Skip to content

Latest commit

 

History

History
260 lines (222 loc) · 14.1 KB

README_JA.md

File metadata and controls

260 lines (222 loc) · 14.1 KB
Raw

English ｜ 中文 | 日本語




📚 データセット | 📚 ベンチマーク | 🤗 モデル | 📑 論文

KwaiAgents は、Kuaishou Technology の KwaiKEG によってオープンソース化されたエージェント関連の作品シリーズです。オープンソース化されたコンテンツには以下が含まれます:

  1. KAgentSys-Lite: KAgentSys-Lite は、KAgentSys のライトバージョンである。KAgentSys-Lite は、元のシステムの機能の一部を保持していますが、フル機能の対応物と比較すると、以下のような特定の相違点と制限があります: (1)より限定されたツールセット、(2)メモリメカニズムの欠如、(3)若干低下したパフォーマンス能力、(4)BabyAGI や Auto-GPT のようなオープンソースプロジェクトから進化した異なるコードベース。これらの変更にもかかわらず、KAgentSys-Lite は、利用可能な数多くのオープンソースエージェントシステムの中で同等のパフォーマンスを提供します。
  2. KAgentLMs: この論文で提案されているメタエージェント・チューニングによって獲得された、プランニング、リフレクション、ツール使用などのエージェント能力を持つ一連の大規模言語モデル。
  3. KAgentInstruct: 論文で提案された200k以上のエージェント関連命令の微調整データ（部分的に人間が編集したもの）。
  4. KAgentBench: Agent の能力をテストするための、3,000を超える人間による自動化された評価データ。評価項目には、計画、ツールの使用、考察、結論、プロファイリングが含まれる。
タイプ モデル 訓練データ ベンチマークデータ
Qwen Qwen-7B-MAT
Qwen-14B-MAT
Qwen-7B-MAT-cpp
Qwen1.5-14B-MAT 		KAgentInstruct KAgentBench
Baichuan Baichuan2-13B-MAT



ニュース

  • 2024年4月19日 - Qwen1.5-14B-MATモデル [リンク] がリリースされました。
  • 2024年4月9日 - ベンチマーク結果が更新されました。
  • 2024.1.29 - Qwen-14B-MAT [リンク] をリリース.
  • 2023.1.5 - トレーニングデータ[リンク]をリリース。
  • 2023.12.27 - 🔥🔥🔥 KwaiAgents　は多くのサイトで報告されている。[机器之心] [Medium] [InfoQ] など。
  • 2023.12.13 - 公開されたベンチマークと評価コード[リンク]をリリース
  • 2023.12.08 - テクニカルレポート[リンク]をリリース
  • 2023.11.17 - 初回リリース

評価

  1. ベンチマーク結果
Scale Planning Tool-use Reflection Concluding Profile Overall Score
GPT-3.5-turbo - 18.55 26.26 8.06 37.26 35.42 25.63
Llama2 13B 0.15 0.44 0.14 16.60 17.73 5.30
ChatGLM3 6B 7.87 11.84 7.52 30.01 30.14 15.88
Qwen 7B 13.34 18.00 7.91 36.24 34.99 21.17
Baichuan2 13B 6.70 16.10 6.76 24.97 19.08 14.89
ToolLlama 7B 0.20 4.83 1.06 15.62 10.66 6.04
AgentLM 13B 0.17 0.15 0.05 16.30 15.22 4.88
Qwen-MAT 7B 31.64 43.30 33.34 44.85 44.78 39.85
Baichuan2-MAT 13B 37.27 52.97 37.00 48.01 41.83 45.34
Qwen-MAT 14B 43.17 63.78 32.14 45.47 45.22 49.94
Qwen1.5-MAT 14B 42.42 64.62 30.58 46.51 45.95 50.18
  1. 人間による評価。各結果セルには、合格率(％)と平均点(括弧内)を示す。
Scale NoAgent ReACT Auto-GPT KAgentSys
GPT-4 - 57.21% (3.42) 68.66% (3.88) 79.60% (4.27) 83.58% (4.47)
GPT-3.5-turbo - 47.26% (3.08) 54.23% (3.33) 61.74% (3.53) 64.18% (3.69)
Qwen 7B 52.74% (3.23) 51.74% (3.20) 50.25% (3.11) 54.23% (3.27)
Baichuan2 13B 54.23% (3.31) 55.72% (3.36) 57.21% (3.37) 58.71% (3.54)
Qwen-MAT 7B - 58.71% (3.53) 65.67% (3.77) 67.66% (3.87)
Baichuan2-MAT 13B - 61.19% (3.60) 66.67% (3.86) 74.13% (4.11)

ユーザーガイド

プリビルド環境

まずビルド環境として miniconda をインストールします。次にビルド環境を作成します:

conda create -n kagent python=3.10
conda activate kagent
pip install -r requirements.txt

AgentLMs の使用

vLLM によるサービング(GPU)

モデル推論サービスの導入には vLLM と FastChat の利用を推奨します。まず、対応するパッケージをインストールする必要があります（詳細な使用方法については、2つのプロジェクトのドキュメントを参照してください）:

  1. Qwen-7B-MAT の場合は、以下のコマンドで対応するパッケージをインストールしてください
pip install vllm
pip install "fschat[model_worker,webui]"
  1. Baichuan-13B-MAT については、以下のコマンドで対応するパッケージをインストールしてください
pip install "fschat[model_worker,webui]"
pip install vllm==0.2.0
pip install transformers==4.33.2

