微软发布GPT-4V手册！
智普推出国内首款多模态射击CogVLM-17B！
LLM多轮对话忘记特效药Streaming-llm！
还没来得及写很多东西，新产品又来了！每一次迭代都是某个领域的飞跃，而且都是滚滚而来！他们都在磨刀霍霍！未来，代理大概率是一个人。管理部门多个AI Agent同时工作，人力得到解放！
想象一下，你盘着腿，偌大的办公室里只有你一个人，喊一声：“制定月度计划”，他就会自动分析上个月的数据，整合现有资源，制定本月的计划，利用空间和资金！给你汇报完后，你只需要说“好”，他就会自动发送给老板！
但你为什么翘着二郎腿呢？快点卷起来吧！加入学习队列吧！
可以实现什么功能！了解它的可扩展性，并将其作为自己产品的参考；
底层技术原理是什么？分析论文+OpenAI技术文档；
运行一个例子！跑步时谈论细节；
如今，熊哥继续剥削他的新同事小胖，这基本上就是知识星球之王使用的技术！
他交付了3份Autogen领域专家Agent的代码，免费沟通+自动API连接解决问题！熊哥考完后，我又看完了2篇官方论文，失眠了！
今天，雄哥跑的代码+2份官方技术文档将同步上传到知识星球！
第1部分：实现了哪些功能？
事实上，AutoGen是一个支持多个代理开发LLM应用程序的开发框架，这些代理可以通过相互交谈来完成任务。
清华大学此前做过一个ChatDev项目，利用AI Agent开设了一个虚拟软件公司，包括高管、技术官、程序员、测试人员等，这些Agent组成了多Agent的组织结构，其使命是“通过人工智能改变数字世界”。编程。” ChatDev 中的代理通过参加专业的功能研讨会进行协作，包括设计、编码、测试和文档等任务。后来很多开发者基于这个项目做了很多扩展。阅读全文后，您可以在这里阅读：
https://github.com/OpenBMB/ChatDev/blob/main/Contribution.md
AutoGen 代理是可定制的和对话式的，人类可以无缝参与，给予干预或新目标。除了人类参与之外，LLM充当大脑，自主匹配和调用合适的工具来完成目标！
第二部分：底层技术原理和逻辑？
说到底层技术，就不得不说一下FLAML项目。 AutoGen实际上是它的衍生项目。
简介：FLAML 是一个轻量级Python 库，用于高效自动化机器学习和AI 操作。它基于大型语言模型和机器学习模型等自动化工作流程，并优化其性能。这是官方地址。稍后阅读全文后，可以扩展一下：
https://microsoft.github.io/FLAML/
如果AutoGen 是一辆汽车，那么FLAML 就是推动它前进的潜在动力。这里熊哥直接上传一段代码。我们连接ChatGLM2-6B实现LLM自动传输：
from flaml import oai# 创建文本补全请求response=oai.Completion.create( config_list=[ { 'model': 'chatglm2-6b', 'api_base': 'http://localhost:8000/v1', 'api_type': 'open_ai', ' api_key': 'NULL', # 只是占位符} ], Prompt='Hi',)print(response)# 创建聊天完成请求response=oai.ChatCompletion.create( config_list=[ { 'model': 'chatglm2-6b ', 'api_base': 'http://localhost:8000/v1', 'api_type': 'open_ai', 'api_key': 'NULL', } ], messages=[{'角色': '用户', '内容': '嗨' }]）打印（响应）
微软正在计划一场大型游戏。他们希望实现LLMOps（大型语言模型操作）的顶级解决方案！
这次Autogen，我们也在尝试将其接入开源的本地LLM+搜索功能。调试完成后，可以尽快上线星球！
第3 部分：运行示例并讨论细节
运行环境：colab或jupyter-notebook
支持LLM：OpenAI，推荐GPT4（3.5也可以）
环境：python3.8以上
总共5个文件，前3个是示例代码！另外两张是纸质的！
首先，你必须去星球获取这个代码！超值内容，只对会员开放！
大家都在打卡！添加星球之前需要先添加雄哥微信才能通过，否则星球会自动退费，所以现在先添加雄哥微信吧！还会有一些折扣哦！
非会员公众号回复：“Microsoft AG”。关注熊哥的colab码！边跑边聊！
首先，我们需要先安装pyautogen工具包！
!pip install pyautogen~=0.1.0
加载它
从google.colab 导入drivedrive.mount('/content/drive')
然后，配置OpenAI KEY。当熊跑到这里的时候，他会发现代币不够了。如果你这样填写LLM模型，他就会自动切换！优先使用GPT4！
