开源的Agent编排框架，旨在自动化和优化AI开发流程。

开源的Agent编排框架，旨在自动化和优化AI开发流程。 利用OpenAI Assistants API的强大功能，可以创建具有不同角色和功能的协作agent(Agencies)。该框架旨在以一种更动态、灵活和高效的基于Agent的系统取代传统的AI开发方法。 | #框架

sheetjs：强大的电子 #表格 数据处理 #工具 包

sheetjs：强大的电子 #表格 数据处理 #工具 包 社区版提供了久经考验的开源解决方案，用于从几乎任何复杂的电子表格中提取有用的数据，并生成适用于传统和现代软件的新电子表格。 提供超越数据处理的解决方案：轻松编辑复杂模板；用造型释放你内心的毕加索；使用图像/图表/数据透视表制作自定义工作表；评估公式表达式和端口计算到 Web 应用程序；自动化常见的电子表格任务等

SSLRec是一个基于 PyTorch 的深度学习框架，用于通过自我监督学习技术增强的推荐系统。包含常用的数据集、用于数据处理、

SSLRec是一个基于 PyTorch 的深度学习框架，用于通过自我监督学习技术增强的推荐系统。包含常用的数据集、用于数据处理、训练、测试、评估和最先进的研究模型的代码脚本。 SSLRec提供了大量实用函数和易于使用的界面，简化了推荐模型的开发和评估。 突出特点 灵活的模块化架构。SSLRec 库采用模块化架构，可以轻松定制和组合模块。这使用户能够创建适合其特定需求和要求的个性化推荐模型。 多样化的推荐场景。SSLRec 库是一个多功能工具，适合有兴趣在不同推荐系统研究领域构建有效推荐模型的研究人员和从业者。 综合最先进的模型。我们的 SSLRec 框架为各种场景提供了广泛的 SSL 增强推荐模型。研究人员可以使用先进技术评估这些模型，并将其作为推动推荐系统领域创新的基础。 统一数据馈送和标准评估协议。SSLRec框架具有统一的数据馈送器和标准评估协议，可以轻松加载和预处理来自各种来源和格式的数据，同时确保对推荐模型的客观和公平评估。 丰富的实用功能。SSLRec 库提供了大量实用函数，可以简化推荐模型的开发和评估。这些功能结合了推荐系统的常见功能以及图操作、网络架构和损失函数的自监督学习。 易于使用的界面。我们提供了一个用户友好的界面，可以简化推荐模型的训练和评估。这使得研究人员和从业者能够轻松高效地试验各种模型和配置。 | #框架

与语言无关的开源框架，用于将生成式agent添加到视频游戏、可视化小说和其他形式的交互式媒体

与语言无关的开源框架，用于将生成式agent添加到视频游戏、可视化小说和其他形式的交互式媒体 该框架有两个目标 使用易于使用的无代码仪表板，抽象出提示设计详细代理和精心设计故事情节的复杂性 除了聊天之外，还支持各种开箱即用的用户代理交互 - 代理操作、情绪查询、玩家护栏等 - 并在一个简单的小型 API 中公开它 | #框架

OpenAI ChatGPT Code Interpreter入门 | Code Interpreter允许GPT-4这种最先进

OpenAI ChatGPT Code Interpreter入门 | Code Interpreter允许GPT-4这种最先进的AI模型上传和下载信息，并为你编写和执行程序，对于那些不会编程的人可能最有用。 它为AI提供了一个通用的工具箱来解决问题（通过使用Python编写代码），一个大容量的内存来处理数据（可以上传100MB的文件，包括压缩文件），并将这个工具箱与AI相结合，发挥出大型语言模型的优势。这有助于解决ChatGPT之前存在的一些问题，例如在数学和语言方面的不准确性。 同时，Code Interpreter还降低了幻觉和虚构率，使AI更加多才多艺，并提供了更多令人惊叹的人工智能时刻。

是一个正在开发的轻量级AI Agent，它也可以作为一个简单的开发框架，用于快速构建和试验各种AI Agent想法。特点如下：

是一个正在开发的轻量级AI Agent，它也可以作为一个简单的开发框架，用于快速构建和试验各种AI Agent想法。特点如下： 自然且高度容错的交互式代理调用树架构。 以最灵活的方式解析 LLM 输出，支持更多样的函数调用机制。 自构建、动态加载环境交互模块，提供无限的功能扩展潜力。 专为开源模型设计，但无缝支持 GPT-4 等商业模型。 支持对特定主题的深入调查。 自动化编程和脚本执行。它是一个包罗万象的编码器和熟练的系统管理工具，掌握所有系统命令类似于人工智能操作系统。 设计AIlice时的基本原则是： 以高度动态的提示构建机制丰富LLM行为； 尽可能分离不同的计算任务，利用传统计算中的递归和分治法来解决复杂问题。 代理应该能够双向交互。 让我们简要解释一下这些基本原则。 从最明显的层面开始，高度动态的提示结构使得代理不太可能陷入循环。外部环境新变量的涌入不断影响着法学硕士，帮助其避免陷入这种陷阱。此外，向法学硕士提供所有当前可用的信息可以大大提高其产出。例如，在自动化编程中，来自解释器或命令行的错误消息帮助法学硕士不断修改代码，直到获得正确的结果。最后，在动态提示构建中，提示中的新信息也可能来自其他智能体，作为一种联动推理计算的形式，使得系统的计算机制更加复杂、多样，能够产生更丰富的行为。 从实际的角度来看，分离计算任务是由于我们有限的上下文窗口。我们不能指望在几千个代币的窗口内完成一项复杂的任务。如果我们能够分解一个复杂的任务，以便在有限的资源内解决每个子任务，那将是一个理想的结果。在传统的计算模型中，我们一直利用这一点，但在以LLM为中心的新计算中，这并不容易实现。问题是，如果一个子任务失败，整个任务就有失败的风险。递归更具挑战性：如何确保每次调用时，LLM 都能解决部分子问题，而不是将整个负担传递给下一级调用？我们在AIlice中用IACT架构解决了第一个问题，第二个问题理论上不难解决，但很可能需要更聪明的LLM。 第三个原则是大家目前正在努力的：让多个智能代理交互、协作来完成更复杂的任务。这一原则的实现实际上解决了前面提到的子任务失败的问题。多智能体协作对于智能体运行中的容错能力至关重要。事实上，这可能是新计算范式与传统计算最大的区别之一：传统计算是精确且无错误的，仅通过单向通信（函数调用）来分配子任务，而新计算范式则容易出错且需要计算单元之间的双向通信来纠正错误。这将在下面有关 IACT 框架的部分中详细解释。