是否开启开发者模式,默认为False。\
开启开发者模式时,会自动添加提示词模板,并且会在每次执行代码前、以及返回结果之后询问用户意见,并会根据用户意见进行修改。
:param is_expert_mode: 可选参数,表示是否开启专家模式,默认为False。\
开启增强模式时,会自动启动复杂任务拆解流程,并且在进行代码debug时会自动执行deep debug。
:param delete_some_messages: 可选参数,表示在拼接messages时是否删除中间若干条消息,默认为Fasle。
:param is_task_decomposition: 可选参数,是否是当前执行任务是否是审查任务拆解结果,默认为False。
:return: message,拼接了最新大模型回答结果的message
"""
# 从text_answer_message中获取模型回答结果并打印
answer_content = text_answer_message.content
# print("看看这个值is_task_decomposition")
# print(is_task_decomposition)
print("模型回答:\n")
display(Markdown(answer_content))
# 创建指示变量user_input,用于记录用户修改意见,默认为None
user_input = None
# 若是开发者模式,或者是增强模式下任务拆解结果,则引导用户对其进行审查
# 若是开发者模式而非任务拆解
if not is_task_decomposition and is_developer_mode:
user_input = input("请问是否记录回答结果(1),\
或者对当前结果提出修改意见(2),\
或者重新进行提问(3),\
或者直接退出对话(4)")
if user_input == '1':
# 若记录回答结果,则将其添加入msg对象中
messages.messages_append(text_answer_message)
print("本次对话结果已保存")
## 添加了一个逻辑,如果是任务拆解,或者是专家模式(专家模式里都有任务拆解)
# 若是任务拆解
elif is_task_decomposition or is_expert_mode:
user_input = input("请问是否按照该流程执行任务(1),\
或者对当前执行流程提出修改意见(2),\
或者重新进行提问(3),\
或者直接退出对话(4)")
if user_input == '1':
# 任务拆解中,如果选择执行该流程
messages.messages_append(text_answer_message)
print("好的,即将逐步执行上述流程")
messages.messages_append({"role": "user", "content": "非常好,请按照该流程逐步执行。"})
is_task_decomposition = False
is_expert_mode = False
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages,
is_task_decomposition=is_task_decomposition)
if user_input != None:
if user_input == '1':
pass
elif user_input == '2':
new_user_content = input("好的,输入对模型结果的修改意见:")
print("好的,正在进行修改。")
# 在messages中暂时记录上一轮回答的内容
messages.messages_append(text_answer_message)
# 记录用户提出的修改意见
messages.messages_append({"role": "user", "content": new_user_content})
# 再次调用主函数进行回答,为了节省token,可以删除用户修改意见和第一版模型回答结果
# 因此这里可以设置delete_some_messages=2
# 此外,这里需要设置is_task_decomposition=is_task_decomposition
# 当需要修改复杂任务拆解结果时,会自动带入is_task_decomposition=True
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=2,
is_task_decomposition=is_task_decomposition)
elif user_input == '3':
new_user_content = input("好的,请重新提出问题:")
# 修改问题
messages.messages[-1]["content"] = new_user_content
# 再次调用主函数进行回答
messages = one_chat_response(model=model,
messages=messages,
available_functions=available_functions,
is_developer_mode=is_developer_mode,
is_expert_mode=is_expert_mode,
delete_some_messages=delete_some_messages,
is_task_decomposition=is_task_decomposition)
else:
print("好的,已退出当前对话")
# 若不是开发者模式
else:
# 记录返回消息
messages.messages_append(text_answer_message)
return messages
data_dictionary
5、普通调用测试
mm1 = MessageManager(system_content_list=[data_dictionary], question="请帮我简单介绍iquery数据库基本情况。")
#调用
mm_response1 = one_chat_response(model='gpt-3.5-turbo',
messages=mm1)
#输出响应消息
mm_response1.history_messages
6、对比开发者模式
mm2 = MessageManager(system_content_list=[data_dictionary], question="请帮我简单介绍iquery数据库基本情况。")
#%%
mm_response2 = one_chat_response(model='gpt-3.5-turbo',
messages=mm2,
is_developer_mode=True)
#%%
mm_response2.history_messages
7、带有Function Calling调用
mm3 = MessageManager(system_content_list=[data_dictionary], question="请帮我统计user_demographics总共有多少条数据?")
