KwaiAgents: 快手Agent系列

作者

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：

友情链接：ACEJoy

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-MATKAgentInstruct (即将发布)KAgentBench
Baichuan2-13B-MATKAgentInstruct (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：

  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
  1. 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)
  1. 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,

发表评论