⭐️ 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：

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

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

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）