导入autogenconfig_list=autogen.config_list_from_json( 'OAI_CONFIG_LIST', filter_dict={ 'model': { 'gpt-4', 'gpt4', 'gpt-4-32k', 'gpt-4-32k-0314', 'gpt- 4-32k-v0314'、'gpt-3.5-turbo'、'gpt-3.5-turbo-16k'、'gpt-3.5-turbo-0301'、'chatgpt-35-turbo-0301'、'gpt-35- Turbo-v0301', 'gpt', } })
然后，我们定义要创建的代理角色设置！
这里的提示语非常重要！如果任务被明确表述并理解，您的特工将能够更好地完成任务。稍后进入星球，跟随熊哥学习提示词项目！
在此代码中，我们设置“assistant”和“mathproxyagent”；
'assistant' ：代理配置为辅助助理，可以使用'gpt-4' 语言模型，并具有系统消息。 'mathproxyagent' ：代理被配置为自动化代理，其主要角色可能与数学相关，不需要人工输入，并且可能不使用Docker 来执行代码。
with open('/content/drive/MyDrive/Key.txt','r') as f: key=f.read()config_list=[ { 'model': 'gpt-4', 'api_key': key, } ]from autogen.agentchat.contrib.math_user_proxy_agent import MathUserProxyAgentautogen.ChatCompletion.start_logging()# 1. 创建一个名为'assistant' 的AssistantAgent 实例assistant=autogen.AssistantAgent( name='assistant', system_message='你是一个有用的助手。' , llm_config={ 'request_timeout': 600, 'seed': 42, 'config_list': config_list, })# 2. 创建名为'mathproxyagent' 的MathUserProxyAgent 实例# 默认human_input_mode 为'NEVER'，即代理不会要求人工输入。 mathproxyagent=MathUserProxyAgent( name='mathproxyagent', human_input_mode='NEVER', code_execution_config={'use_docker': False},)
然后我们就开始主题跑了！
代码是这样的：
# 给定一个数学问题，我们使用mathproxyagent 生成一条提示，作为初始消息发送给助手。# 助手接收消息并生成响应。响应将被发送回mathproxyagent 进行处理。# 会话将继续，直到满足终止条件，在MathChat 中，终止条件是检测到响应中的'\boxed{}'。math_problem='Find all $x $ 满足不等式$(2x+10)(x+ 3)(3x+9)(x+8)$。用区间表示法表达你的答案。'mathproxyagent.initiate_chat(assistant, Problem=math_problem)
代码运行后，我们看到“mathproxyagent”是第一个说话的！他把这个问题抛给‘助理’，要求用Python来解决，然后提到了一些要求：
要求包括：
输出应该使用“打印”功能并使用分数/根式而不是小数来完成。
您可以使用sympy 等软件包来帮助解决问题。
编写代码时必须遵循特定的格式。
有必要先说明一下解决问题的主要思路。
解决问题的方法有以下三种：
逐步解决问题（不要过度分解步骤）。
摆脱任何可以通过Python 提出的查询（例如，任何可以计算的计算或方程）。
等待答案。
如果结果正确，则继续。如果结果无效或不符合预期，则需要修改查询或推理。
情况一：如果问题可以直接用Python代码解决，那就写一个程序来解决。
情况2：如果题目主要是推理题，可以直接解答。
情况三：如果以上两种方式都无法解决问题，那么您需要按照以下步骤操作：
然后助手将整个计算过程返回给mathproxyagent:
包括如何计算，调用了哪些模块进行处理，以及最终的验证结果：
