Persönliche KI-Copiloten werden als echte Game Changer immer wichtiger. Sie haben das Potenzial, zu verändern, wie wir unsere täglichen Aufgaben und Verantwortlichkeiten managen. Im Gegensatz zu einfachen Chatbots sind diese intelligenten Assistenten komplexe Systeme, die die Feinheiten unseres persönlichen Lebens verstehen und unsere täglichen Aktivitäten reibungsloser und effizienter gestalten können.
Den Aufbau eines solchen KI-Copiloten kann ohne geeignete Infrastruktur komplex sein. Der AWS Multi-Agent Orchestrator ist ein flexibles und leistungsstarkes Framework zur Verwaltung mehrerer KI-Agenten. Der Orchestrator Klassifizierer wählt den geeigneten Agenten basierend auf der Benutzereingabe, den Eigenschaften des Agenten und der Konversationshistorie aus. Der Orchestrator erleichtert auch die Speicherung der Konversationshistorie pro Agent.
Aufbau eines KI-Copiloten für verschiedene Aufgaben
Lass uns einen KI Co-Piloten bauen, der den Kalender überprüfen, Fitnessroutinen vorschlagen und die Nachrichten gleichzeitig lesen kann. Dies sind völlig getrennte Aufgaben, die unterschiedliche Kontexte während der Interaktionen des Benutzers mit ihnen haben können. Der vollständige Quellcode für diesen persönlichen Assistenten ist hier zu finden.
Kalender-Agent
Dies ist ein Kettenagent, der intern ApiAgent verwendet, um Kalendereinladungen über die Calendly-APIs abzurufen. Die Antwort vom ApiAgent wird an BedrockLLMAgent gestreamt, um die Einladungen zusammenzufassen.
agent1 = ApiAgent(ApiAgentOptions(
endpoint = f"https://api.calendly.com/user_busy_times?user={CALENDLY_USER_URI}&start_time={start_time}&end_time={end_time}",
method = "GET",
name = "Calendly Schedule Agent",
description = "Specializes in Calendar scheduling",
streaming=False,
headers_callback=custom_headers_callback,
))
agent2 = BedrockLLMAgent(BedrockLLMAgentOptions(
name="Calendar Summarization",
streaming=True,
description="You are an AI agent specialized in summarizing calendar events. Given a list of events, produce a concise summary"\
" highlighting key details such as event names, dates, times, and participants. Ensure the summary is clear, brief, and "\
"informative for quick understanding. Do not provide duplicate information or irrelevant details.",
model_id="anthropic.claude-3-5-sonnet-20240620-v1:0",
callbacks=ChainlitAgentCallbacks()
))
Nachrichtenlese-Agent
Der Nachrichtenlese-Agent nutzt ebenfalls den Kettenagent, der intern ApiAgent verwendet, um die Nachrichten über die Gnews-APIs abzurufen. Die Antwort vom ApiAgent wird an BedrockLLMAgent gestreamt, um die Nachrichten zusammenzufassen.
agent1 = ApiAgent(ApiAgentOptions(
endpoint = f"https://gnews.io/api/v4/search?q=example&apikey={GNEWS_API_KEY}",
method = "GET",
name = "News Reader Agent",
description = "Specializes in reading news from various sources",
streaming=False
))
agent2 = BedrockLLMAgent(BedrockLLMAgentOptions(
name="News Summarization Agent",
streaming=True,
description="You are a skilled journalist tasked with creating concise, engaging news summaries."\
"Given the following text, produce a clear and informative summary that captures the key points," \
"main actors, and significant details. Your summary should be objective, well-structured, "\
"and easily digestible for a general audience. Aim for clarity and brevity while maintaining the essence of the news story.",
model_id="anthropic.claude-3-5-sonnet-20240620-v1:0",
callbacks=ChainlitAgentCallbacks()
))
Fitness-Agent
Der Fitness-Agent ist ein eigenständiger Agent, der das LLM-Modell verwendet, um Fitnessroutinen, Diätpläne und Gesundheitstipps vorzuschlagen.
fitness_agent = BedrockLLMAgent(BedrockLLMAgentOptions(
name="Fitness Agent",
streaming=True,
description="Specializes in fitness, health, and wellness. It can provide workout routines, diet plans, and general health tips.",
model_id="anthropic.claude-3-5-sonnet-20240620-v1:0",
callbacks=ChainlitAgentCallbacks()
))
Das Ausführen der App
Befolgen Sie diese Anweisungen für die Voraussetzungen.
1. Klonen Sie das Repository:
git clone https://github.com/ravilaudya/task-copilot.git
cd task-copilot
2. Erstellen Sie eine virtuelle Umgebung:
conda create -p venv python=3.12
conda activate ./venv
3. Installieren Sie die erforderlichen Abhängigkeiten:
pip install -r requirements.txt
4. Starten Sie die App:
chainlit run app.py --port 8888
Interagieren mit dem Copiloten
Sobald die App läuft, wird ein Browserfenster geöffnet, in dem Sie mit dem KI-Copiloten interagieren können. Einige Beispielfragen, die Sie stellen können, sind:
- „Was sind die neuesten Nachrichten?“
- „Wie sieht mein Kalender diese Woche aus?“
- „Wie kann ich Fett verlieren?“
Abschluss
Der KI-Copilot optimiert tägliche Aufgaben und steigert die Produktivität, indem er schnelle und relevante Informationen liefert, die auf individuelle Vorlieben zugeschnitten sind. Mit der richtigen Infrastruktur wird der Aufbau eines solchen KI-Copiloten zu einem überschaubaren und lohnenden Projekt. Einen solchen Copiloten zu haben, ist wie einen zuverlässigen Partner an Ihrer Seite zu haben, der das Leben ein wenig einfacher macht.
Source:
https://dzone.com/articles/ai-copilot-using-multi-agent-orchestrator