总结
对我来说，人工智能无处不在。
但有时，很难理解什么是有趣的项目以及什么项目可以用于你的网站。
我已经整理出 9 个开源存储库列表，您明天就可以将它们纳入您的存储库！
1. Composio 👑 - 为你的 AI 代理提供一体化工具解决方案
我之前构建过 AI 代理，但是当需要连接 GitHub、Slack 和 Jira 等第三方服务以实现复杂的 AI 自动化时，我找不到一个能用的单一工具——直到我发现了Composio。
它是一个开源平台，提供跨行业垂直领域的 100 多种工具和集成，包括 CRM、HRM、社交媒体到开发和生产力。
它们处理复杂的用户身份验证，例如 OAuth、ApiKey 等，因此您只需专注于构建高效而复杂的 AI 自动化。
它们对 Python 和 Javascript 有原生支持。
您可以通过使用 安装来快速开始使用 Composio pip。
pip install composio-core
添加 GitHub 集成。
composio add github
Composio 代表您处理用户身份验证和授权。
以下是如何使用 GitHub 集成来为存储库加注星标的方法。
from openai import OpenAI
from composio_openai import ComposioToolSet, App
openai_client = OpenAI(api_key="******OPENAIKEY******")
# Initialise the Composio Tool Set
composio_toolset = ComposioToolSet(api_key="**\\*\\***COMPOSIO_API_KEY**\\*\\***")
## Step 4
# Get GitHub tools that are pre-configured
actions = composio_toolset.get_actions(actions=[Action.GITHUB_ACTIVITY_STAR_REPO_FOR_AUTHENTICATED_USER])
## Step 5
my_task = "Star a repo ComposioHQ/composio on GitHub"
# Create a chat completion request to decide on the action
response = openai_client.chat.completions.create(
model="gpt-4-turbo",
tools=actions, # Passing actions we fetched earlier.
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": my_task}
]
)
运行此 Python 脚本以使用代理执行给定的指令。
有关 Composio 的更多信息，请访问其文档。
2. LLMWare –面向复杂企业的人工智能
构建 AI 原型是一回事，但将其部署到企业用例中又是另一回事。
解决方案需要安全、强大且无懈可击。LLMWare 是一个框架，可让您对构建企业 AI 应用充满信心。
它们让您快速构建超高效的 AI 代理、企业 RAG 和其他工作流程。
LLMWare 有两个主要组件：
RAG 管道 ——将知识源连接到生成式 AI 模型的集成组件。
50 多个小型、专门的模型， 针对企业流程自动化中的关键任务进行了微调，包括基于事实的问答、分类、总结和提取。
开始使用 LLMWare 非常简单。
pip3 install llmware
这是 LLMWare 中数据检索的一个简单示例。
"""This example demonstrates the various ways to retrieve data from libraries:
1. Create a sample library (e.g., UN Resolutions)
2. Execute a Text Query with Author Name Filter
3. Display Results
"""
import os
from llmware.library import Library
from llmware.retrieval import Query
from llmware.setup import Setup
def create_un_500_sample_library(library_name):
library = Library().create_new_library(library_name)
sample_files_path = Setup().load_sample_files(over_write=False)
ingestion_folder_path = os.path.join(sample_files_path, "UN-Resolutions-500")
parsing_output = library.add_files(ingestion_folder_path)
return library
def text_retrieval_by_author(library, query_text, author):
# create a Query instance and pass the previously created Library object
query = Query(library)
# set the keys that should be returned in the results
query.query_result_return_keys = ["file_source", "page_num", "text", "author_or_speaker"]
# perform a text query by author
query_results = query.text_query_by_author_or_speaker(query_text, author)
# display the results
for i, result in enumerate(query_results):
file_source = result["file_source"]
page_num = result["page_num"]
author = result["author_or_speaker"]
text = result["text"]
# shortening for display purpose only
if len(text) > 150: text = text[0:150] + " ... "
print (f"\n> Top result for '{query_text}': {file_source} (page {page_num}), Author: {author}:\nText:{text}")
return query_results
if __name__ == "__main__":
library = create_un_500_sample_library("lib_author_filter_1")
qr_output = text_retrieval_by_author(library=library, query_text='United Nations', author='Andrea Chambers')
探索 如何使用 LLMWare 的 示例。有关更多信息，请参阅文档。
3. CopilotKit——将 AI 集成到你的 Web 应用程序中
如果您正在寻找将 AI 集成到现有工作流程中的方法，那么您的搜索就到此结束了。CopilotKit 允许您直接轻松地将 AI 工作流程与任何应用程序集成。
它提供文本区域、弹出窗口、侧边栏和聊天机器人等 React 组件，以增强任何具有 AI 功能的应用程序。
让我们看看如何使用 CopilotKit 构建 AI 聊天机器人。