mathproxyagent（对助理）:让我们使用Python来解决数学问题。查询要求：您应该始终使用“打印”函数进行输出，并使用分数/根式形式而不是小数。您可以使用像sympy这样的包来帮助您。您必须遵循按照下面的格式来编写你的代码：````python#你的代码````首先陈述解决问题的关键思想。您可以选择三种方式来解决问题：案例1: 如果问题可以直接用Python代码解决，请编写一个程序来解决。如果需要，可以枚举出所有可能的安排。 案例2: 如果问题主要是推理，可以直接自己解决。 案例3: 如果以上两种方式都无法解决问题，请按照此流程：1。逐步解决问题（不要过度划分步骤）。 2. 取出任何可以通过Python提出的查询（例如，任何可以计算的计算或方程）。 3.等我给出结果。4.如果您认为结果正确，请继续。如果结果无效或意外，请更正您的查询或推理。运行所有查询并得到答案后，将答案放入\boxed{} 中。Problem:找到所有满足不等式$(2x+10 )(x+3)(3x+9)(x+8)$。用区间表示法表达你的答案。 ------------------------------------------------------------------ ----------------- -------------------- 助理（对mathproxyagent）:关键想法：我们可以通过找到来解决问题方程$(2x+10)(x+3)=(3x+9)(x+8)$ 的根，然后确定这些根创建的区间的符号以求解不等式。 ### 步骤：1。我们首先求解$x$ 的方程$(2x+10)(x+3)=(3x+9)(x+8)$。 ```pythonfrom sympy importsymbols,solvex=symbols('x')eq=(2*x+10)*(x+3)-(3*x+9)*(x+8)roots=solve(eq , x)print('根： ', 根)````2.我们取出这些根，对它们进行分类。然后，我们检查由这些根分隔的相邻间隔的中点的不等式符号。```python# 对根进行排序并添加负数和正数infinityintervals=sorted(roots) + [float('inf')]#计算相邻间隔的中点midpoints=[ (intervals[i]+intervals[i+1])/2 for i in range(len(intervals)-1)]# 测试每个中点的不等式results=[]for m in midpoints: if (2*m+10) *(m+3) (3*m+9)*(m+8): results.append((m, 'True')) else: results.append((m, 'False) '))# 解将是结果为True 的位置# 相应地合并间隔solution_intervals=[]for i in range(len(results)): if results[i][1]=='True': Solution_intervals.append( (intervals[i],Intervals[i+1]))print('Solution Intervals:',solution_intervals)```答案将是不等式为`True`的线段。最后，用根和线段代替进入$\boxed{ }$ 的空格中寻找答案。------------------------------------ ------------------------ ------------------------------------mathproxyagent (给助手）:根： [-14, -3] 求解间隔： []------------------------------------------------ - - - - - - - - - - - - - - - - - - - - - - - - - 助手（对mathproxyagent）:这里我们有根$x=-14$ 和$x=-3$。并且不存在不等式为“True”的区间。因此不等式的解集为空。最终答案是一个空的set: $\boxed{\emptyset}$。
熊哥的colab拓展了4道数学题。如果您有兴趣，一定要看看！
看着他们解决问题的过程，我真是越来越兴奋了！
而且整个流程基于微软的开发框架，极其简单。定义角色，输入问题，然后按Enter！
后来熊哥打开他的技术文档才发现！
AutoGen 始终强调将复杂的LLM 申请工作流程简化并统一为多代理对话。因此，AutoGen 采用了以这些代理之间的对话为中心的编程范式。
我们将这种范式称为会话式编程，它通过两个主要步骤简化了复杂应用程序的开发：
(1) 定义一组具有特定能力和角色的会话代理；
(2)通过以对话为中心的计算和控制来对智能体之间的交互行为进行编程。这两个步骤都可以通过融合自然语言和编程语言来构建具有各种对话模式和代理行为的应用程序来实现。 AutoGen 提供了即用型实现，并允许轻松扩展和试验这两个步骤。
这里熊哥贴出一张思维导图，文档里也有，帮助大家整理思路：
用户评论
哎吆我的妈呀，这也太可怕了吧！我曾经试过用 Agent 跑模型来做一些实验工作，感觉效率确实提高了不少，不过你说的“彻底失眠”是真的让人担心！这种情况下肯定要保持良好的睡眠习惯啊，不然影响身体健康可不是闹开玩笑的。你的博客文章分享很有价值，特别是官方论文，期待有机会深入了解一下。
