AutoGen UI 项目教程
2024-09-15 10:20:51作者:滑思眉Philip
1. 项目目录结构及介绍
AutoGen UI 项目的目录结构如下:
autogen-ui/
├── docs/
│ └── images/
├── frontend/
├── notebooks/
├── .gitignore
├── LICENSE
├── MANIFEST.in
├── README.md
├── package.json
├── pyproject.toml
├── setup.py
└── yarn.lock
目录结构介绍
- docs/: 包含项目文档的图片资源。
- frontend/: 前端代码目录,使用 Next.js 构建。
- notebooks/: 可能包含 Jupyter Notebook 文件,用于数据分析或演示。
- .gitignore: Git 忽略文件,指定哪些文件或目录不需要被 Git 管理。
- LICENSE: 项目的开源许可证文件,本项目使用 MIT 许可证。
- MANIFEST.in: 用于指定在打包时需要包含的非 Python 文件。
- README.md: 项目的介绍文件,包含项目的基本信息和使用说明。
- package.json: 前端项目的依赖管理文件。
- pyproject.toml: Python 项目的配置文件,定义项目的构建系统和依赖。
- setup.py: Python 项目的安装脚本,用于安装项目的依赖和打包项目。
- yarn.lock: 前端项目的依赖锁定文件,确保依赖版本的一致性。
2. 项目启动文件介绍
项目的启动文件主要位于 frontend/ 目录下,使用 Next.js 框架构建。启动项目的前端部分可以通过以下命令:
cd frontend
yarn install
yarn dev
后端部分的启动文件可以通过以下命令:
export OPENAI_API_KEY=<your_key>
autogenui --port 8081
启动后端服务器后,可以通过 http://localhost:8081 访问项目。
3. 项目的配置文件介绍
3.1 pyproject.toml
pyproject.toml 是 Python 项目的配置文件,定义了项目的构建系统和依赖。以下是一个示例:
[build-system]
requires = ["setuptools>=42", "wheel"]
build-backend = "setuptools.build_meta"
[project]
name = "autogenui"
version = "0.1.0"
description = "Web UI for AutoGen"
authors = [
{ name="Victor Dibia", email="victor.dibia@example.com" }
]
dependencies = [
"fastapi",
"next.js",
"openai"
]
3.2 setup.py
setup.py 是 Python 项目的安装脚本,用于安装项目的依赖和打包项目。以下是一个示例:
from setuptools import setup, find_packages
setup(
name="autogenui",
version="0.1.0",
description="Web UI for AutoGen",
author="Victor Dibia",
author_email="victor.dibia@example.com",
packages=find_packages(),
install_requires=[
"fastapi",
"next.js",
"openai"
],
)
3.3 package.json
package.json 是前端项目的依赖管理文件,定义了项目的前端依赖和脚本。以下是一个示例:
{
"name": "autogenui",
"version": "0.1.0",
"private": true,
"scripts": {
"dev": "next dev",
"build": "next build",
"start": "next start"
},
"dependencies": {
"next": "latest",
"react": "latest",
"react-dom": "latest"
}
}
通过以上配置文件,可以管理和启动 AutoGen UI 项目的前端和后端部分。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137