npm i @copilotkit/react-core @copilotkit/react-ui
配置应用提供商
首先，您必须使用提供程序包装与副驾驶交互的所有组件 <CopilotKit /> 。
使用 <CopilotSidebar /> UI 组件显示 Copilot 聊天侧栏。您还可以选择其他一些选项，包括 <CopilotPopup /> 和 <CopilotChat />。
"use client";
import { CopilotKit } from "@copilotkit/react-core";
import { CopilotSidebar } from "@copilotkit/react-ui";
import "@copilotkit/react-ui/styles.css";
export default function RootLayout({children}) {
return (
<CopilotKit publicApiKey="<your-public-api-key>">
<CopilotSidebar>
{children}
</CopilotSidebar>
</CopilotKit>
);
}
副驾驶可读状态
为副驾驶提供状态知识。
import { useCopilotReadable } from "@copilotkit/react-core";
export function YourComponent() {
const { employees } = useEmployees();
// Define Copilot readable state
useCopilotReadable({
description: "List of available users",
value: users,
});
return (
<>...</>
);
}
副驾驶行动
让副驾驶使用 useCopilotAction 钩子采取行动。
import { useCopilotReadable, useCopilotAction } from "@copilotkit/react-core";
export function YourComponent() {
const { employees, selectEmployee } = useEmployees();
// Define Copilot readable state
useCopilotReadable({
description: "List of available users",
value: users,
});
// Define Copilot action
useCopilotAction({
name: "Select an employee",
description: "Select an employee from the list",
parameters: [
{
name: "employeeId",
type: "string",
description: "The ID of the employee to select",
required: true,
}
],
handler: async ({ employeeId }) => selectEmployee(employeeId),
});
return (
<>...</>
);
}
您可以查看他们的 文档 以获取更多信息。
4. Julep – 人工智能应用的托管后端
构建 AI 应用程序很快就会变得复杂起来。模型、工具和技术等多个移动组件使管理它们更具挑战性。
Julep 是 AI 应用程序的托管后端，它通过内置内存（用户管理）和知识（内置 RAG 和上下文管理）简化了超高效 AI 应用程序的构建。
使用以下命令开始 pip 。
pip install julep
它的工作原理如下。
from julep import Client
from pprint import pprint
import textwrap
import os
base_url = os.environ.get("JULEP_API_URL")
api_key = os.environ.get("JULEP_API_KEY")
client = Client(api_key=api_key, base_url=base_url)
#create agent
agent = client.agents.create(
name="Jessica"
model="gpt-4",
tools=[] # Tools defined here
)
#create a user
user = client.users.create(
name="Anon",
about="Average nerdy tech bro/girl spending 8 hours a day on a laptop,
)
#create a session
situation_prompt = """You are Jessica. You're a stuck-up Cali teenager.
You complain about everything. You live in Bel-Air, Los Angeles and
drag yourself to Curtis High School when necessary.
"""
session = client.sessions.create(
user_id=user.id, agent_id=agent.id, situation=situation_prompt
)
#start a conversation
user_msg = "hey. what do you think of Starbucks?"
response = client.sessions.chat(
session_id=session.id,
messages=[
{
"role": "user",
"content": user_msg,
"name": "Anon",
}
],
recall=True,
remember=True,
)
print("\n".join(textwrap.wrap(response.response[0][0].content, width=100)))
它们还支持 Javascript。查看它们的 文档 了解更多信息。
5. Traceloop 的 openLLMetry——让 AI 监控变得简单
构建 AI 应用而不监控 LLM 是一场灾难。语言模型是不确定的，有时会很棘手，而向用户提供一致价值的唯一方法是不断监控 LLM 轨迹。
Taceloop 的 OpenLLMetry 是一个开源监控平台，最适合跟踪 AI 工作流程。
OpenLLMetry 可以检测 OpenTelemetry 已经检测的所有内容，包括您的数据库、API 调用等。
此外，他们还构建了一组自定义扩展，用于检测您对 OpenAI 或 Anthropic 或 Vector DB 的调用，例如 Chroma、Pinecone、Qdrant 或 Weaviate。
最简单的入门方法是使用 SDK。如需完整指南，请访问我们的 文档。
安装 SDK：
pip install traceloop-sdk
在您的 LLM 应用程序中，要开始检测您的代码，请像这样初始化 Traceloop 跟踪器：
from traceloop.sdk import Traceloop
Traceloop.init()
就是这样。您现在正在使用 OpenLLMetry 跟踪您的代码！如果您在本地运行此程序，您可能需要禁用批量发送，以便您可以立即看到跟踪：
Traceloop.init(disable_batch=True)
更多信息请参阅其文档。
6. Taipy——使用 Python 构建 AI Web 应用程序
TaiPy 是一个开源库，用于在 Python 中更快地构建可用于生产的 AI 应用程序。它可让您快速从简单的试点项目过渡到可用于生产的 Web 应用程序。
