简而言之:
- 我们介绍了可教学代理（使用文本分析代理），以便用户可以教会他们的基于LLM的助手新的事实、偏好和技能。
- 我们展示了
可教学代理学习并在后续聊天中回忆事实、偏好和技能的示例。
引言
基于LLM的会话助手可以记住与用户的当前聊天，并且还可以在对话中学习用户的教导。但是一旦聊天结束，或者单个聊天对LLM来说太长而无法有效处理，助手的记忆和学习就会丢失。然后在后续的聊天中，用户被迫一遍又一遍地重复任何必要的指令。
可教学代理通过在长期记忆中持久化用户教导来解决这些限制，该记忆实现为向量数据库。记忆会在每次聊天结束时自动保存到磁盘，然后在下一次聊天开始时从磁盘加载。代替将所有记忆复制到上下文窗口中，这将占用宝贵的空间，需要时将单个记忆（称为备忘录）检索到上下文中。这允许用户只教一次常用的事实和技能给可教学代理，并在后续聊天中回忆它们。
为了有效决策备忘录的存储和检索，可教学代理调用文本分析代理的一个实例（另一个AutoGen代理）来识别和重新制定文本，以便记住事实、偏好和技能。请注意，这会增加额外的LLM调用，涉及相对较少的令牌数量，这可能会使用户等待每个响应的时间增加几秒钟。
自己运行
AutoGen包含三个使用可教学代理的代码示例。
运行chat_with_teachable_agent.py与
可教学代理对话。使用Jupyter笔记本agentchat_teachability.ipynb逐步查看下面讨论的示例。
运行test_teachable_agent.py快速单元测试
可教学代理。
TeachableAgent的基本使用
- 安装依赖项
请在使用TeachableAgent之前安装带有[teachable]选项的pyautogen。
pip install "pyautogen[teachable]"
- 导入代理
from autogen import UserProxyAgent, config_list_from_json
from autogen.agentchat.contrib.teachable_agent import TeachableAgent
- 创建llm_config
# 从环境变量或文件加载LLM推理端点
# 参见 https://microsoft.github.io/autogen/docs/FAQ#set-your-api-endpoints
# 和 OAI_CONFIG_LIST_sample
filter_dict = {"model": ["gpt-4"]} # GPT-3.5比GPT-4在从用户反馈中学习时不那么可靠。
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST", filter_dict=filter_dict)
llm_config={"config_list": config_list, "timeout": 120}
- 创建代理
teachable_agent = TeachableAgent(
name="teachableagent",
llm_config=llm_config,
teach_config={
"reset_db": False, # 使用True强制重置备忘录数据库，使用False使用现有数据库。
"path_to_db_dir": "./tmp/interactive/teachable_agent_db" # 可以是任何路径。
}
)
user = UserProxyAgent("user", human_input_mode="ALWAYS")
- 与
可教学代理聊天
# 当用户输入'exit'时，此函数将返回。
teachable_agent.initiate_chat(user, message="Hi, I'm a teachable user assistant! What's on your mind?")
- 更新磁盘上的数据库
# 在关闭应用程序之前，让可教学代理存储应该从此聊天中学习的内容。
teachable_agent.learn_from_user_feedback()
teachable_agent.close_db()
示例1 - 学习用户信息
用户可以教代理关于他们自己的事实。 （请注意，由于它们的微调，LLM可能不愿意承认它们知道个人信息。）
清除记忆
teachableagent（对用户）：
嗨，我是一个可教学的用户助手！你在想什么？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：我的名字是Ricky
用户（对teachableagent）：
我的名字是Ricky
--------------------------------------------------------------------------------
teachableagent（对用户）：
你好，Ricky！很高兴认识你。今天我能帮你什么？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：exit
回顾聊天以记住用户教导的内容
将记忆保存到磁盘
位置 = ./tmp/interactive/te
achable_agent_db
示例2 - 学习用户偏好
用户可以教代理关于他们的偏好。
清除记忆
teachableagent（对用户）：
嗨，我是一个可教学的用户助手！你在想什么？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：我喜欢在周末去徒步旅行
用户（对teachableagent）：
我喜欢在周末去徒步旅行
--------------------------------------------------------------------------------
teachableagent（对用户）：
徒步旅行是一个很好的活动。你通常去哪里徒步？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：exit
回顾聊天以记住用户教导的内容
将记忆保存到磁盘
位置 = ./tmp/interactive/teachable_agent_db
示例3 - 学习用户技能
用户可以教代理关于他们的技能。
清除记忆
teachableagent（对用户）：
嗨，我是一个可教学的用户助手！你在想什么？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：我会弹吉他
用户（对teachableagent）：
我会弹吉他
--------------------------------------------------------------------------------
teachableagent（对用户）：
那太酷了！你弹了多久了？
--------------------------------------------------------------------------------
向teachableagent提供反馈。按Enter跳过并使用自动回复，或输入'exit'结束对话：exit
回顾聊天以记住用户教导的内容
将记忆保存到磁盘
位置 = ./tmp/interactive/teachable_agent_db
结论
可教学代理提供了一种方法，允许基于LLM的助手记住用户的教导，并在后续聊天中使用这些信息。这种方法通过使用备忘录数据库和文本分析代理来持久化记忆，从而提高了用户体验，并减少了重复指令的需要。尽管这可能会增加响应时间，但它为用户提供了更个性化和连贯的交互体验。
参考文献
版权声明
本文档由AutoGen团队编写，并遵循MIT许可协议。所有代码示例均可自由使用、修改和分发。
如果您对可教学代理的概念或实现有任何疑问，请随时联系我们。我们期待您的反馈和贡献！
感谢您的阅读！
AutoGen团队