KAgentLM　をデプロイするには、まず1つのターミナルでコントローラを起動する必要があります。

python -m fastchat.serve.controller

次に、シングル GPU 推論サービスを展開するには、別の端末で次のコマンドを使用します:

python -m fastchat.serve.vllm_worker --model-path $model_path --trust-remote-code

ここで $model_path はダウンロードしたモデルのローカルパスである。GPU が Bfloat16 をサポートしていない場合は、コマンドラインに--dtype half を追加することができます。

第3に、3番目の端末で REST API サーバーを起動する。

python -m fastchat.serve.openai_api_server --host localhost --port 8888

最後に、OpenAI の呼び出し形式と同じように、curl コマンドを使ってモデルを呼び出すことができます。以下に例を示します:

curl http://localhost:8888/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model": "kagentlms_qwen_7b_mat", "messages": [{"role": "user", "content": "Who is Andy Lau"}]}'

ここで、kagentlms_qwen_7b_mat をデプロイしたモデルに変更する。

Lamma.cppによるサービング (CPU)

llama-cpp-python は、OpenAI API のドロップイン置き換えとして機能することを目的としたウェブサーバーを提供します。これにより、llama.cpp 互換のモデルを OpenAI 互換のクライアント（言語ライブラリやサービスなど）で使うことができます。変換されたモデルは kwaikeg/kagentlms_qwen_7b_mat_gguf にあります。

サーバーパッケージをインストールして開始するには:

pip install "llama-cpp-python[server]"
python3 -m llama_cpp.server --model kagentlms_qwen_7b_mat_gguf/ggml-model-q4_0.gguf --chat_format chatml --port 8888

最後に、OpenAI の呼び出し形式と同じように、curl コマンドを使ってモデルを呼び出すことができます。以下に例を示します:

curl http://localhost:8888/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages": [{"role": "user", "content": "Who is Andy Lau"}]}'

KAgentSys-Lite の使用

KwaiAgents をダウンロードしてインストールします。Python 3.10 以上を推奨します。

git clone git@github.com:KwaiKEG/KwaiAgents.git
cd KwaiAgents
python setup.py develop
  1. ChatGPT の使用 環境変数を宣言する
export OPENAI_API_KEY=sk-xxxxx
export WEATHER_API_KEY=xxxxxx

WEATHER_API_KEY は必須ではないが、気象関連の質問をする際には設定する必要がある。API キーはこのサイトから取得できます（ローカルモデル利用時も同じ）。

kagentsys --query="Who is Andy Lau's wife?" --llm_name="gpt-3.5-turbo" --lang="en"
  1. ローカルモデルの使用

ローカルモデルを使うためには、前の章で説明したように、対応するモデルサービスをデプロイする必要があります

kagentsys --query="Who is Andy Lau's wife?" --llm_name="kagentlms_qwen_7b_mat" \
--use_local_llm --local_llm_host="localhost" --local_llm_port=8888 --lang="en"

全コマンド引数:

options:
  -h, --help            このヘルプメッセージを表示して終了する
  --id ID               この会話の ID
  --query QUERY         ユーザーのクエリ
  --history HISTORY     会話の履歴
  --llm_name LLM_NAME   llm の名前
  --use_local_llm       ローカル llm を使うかどうか
  --local_llm_host LOCAL_LLM_HOST
                        ローカル llm サービスのホスト
  --local_llm_port LOCAL_LLM_PORT
                        ローカル llm サービスのポート
  --tool_names TOOL_NAMES
                        llm の名前
  --max_iter_num MAX_ITER_NUM
                        エージェントの繰り返し数
  --agent_name AGENT_NAME
                        エージェント名
  --agent_bio AGENT_BIO
                        エージェントの経歴、簡単な説明
  --agent_instructions AGENT_INSTRUCTIONS
                        エージェントの思考、行動、会話方法の指示
  --external_knowledge EXTERNAL_KNOWLEDGE
                        外部のナレッジのリンク
  --lang {en,zh}        システム全体の言語
  --max_tokens_num      モデル入力の最大長

注:

  1. browse_website ツールを使用する必要がある場合は、サーバーで chromedriver を設定する必要があります。
  2. 検索に何度も失敗する場合は、ネットワークが duckduckgo_search にアクセスできないためかもしれません。http_proxy を設定することで解決できます。

カスタムツールの使用

カスタムツールの使用方法はexamples/custom_tool_example.pyで見つけることができます"

KAgentBench 評価の使用

エージェントの能力を評価するために必要なのは、以下の2行だけです:

cd benchmark
python infer_qwen.py qwen_benchmark_res.jsonl
python benchmark_eval.py ./benchmark_eval.jsonl ./qwen_benchmark_res.jsonl

上記のコマンドを実行すると、次のような結果が得られます

plan : 31.64, tooluse : 43.30, reflextion : 33.34, conclusion : 44.85, profile : 44.78, overall : 39.85

詳しくはベンチマークをご覧ください。

引用

@article{pan2023kwaiagents,
  author    = {Haojie Pan and
               Zepeng Zhai and
               Hao Yuan and
               Yaojia Lv and
               Ruiji Fu and
               Ming Liu and
               Zhongyuan Wang and
               Bing Qin
               },
  title     = {KwaiAgents: Generalized Information-seeking Agent System with Large Language Models},
  journal   = {CoRR},
  volume    = {abs/2312.04889},
  year      = {2023}
}