#%%
mm_response3 = one_chat_response(model='gpt-3.5-turbo',
messages=mm3,
available_functions=af)
mm_response3.history_messages
8、复杂问题拆解
mm4 = MessageManager(system_content_list=[data_dictionary], question="请帮我查询iquery数据库中四张表数据量是否一致。")
#%%
mm_response4 = one_chat_response(model='gpt-3.5-turbo-16k',
messages=mm4,
available_functions=af)
9、测试对比有代码调用的Function Calling
mm6 = MessageManager(system_content_list=[], question="请帮我将user_services数据表读取到Python环境中,并进行缺失值查找。")
#%%
mm_response6 = one_chat_response(model='gpt-3.5-turbo',
messages=mm6,
available_functions=af)
10、测试开发者模式(不涉及代码执行)
mm8 = MessageManager(system_content_list=[data_dictionary], question="给我介绍一下iquery数据库")
#%%
mm_response8 = one_chat_response(model='gpt-3.5-turbo-16k',
messages=mm8,
available_functions=af,
is_developer_mode=True)
11、测试专家模式
mm9 = MessageManager(system_content_list=[data_dictionary], question="请帮我到数据库中查询user_demographics表,并用可视化的方法分析其中gender字段的取值分布。并给出结果")
#%%
mm_response9 = one_chat_response(model='gpt-3.5-turbo-16k',
messages=mm9,
available_functions=af,
is_expert_mode=True)
12、Agent对话封装调用
# from memory.MessageManager import MessageManager
# from planning.Planning import *
class iQueryAgent():
def __init__(self,
api_key,
model='gpt-3.5-turbo-16k',
system_content_list=[],
project=None,
messages=None,
available_functions=None,
is_expert_mode=False,
is_developer_mode=False):
"""
初始参数解释:
api_key:必选参数,表示调用OpenAI模型所必须的字符串密钥,没有默认取值,需要用户提前设置才可使用MateGen;
model:可选参数,表示当前选择的Chat模型类型,默认为gpt-3.5-turbo-16k,具体当前OpenAI账户可以调用哪些模型,可以参考官网Limit链接:https://platform.openai.com/account/limits ;
system_content_list:可选参数,表示输入的系统消息或者外部文档,默认为空列表,表示不输入外部文档;
project:可选参数,表示当前对话所归属的项目名称,需要输入CloudFile类对象,用于表示当前对话的本地存储方法,默认为None,表示不进行本地保存;
messages:可选参数,表示当前对话所继承的Messages,需要是MessageManager对象、或者是字典所构成的list,默认为None,表示不继承Messages;
available_functions:可选参数,表示当前对话的外部工具,需要是AvailableFunction对象,默认为None,表示当前对话没有外部函数;
is_expert_mode:可选参数,表示当前对话是否开启专家模式,专家模式下会自动开启复杂任务拆解流程以及深度debug功能,会需要耗费更多的计算时间和金额,不过会换来Agent整体性能提升,默认为False;
is_developer_mode:可选参数,表示当前对话是否开启开发者模式,在开发者模式下,模型会先和用户确认文本或者代码是否正确,再选择是否进行保存或者执行,对于开发者来说借助开发者模式可以极大程度提升模型可用性,但并不推荐新人使用,默认为False;
"""
self.api_key = api_key
self.model = model
self.project = project
self.system_content_list = system_content_list
tokens_thr = None
# 计算tokens_thr
if '1106' in model:
tokens_thr = 110000
elif '16k' in model:
tokens_thr = 12000
elif 'gpt-4-0613' in model:
tokens_thr = 7000
elif 'gpt-4-turbo-preview' in model:
tokens_thr = 110000
else:
tokens_thr = 3000
self.tokens_thr = tokens_thr
# 创建self.messages属性
self.messages = MessageManager(system_content_list=system_content_list,
tokens_thr=tokens_thr)
# 若初始参数messages不为None,则将其加入self.messages中
if messages != None:
self.messages.messages_append(messages)
self.available_functions = available_functions
self.is_expert_mode = is_expert_mode
self.is_developer_mode = is_developer_mode
title="【===================欢迎使用iQuery Agent 智能数据分析平台================================】"
display(Markdown(title))
def chat(self, question=None):
"""
iQueryAgent类主方法,支持单次对话和多轮对话两种模式,当用户没有输入question时开启多轮对话,反之则开启单轮对话。\
无论开启单论对话或多轮对话,对话结果将会保存在self.messages中,便于下次调用
"""
head_str = "▌ Model set to %s" % self.model
display(Markdown(head_str))
if question != None:
self.messages.messages_append({"role": "user", "content": question})
self.messages = one_chat_response(model=self.model,
messages=self.messages,
available_functions=self.available_functions,
is_developer_mode=self.is_developer_mode,
is_expert_mode=self.is_expert_mode)
else:
while True:
self.messages = one_chat_response(model=self.model,
messages=self.messages,
available_functions=self.available_functions,
is_developer_mode=self.is_developer_mode,
is_expert_mode=self.is_expert_mode)
user_input = input("您还有其他问题吗?(输入退出以结束对话): ")
if user_input == "退出":
break
else:
self.messages.messages_append({"role": "user", "content": user_input})
def reset(self):
"""
重置当前iQuery Agent对象的messages
"""
self.messages = MessageManager(system_content_list=self.system_content_list)
def upload_messages(self):
"""
将当前messages上传至project项目中
"""
if self.project == None:
print("需要先输入project参数(需要是一个CloudFile对象),才可上传messages")
return None
else:
self.project.append_doc_content(content=self.messages.history_messages)
#iquery = iQueryAgent(api_key="",model="gpt-3.5-turbo-16k")
#iquery.chat('请帮我介绍下什么是机器学习?')
#iquery.chat("请问你上次回答的问题是什么?")
对话测试
iquery = iQueryAgent(api_key="",model="gpt-3.5-turbo-16k",
available_functions=af)
iquery.chat()
对话测试
iquery = iQueryAgent(api_key="gpt-3.5-turbo-16k",
system_content_list=[data_dictionary],
available_functions=af)
iquery.chat()
七、结语
截至目前,Agent智能数据分析平台的开发工作已接近尾声。从最初的开源调研,到架构设计分析,再到代码的具体落地实施,整个开发过程已经基本完成。接下来的任务是将已有的成果整合到平台的各个功能模块中,确保平台的完整性和稳定性。
🎯🔖更多专栏系列文章:AIGC-AI大模型探索之路
😎 作者介绍:我是寻道AI小兵,资深程序老猿,从业10年+、互联网系统架构师,目前专注于AIGC的探索。
📖 技术交流:建立有技术交流群,可以扫码👇 加入社群,500本各类编程书籍、AI教程、AI工具等你领取!
如果文章内容对您有所触动,别忘了点赞、⭐关注,收藏!加入我,让我们携手同行AI的探索之旅,一起开启智能时代的大门!