有9位网友表示赞同！
听起来相当刺激！我也很感兴趣Agent模型在团队合作方面的应用潜力。不过“emo”后的感受我能理解，毕竟高强度工作确实会让人感到疲惫和压力。希望你能够找到平衡点！也分享一下你所使用的具体数据集和训练策略，让我们对该模型的运作机制有一个更清晰认识。
有15位网友表示赞同！
看完标题我真是忍不住点进来了解一下！这AI技术发展速度真太快了，居然可以把Agent拉到群里干活。想象一下，如果每个人拥有一台智能助手，岂不是效率能大幅提升？不过你说的“彻底失眠”，也警示着我们需要适度使用这些技术避免过度依赖和压力，希望看到更多关于人类与AI和谐共处的探讨。
有11位网友表示赞同！
我是一个对新技术的爱好者，看了你的博客文很兴奋！Agent模型在团队合作中的应用潜力非常大，希望能看到更多研究成果。不过“彻底失眠”确实让人担心，使用AI技术要注意自身健康问题，不要过度劳累。希望你能分享具体的实例和案例，让我能够更好地理解你的所思所想。
有6位网友表示赞同！
这个标题真是太引人注目了！Agent在群里干活？这个创意确实很新颖！我也对模型训练的复杂性比较感兴趣，所以很想看看你提到的官方论文，希望能学习到更多有关模型搭建和调试的知识点。你的博客分享很有潜力引发讨论和交流。
有15位网友表示赞同！
感觉这个技术真的太酷了！agent拉进群里干活，效率肯定提升很多。不过你的经历让我意识到，科技的发展需要谨慎对待。过度依赖AI可能会导致一些负面影响，比如工作压力增加、人际交往减少等问题。希望大家能够理性看待新技术带来的机遇和挑战。
有12位网友表示赞同！
“彻底失眠！”这词语太形象了！感觉你沉浸在模型训练的世界里，已经无法自拔。不过作为一个AI爱好者，我也会对新技术充满热情，但也要注意平衡工作与生活，避免过度投入从而影响健康。你的博客分享让我了解到agent模型训练的真实难度，同时也提醒我们要重视心理健康。
有11位网友表示赞同！
这个“把Agent拉到一个群干活！”的感觉真的很搞头！我也想尝试一下利用AI助手提高我的工作效率，不过担心会像你一样，“跑完实例后emo了”。希望你能分享一些关于如何避免过度依赖AI的经验，例如如何保持独立思考的能力和人际交往能力
有13位网友表示赞同！
我虽然不是专业人士，但看你的博客文章感觉很吸引人！Agent模型在团队协作中的作用确实令人期待，你所描述的“彻底失眠”的情况也让人理解到研究开发这些技术的难度和挑战。希望你的项目能取得圆满成功，为科技进步贡献力量！
有10位网友表示赞同！
这个标题太有意思了！把我吸引进来一看，原来是关于Agent模型训练的经历，感觉你的故事很有感染力！我也对AI技术非常感兴趣，特别是它在未来发展趋势方面的潜力。期待看到更多你分享的研究成果和探讨。希望你能保持乐观的心态，即使遇到困难也继续发光发热
有12位网友表示赞同！
我是一个研究机器学习技术的研究生，对你关于Agent模型的博客文章很感兴趣。特别想了解你在训练过程中遇到了哪些挑战，以及你如何克服这些困难。你的“彻底失眠”经历让我 empathize！研究型工作确实需要付出很多努力和时间，希望你能得到更多支持和帮助。
有14位网友表示赞同！
标题虽然看似夸张，但读完你的博客文章，我发现你对Agent模型的训练确实投入了大量精力和心血。这种“彻底失眠”的状态表明了你对这个项目的重视程度，以及你所追求的技术境界。你分享的官方论文也吸引了我，期待尽快深入学习和研究。
有15位网友表示赞同！
你们也太疯狂了吧！把Agent拉到群里干活？这听起来简直像科幻电影里的情节。不过想想这种效率确实令人羡慕！也希望我们未来也能在工作中充分利用AI技术的优势。你的博客文章让我对Agent模型有了初步了解，期待看到更多更深入的分析和探讨。
有14位网友表示赞同！
我是一个程序员，对于人工智能领域非常好奇。看了你的博客文，感觉AGENT model 在团队协作里的应用很有潜力。但是“彻底失眠”真的让人担心，过度依赖AI技术可能会降低我们的思考能力和创新意识。我希望能够看到更多关于如何平衡人类与AI关系的研究成果。
有17位网友表示赞同！
太酷了！居然可以使用 Agent 作为团队成员，想想就觉得效率爆棚！不过你说的 “跑完实例后emo了” 也让我警醒，盲目追求效率可能会失去一些重要的东西。希望你能找到工作和生活之间的平衡点，保持身心健康。我也很期待看到你分享的官方论文，了解更多关于 AGENT model 的信息。
有19位网友表示赞同！
这个标题真是太霸气！把 Agent 拉进群里干活也太酷了吧! 感觉AI技术的发展速度真的太快了！ 希望你能分享一些关于训练 AGENT 模型的细节，比如数据集、模型架构等等。也期待看到你后续的博客文章，了解这款技术的应用和发展潜力。
有16位网友表示赞同！