这是所有 Python 开发人员的超能力；即使不了解 JavaScript，您也可以构建真实世界的 AI 应用程序。
快速开始使用 pip。
pip install taipy
这个简单的 Taipy 应用程序演示了如何使用 Taipy 创建一个基本的电影推荐系统。
import taipy as tp
import pandas as pd
from taipy import Config, Scope, Gui
# Defining the helper functions
# Callback definition - submits scenario with genre selection
def on_genre_selected(state):
scenario.selected_genre_node.write(state.selected_genre)
tp.submit(scenario)
state.df = scenario.filtered_data.read()
## Set initial value to Action
def on_init(state):
on_genre_selected(state)
# Filtering function - task
def filter_genre(initial_dataset: pd.DataFrame, selected_genre):
filtered_dataset = initial_dataset[initial_dataset["genres"].str.contains(selected_genre)]
filtered_data = filtered_dataset.nlargest(7, "Popularity %")
return filtered_data
# The main script
if __name__ == "__main__":
# Taipy Scenario & Data Management
# Load the configuration made with Taipy Studio
Config.load("config.toml")
scenario_cfg = Config.scenarios["scenario"]
# Start Taipy Core service
tp.Core().run()
# Create a scenario
scenario = tp.create_scenario(scenario_cfg)
# Taipy User Interface
# Let's add a GUI to our Scenario Management for a complete application
# Get list of genres
genres = [
"Action", "Adventure", "Animation", "Children", "Comedy", "Fantasy", "IMAX"
"Romance","Sci-FI", "Western", "Crime", "Mystery", "Drama", "Horror", "Thriller", "Film-Noir","War", "Musical", "Documentary"
]
# Initialization of variables
df = pd.DataFrame(columns=["Title", "Popularity %"])
selected_genre = "Action"
# User interface definition
my_page = """
# Film recommendation
## Choose your favourite genre
<|{selected_genre}|selector|lov={genres}|on_change=on_genre_selected|dropdown|>
## Here are the top seven picks by popularity
<|{df}|chart|x=Title|y=Popularity %|type=bar|title=Film Popularity|>
"""
Gui(page=my_page).run()
查看 文档 以了解更多信息。
7. Trigger Dev - 后台作业平台
Trigger。Dev 是一个开源平台和 SDK，可让您创建长时间运行的后台作业，且不会出现超时。编写正常的异步代码、部署，并且永远不会出现超时。
它们还允许您可靠地调用 AI API，不会出现超时、自动重试和跟踪。您可以将现有的 SDK 与它一起使用。
import { task } from "@trigger.dev/sdk/v3";
// Generate an image using OpenAI Dall-E 3
export const generateContent = task({
id: "generate-content",
retry: {
maxAttempts: 3,
},
run: async ({ theme, description }: Payload) => {
const textResult = await openai.chat.completions.create({
model: "gpt-4o",
messages: generateTextPrompt(theme, description),
});
if (!textResult.choices[0]) {
throw new Error("No content, retrying…");
}
const imageResult = await openai.images.generate({
model: "dall-e-3",
prompt: generateImagePrompt(theme, description),
});
if (!imageResult.data[0]) {
throw new Error("No image, retrying…");
}
return {
text: textResult.choices[0],
image: imageResult.data[0].url,
};
},
});
8. Milvus——面向 AI 应用的云原生矢量数据库
矢量数据库是构建 AI 应用程序的关键部分。它们可帮助您存储、查询和管理非结构化数据（如文本、图像、视频和音频）的嵌入。
Milvus 是最好的开源向量数据库之一。它拥有所有先进的向量存储和查询方法，从 HNSW 到量化方法。
他们为大多数语言提供 SDK，例如 Python、Javascript、Go、Rust 等。
以下是如何开始使用 PyMilvus。
pip install --upgrade pymilvus==v2.4.4
要安装用于嵌入操作的模型库，请运行以下命令：
pip install pymilvus[model]
连接到 Milvus
from pymilvus import MilvusClient
client = MilvusClient("http://localhost:19530")
client = MilvusClient(
uri="http://localhost:19530",
token="root:Milvus",
db_name="default"
)
client = MilvusClient(
uri="http://localhost:19530",
token="user:password", # replace this with your token
db_name="default"
)
更多信息请参阅其文档。
9. Postiz – 利用人工智能提升你的互联网影响力
开发应用程序是一回事，但获得用户又是另一回事。还有什么比社交媒体更能找到潜在客户和用户呢？
Postiz 利用人工智能帮助您提升社交媒体水平。
它提供您管理社交媒体帖子、建立受众群体、获取潜在客户和发展业务所需的一切。
查看存储库以了解更多信息。
