KwaiAgents是快手快知团队开源的一整套Agent系列工作。这个开源项目包括以下内容:
动态
KwaiAgents是由快手快知团队开源的一整套Agent系列工作。这个开源项目包括以下内容:
- KAgentSys-Lite:这是论文中KAgentSys的轻量版系统,保留了一部分原系统的功能。相比功能齐全的系统,KAgentSys-Lite有一些差异:(1)缺少部分工具;(2)缺乏记忆机制;(3)性能略有降低;(4)使用不同的代码库,Lite版本基于开源项目如BabyAGI和Auto-GPT。尽管有这些变更,KAgentSys-Lite在众多开源Agent系统中仍然具有较好的性能。
- KAgentLMs:这是经过论文中提出的Meta-agent tuning之后的系列大模型,具备了规划、反思、工具使用等能力。
- KAgentInstruct:这是一个包含超过20万条经过人工编辑的Agent相关指令微调数据集。
- KAgentBench:这是一个包含超过3000条经过人工编辑的自动化评测Agent能力数据集,评测维度包括规划、工具使用、反思、总结、人设指令等。
评测表现
KwaiAgents提供了一系列模型和数据集来评测Agent的能力。以下是一些关键的模型和数据集:
模型 | 训练数据 | Benchmark |
---|---|---|
Qwen-7B-MAT | KAgentInstruct (即将发布) | KAgentBench |
Baichuan2-13B-MAT | KAgentInstruct (即将发布) | KAgentBench |
使用指南
如果你想使用KwaiAgents,以下是一些快速入门指南:
AgentLMs 系列模型使用
AgentLMs系列模型是具备规划、反思和工具使用等能力的大模型。你可以按照以下步骤使用这些模型:
- 安装依赖:在项目根目录下执行以下命令安装所需的依赖:
pip install -r requirements.txt
- 加载模型:使用Hugging Face Transformers库加载所需的模型,例如:
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "kwaikeg/kagentlms_qwen_7b_mat"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
- 生成文本:使用加载的模型生成文本,例如:
input_text = "今天天气不错,"
input_ids = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(input_ids, max_length=50,# 📚 KwaiAgents: 快手Agent系列工作
<p align="center">
<a href="/KwaiKEG/KwaiAgents/blob/main/blob/logo.png"><img src="/KwaiKEG/KwaiAgents/raw/main/blob/logo.png" width="400" style="max-width: 100%;"></a>
</p>
<p align="left">
<a href="/KwaiKEG/KwaiAgents/blob/main/README.md">English</a> | 中文
</p>
KwaiAgents是快手快知团队开源的一整套Agent系列工作。这个开源项目包括以下内容:
### 动态
KwaiAgents是由快手快知团队开源的一整套Agent系列工作。这个开源项目包括以下内容:
- **KAgentSys-Lite**:这是论文中KAgentSys的轻量版系统,保留了一部分原系统的功能。相比功能齐全的系统,KAgentSys-Lite有一些差异:(1)缺少部分工具;(2)缺乏记忆机制;(3)性能略有降低;(4)使用不同的代码库,Lite版本基于开源项目如BabyAGI和Auto-GPT。尽管有这些变更,KAgentSys-Lite在众多开源Agent系统中仍然具有较好的性能。
- **KAgentLMs**:这是经过论文中提出的Meta-agent tuning之后的系列大模型,具备了规划、反思、工具使用等能力。
- **KAgentInstruct**:这是一个包含超过20万条经过人工编辑的Agent相关指令微调数据集。
- **KAgentBench**:这是一个包含超过3000条经过人工编辑的自动化评测Agent能力数据集,评测维度包括规划、工具使用、反思、总结、人设指令等。
### 评测表现
KwaiAgents提供了一系列模型和数据集来评测Agent的能力。以下是一些关键的模型和数据集:
| 模型 | 训练数据 | Benchmark |
|-------------------------------|--------------------------------------------|-----------------------------------------------|
| [Qwen-7B-MAT](https://huggingface.co/kwaikeg/kagentlms_qwen_7b_mat) | [KAgentInstruct](https://huggingface.co/datasets/kwaikeg/KAgentInstruct) (即将发布) | [KAgentBench](https://huggingface.co/datasets/kwaikeg/KAgentBench) |
| [Baichuan2-13B-MAT](https://huggingface.co/kwaikeg/kagentlms_baichuan2_13b_mat) | [KAgentInstruct](https://huggingface.co/datasets/kwaikeg/KAgentInstruct) (即将发布) | [KAgentBench](https://huggingface.co/datasets/kwaikeg/KAgentBench) |
### 使用指南
如果你想使用KwaiAgents,以下是一些快速入门指南:
#### AgentLMs 系列模型使用
AgentLMs系列模型是具备规划、反思和工具使用等能力的大模型。你可以按照以下步骤使用这些模型:
1. 安装依赖:在项目根目录下执行以下命令安装所需的依赖:
pip install -r requirements.txt
2. 加载模型:使用Hugging Face Transformers库加载所需的模型,例如:
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "kwaikeg/kagentlms_qwen_7b_mat"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)
3. 生成文本:使用加载的模型生成文本,例如:
input_text = "今天天气不错,"
input_ids = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(input_ids, max_length=50,