v3.2.2.3
新功能
通过YAML格式数据管理单次Agent请求模板
[Agent.load_yaml_prompt()]
我们提供了一种全新的YAML语法表达方式，来帮助您更好地管理单次Agent请求，除了方便开发人员将不同模块进行解耦外，我们也希望通过这种方式，将Agently提供的能力用一种标准化配置的方式进行跨语种表达，或是将这种表达方式提供给非开发人员使用。
如何使用
- YAML文件/YAML文本内容:
input: ${user_input}
use_public_tools:
- browse
set_tool_proxy: http://127.0.0.1:7890
instruct:
输出语言: 中文
output:
page_topic:
$type: str
$desc: ""
summary:
$type: str
$desc: ""
-
Python文件:
import Agently agent_factory = ( Agently.AgentFactory() .set_settings("model.Google.auth.api_key", "") .set_settings("current_model", "Google") ) agent = agent_factory.create_agent() print( agent .load_yaml_prompt( path="./yaml_prompt.yaml", # 你也可以用下面方式直接传递YAML格式的字符串 #yaml=yaml_str variables = { "user_input": "http://Agently.tech", } ) .start() ) -
运行结果:
{ "page_topic": "易用、灵活、高效的开源大模型应用开发框架", "summary": "Agently是一个开源的大模型应用开发框架，它可以让开发者轻松地使用大模型来构建应用程序。Agently的特点包括：\n\n* 语法简单易学，5分钟开始使用\n* 安装简单，使用pip install -U Agently即可\n* 使用灵活，可以通过几行代码指定大模型、鉴权信息等信息\n* 支持链式调用，像调用函数一样和Agent实例交互\n* 为工程开发者设计，应用开发灵活性高\n* 支持传递结构化数据灵活表达请求，管理Agent实例设定信息，提供自定义函数\n* 支持监听流式输出，使用Agently Workflow将复杂任务切分成块\n* 架构设计深度，解构了大模型驱动的Agent结构，维护了模型请求前后置信息流处理工作流等基础原子要件\n* 提供能力插件、工作流管理方案等增强开发者在应用层的表达丰富度" }
使用YAML格式数据管理你的工作流
[Agently Workflow: YAML Flow]
[🧪测试] 这个功能后续可能会调整用法或者语法
我们向您提供一种实验性的通过YAML格式数据管理工作流的方法，通过这种管理方法，您可以对工作流中的工作块定义，以及工作块间的连接关系进行更加方便直观的管理。这个功能将为您呈现我们的初步想法，我们还会持续完善这个能力，强化这种表达方法的表达能力。
同时，我们也在这项新能力中预置了开始(Start)，用户输入(UserInput)，打印结果(Print)这三个基本工作块，帮助您更快速的构建自己的工作流。通过阅读这三个工作块的定义方法，也能够对您创建自定义工作块提供思路参考。
基本用法
- YAML文件/YAML文本内容:
chunks:
start:
type: Start
user_input:
type: UserInput
placeholder: '[用户输入]: '
print:
type: Print
connections:
- start->user_input->print
- Python文件:
import Agently
workflow = Agently.Workflow()
# 你可以通过设置draw=True来输出工作流的Mermaid代码，而不是运行它
#print(workflow.start_yaml(path="./yaml_file.yaml", draw=True))
workflow.start_yaml(path="./yaml_file.yaml")
- 运行结果:
自定义你自己的工作块执行器
- YAML文件/YAML文本内容:
chunks:
start:
type: Start
user_input:
type: UserInput
placeholder: '[User Input]:'
# 我们在这里声明一个新的calculate工作块
calculate:
# 然后在这里添加一个calculate执行器来计算用户输入结果
# 在executor里指定执行器id为calc
executor: calc
print:
type: Print
connections:
# 然后把calculate工作块放入工作流中
- start->user_input->calculate->print
- Python file:
import Agently
# 使用函数装饰器`@workflow.executor_func(<executor_id>)`
# 来声明一个执行器id为calc的执行器函数
@workflow.executor_func("calc")
def calculate_executor(inputs, storage):
result = eval(inputs["input"])
return str(result)
workflow = Agently.Workflow()
#print(workflow.start_yaml(path="./yaml_file.yaml", draw=True))
workflow.start_yaml(path="./yaml_file.yaml")
- Result:
通过基础Prompt管理方法理解不同的Prompt生命周期
我们添加了一系列的Prompt管理方法，来帮助开发者直接管理设定给Agent实例或是单次请求的Prompt信息，设定对象不同，这些Prompt信息的生命周期也是有差别的。
当我们使用agent.set_agent_prompt()方法向Agent实例设定Prompt信息的时候，这些信息将被传递并存储到Agent实例的结构体内，并在这个Agent实例每次请求模型时，都携带这些信息，直到这个Agent实例被销毁或者回收。
- `agent.set_agent_prompt(<基础指令名>, <value>)`
- `agent.get_agent_prompt(<基础指令名>)`
- `agent.remove_agent_prompt(<基础指令名>)`
当我们使用agent.set_request_prompt()方法向Agent实例内部的单次请求实例设定Prompt信息的时候，这些信息将只会在下一次请求时传递给模型，当请求完成后，这些信息就会被清除掉，不再保留。
- `agent.set_request_prompt(<基础指令名>, <value>)`
- `agent.get_request_prompt(<基础指令名>)`
- `agent.remove_request_prompt(<基础指令名>)`
在我们之前提供的Agent指令中，通过Agent能力插件提供的方法，例如Role插件提供的.set_role()方法，就使用了类似.set_agent_prompt()的设定方法。因此，通过.set_role()方法设定的信息将在多次请求间保留。
而基础指令如.input()、.instruct()、.output()则使用了类似.set_request_prompt()的设定方法。因此，通过.input()这些方法设定的信息，在当次请求（以.start()命令为标志）结束后，这些信息就被清理了，下次请求时需要重新设定。
阅读框架开发教程 - 基础指令列表了解我们支持的基础指令
功能升级
[Agently Workflow]: 做了大量让复杂工作流更加稳定可靠的优化。查看详情[框架核心]: 重命名了基础Prompt槽位，让它们能和基础指令名保持一致。查看详情[Facility]: 使用Agently.lib作为Agently.facility的别名，方便使用。[工具: 网页浏览browse]: 移除了对newspaper3k包的依赖，并使用BeautifulSoup4包作为浏览工具替代 查看详情