AI研究代理系统

毕丹蒂人工智能研究员

描述

pydantic ai researcher是一个研究系统，它在两个专门的代理之间协调一个异步循环：研究代理和评估代理。研究代理使用外部MCP服务器回答复杂的查询，而评估代理评估和细化这些答案，迭代直到获得满意的响应。

特性

• 异步研究循环：迭代评估和改进研究答案。
• 双代理系统：利用研究代理进行数据收集，利用评估代理进行反馈。
• 可插拔MCP服务器：与多个MCP服务器（Tavily、Brave Search、arXiv）集成，用于不同的数据源。
• 环境可配置：使用环境变量和.env文件进行API密钥配置。
• 轻松设置：通过Pipfile或requirements.txt进行简单安装。

安装/设置

1. 先决条件：确保安装了Python 3.x。
2. 安装:
   • 使用Pipenv：
     复制

     pipenv install
     

   • 或者使用pip：
     复制

     pip install -r requirements.txt
     

3. 配置:
   • 创建一个 .env 项目根目录下的文件。
   • 定义所需的环境变量：
     • OPENAI_API_KEY
     • TAVILY_API_KEY
     • BRAVE_API_KEY
   • （其他API端点也可能需要根据需要进行定义。）

用法

通过执行以下命令运行项目：

python main.py

在交互式提示中键入您的研究查询。要退出程序，请键入 exit.

建筑

该系统实现了一个双代理评估器优化器循环：

• 代理人A（研究代理人）：通过MCP服务器使用外部数据源生成研究查询的初始答案。
• 代理人B（评估代理人）：评估代理A提供的答案，并提供改进反馈。
• 循环机制：系统迭代多个评估周期，直到接受答案或达到最大迭代限制。

下面是说明评估器优化器过程的工作流程图：

来源： 建立有效的代理人

配置

项目配置依赖于通过以下方式加载的环境变量 python-dotenv.确保：

• OPENAI_API_KEY 为OpenAI模型的使用设置。
• TAVILY_API_KEY 设置为访问Tavily MCP搜索。
• BRAVE_API_KEY 已设置为使用Brave Search MCP。
• 可以根据需要定义arXiv MCP的其他配置。

贡献/许可

欢迎捐款。请提交问题并提取错误修复、改进或新功能的请求。请参阅项目的 许可证 许可详细信息文件。