您现在的位置是：首页 > 文章详情

基于 Java 的 LLM 应用开发及编排框架，Agents-Flex beta.8 发布

日期：2024-07-15点击：173收藏

Agents-Flex：一个基于 Java 的 LLM（大语言模型）应用开发及编排框架。

基本能力

LLM 的访问能力
Prompt、Prompt Template 定义加载的能力
Function Calling 定义、调用和执行等能力
记忆的能力（Memory）
Embedding
Vector Store
文档处理
- 加载器（Loader）
  - Http
  - FileSystem
- 分割器（Splitter）
- 解析器（Parser）
  - PoiParser
  - PdfBoxParser
Agent
- LLM Agent
- IOAgent
Chain 执行链
- SequentialChain 顺序执行链
- ParallelChain 并发（并行）执行链
- LoopChain 循环执行连
- ChainNode
  - AgentNode Agent 执行节点
  - EndNode 终点节点
  - RouterNode 路由节点
    - GroovyRouterNode Groovy 规则路由
    - QLExpressRouterNode QLExpress 规则路由
    - LLMRouterNode LLM 路由（由 AI 自行判断路由规则）

Agents-Flex beta.8 更新细节：

新增：为 ChainNode 添加 "async" 属性标识的设置
新增：添加基于 Ollama 大语言模型的对接，非 openai 适配模式
新增：新增 DnjsonClient 用于和 Ollama 的 stream 模型对接
优化：重构 ChainCondition
优化：chat 时当大语言模型发生错误时抛出异常，之前返回 null
优化：重构 DocumentParser
优化：Parameter 支持子参数的配置能力
修复：Milvus 向量数据库当传入 number 类型是出错的问题
测试：添加对 LoopChain 的测试
测试：添加文使用 openai 兼容 api 对 Ollama 对接的测试

简单对话

使用 OpenAi 大语言模型:

  @Test public void testChat() {  OpenAiLlmConfig config = new OpenAiLlmConfig();  config.setApiKey("sk-rts5NF6n*******");  Llm llm = new OpenAiLlm(config);  String response = llm.chat("请问你叫什么名字");  System.out.println(response); }

使用 “通义千问” 大语言模型:

 @Test public void testChat() {  QwenLlmConfig config = new QwenLlmConfig();  config.setApiKey("sk-28a6be3236****");  config.setModel("qwen-turbo");  Llm llm = new QwenLlm(config);  String response = llm.chat("请问你叫什么名字");  System.out.println(response); }

使用 “讯飞星火” 大语言模型:

 @Test public void testChat() {  SparkLlmConfig config = new SparkLlmConfig();  config.setAppId("****");  config.setApiKey("****");  config.setApiSecret("****");  Llm llm = new SparkLlm(config);  String response = llm.chat("请问你叫什么名字");  System.out.println(response); }

历史对话示例

 public static void main(String[] args) {  SparkLlmConfig config = new SparkLlmConfig();  config.setAppId("****");  config.setApiKey("****");  config.setApiSecret("****");  Llm llm = new SparkLlm(config);  HistoriesPrompt prompt = new HistoriesPrompt();  System.out.println("您想问什么？");  Scanner scanner = new Scanner(System.in);  String userInput = scanner.nextLine();  while (userInput != null) {  prompt.addMessage(new HumanMessage(userInput));  llm.chatStream(prompt, (context, response) -> {  System.out.println(">>>> " + response.getMessage().getContent());  });  userInput = scanner.nextLine();  } }

Function Calling

第一步：通过注解定义本地方法

 public class WeatherUtil {  @FunctionDef(name = "get_the_weather_info", description = "get the weather info")  public static String getWeatherInfo(  @FunctionParam(name = "city", description = "the city name") String name  ) {  //在这里，我们应该通过第三方接口调用 api 信息  return name + "的天气是阴转多云。 ";  } }

第二步：通过 Prompt、Functions 传入给大模型，然后得到结果

  public static void main(String[] args) {  OpenAiLlmConfig config = new OpenAiLlmConfig();  config.setApiKey("sk-rts5NF6n*******");  OpenAiLlm llm = new OpenAiLlm(config);  FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class);  FunctionResultResponse response = llm.chat(prompt);  Object result = response.invoke();  System.out.println(result);  //"北京的天气是阴转多云。 " }