AutoGen项目v0.4.5版本发布:流式交互与R1推理能力升级
AutoGen是微软推出的一个开源多智能体对话框架,旨在简化构建基于大型语言模型的对话系统。该项目通过模块化设计,使开发者能够快速搭建复杂的多智能体协作场景。最新发布的v0.4.5版本带来了多项重要更新,特别是在流式交互和R1推理能力方面有显著增强。
流式交互功能全面升级
v0.4.5版本最引人注目的改进之一是全面支持了流式交互功能。开发者现在可以通过设置model_client_stream=True参数来启用AssistantAgent的流式输出能力。这一功能不仅适用于单个智能体,还能在团队协作场景中通过run_stream方法实现。
在实际应用中,开发者可以通过两种方式处理流式输出:
- 使用内置的Console组件直接显示流式输出
- 自行处理
ModelClientStreamingChunkEvent消息,实现自定义的前端展示逻辑
流式交互的实现使得模型响应能够实时显示,大大提升了用户体验,特别是在需要长时间等待模型响应的场景中。
R1推理风格支持
新版本增加了对R1推理风格的原生支持。R1是一种特殊的推理输出格式,它将模型的思考过程与最终答案分离显示。开发者现在可以通过访问CreateResult.thought字段获取模型的推理过程,而CreateResult.content则包含最终答案。
这一特性特别适合需要展示模型思考链的应用场景,如数学问题求解、策略规划等。版本中还提供了国际象棋游戏的示例,展示了R1模型如何进行棋局分析和策略制定。
函数工具部分参数绑定
v0.4.5引入了对部分函数(partial functions)的工具化支持。开发者现在可以使用Python的functools.partial创建预设了部分参数的函数工具,这在需要固定某些参数值的场景下特别有用。
例如,可以创建一个预设了国家参数的天气查询工具,用户只需提供城市名即可获取天气信息。这一改进增加了函数工具的灵活性,简化了常用参数的传递过程。
代码执行代理增强
CodeExecutorAgent在这一版本中新增了可选的sources参数,允许开发者更灵活地控制代码执行的上下文环境。这一改进使得代码执行代理能够更好地适应不同的执行环境和需求。
新增示例应用
v0.4.5版本包含了多个新的示例应用,帮助开发者快速上手新功能:
- Streamlit与AgentChat集成的示例
- ChainLit前端与流式交互结合的示例
- 展示R1推理能力的国际象棋游戏示例
这些示例不仅展示了新功能的用法,还提供了实际应用场景的参考实现。
其他改进与修复
除了上述主要特性外,v0.4.5还包含多项改进和修复:
- 改进了非字符串函数参数的处理,增加了相应的警告机制
- 为OpenAIAssistantAgent添加了对AsyncAzureOpenAI客户端的支持
- 更新了依赖项以兼容protobuf 5
- 优化了文档,增加了Semantic Kernel适配器的使用说明
总结
AutoGen v0.4.5版本通过流式交互、R1推理支持和函数工具增强等特性,进一步提升了框架的实用性和灵活性。这些改进使得开发者能够构建更加流畅、透明的对话系统,特别是在需要实时反馈和复杂推理的应用场景中。新提供的示例应用也为开发者快速上手这些新功能提供了便利。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00