Gpt Computer Assistant

🚀 画像

Upsonicは、高度なAIエージェントを迅速に構築、展開、管理するための強力なツールです。Model Context Protocol (MCP) を通じて複数のモデルをサポートし、カスタムツールの簡単な統合も可能です。

🚀 クイックスタート

from upsonic import Agent, Task

# 簡単なタスクを作成
task = Task("What is the capital of France?")

# エージェントを初期化
agent = Agent("General Knowledge")

# タスクを実行し、結果を出力
agent.print_do(task)

✨ 主な機能

• 使いやすさ：迅速な導入が可能です。
• モジュール化設計：柔軟な拡張が可能です。
• 多言語対応：複数の言語モデルが組み込まれています。
• 強力なタスク分散メカニズム：複雑なタスクを効率的に処理します。
• 構造化出力：Pydanticを通じて明確な応答形式を定義できます。

💻 使用例

基本的な使用法

from upsonic import Agent, Task

# 簡単なタスクを作成
task = Task("What is the capital of France?")

# エージェントを初期化
agent = Agent("General Knowledge")

# タスクを実行し、結果を出力
agent.print_do(task)

高度な使用法

1. MCPツールの使用

from upsonic import Agent, Task, ObjectResponse

class FetchMCP:
    command = "uvx"
    args = ["mcp-server-fetch"]
    
# エージェントを初期化
web_agent = Agent(
    "内容分析器",
    model="openai/gpt-4o"  # 複数のモデルをサポート
)

# タスクを作成
task = Task(
    description="URLからのコンテンツを取得して分析し、主要な情報、タイトル、簡単な要約を抽出します。",
    context=["https://upsonic.ai/"],
    tools=[FetchMCP],
    response_format=WebContent
)

# タスクを実行
result = web_agent.print_do(task)
print(result.title)  # タイトルを出力
print(result.summary)  # 要約を出力

2. マルチタスクエージェント

from upsonic import Agent, Task, MultiAgent, ObjectResponse
from upsonic.tools import Search
import os

class CompanyResearch(ObjectResponse):
    industry: str
    product_focus: str
    company_values: list[str]
    recent_news: list[str]

class Mail(ObjectResponse):
    subject: str
    content: str

# エージェントを初期化
researcher = Agent("会社調査員", company_url="https://redis.io/")
strategist = Agent("アウトリーチ戦略担当者", company_url="https://redis.io/")

# タスクを作成
company_task = Task(
    "会社のウェブサイトの重要な情報を分析する",
    context=["https://upsonic.ai/"],
    tools=[Search],
    response_format=CompanyResearch
)

position_task = Task(
    "上級開発者の職務要件と背景を分析する",
    context=[company_task, "https://upsonic.ai/"]
)

message_task = Task(
    "調査結果に基づいて、個別のアウトリーチメッセージを作成する",
    context=[company_task, position_task],
    response_format=Mail
)

# タスクをエージェントに割り当てる
results = MultiAgent.do([researcher, strategist], [company_task, position_task, message_task])

# 結果を出力
print(f"会社の業界: {company_task.response.industry}")
print(f"製品の焦点: {company_task.response.product_focus}")
print(f"会社の価値観: {company_task.response.company_values}")
print(f"最近のニュース: {company_task.response.recent_news}")
print(f"職務分析結果: {position_task.response}")
print(f"アウトリーチの件名: {message_task.response.subject}")
print(f"アウトリーチの内容: {message_task.response.content}")

3. 直接LLM呼び出し

from upsonic import Agent, Task

# モデルに直接問い合わせるタスクを作成
task = Task("量子コンピューティングの基本原理を説明する")

# エージェントを初期化し、直接LLMを使用するように指定
agent = Agent("一般知識", mode="direct")

# タスクを実行し、結果を出力
agent.print_do(task)

4. telemetry設定

from upsonic import configure

# telemetryを設定する（オプション）
configure(metrics_enabled=True, logging_enabled=True)

📚 ドキュメント

• インストール：pip install upsonic
• 設定：詳細な設定については、公式ドキュメントを参照してください。
• コミュニティサポート：ディスカッショングループに参加してください。

📄 ライセンス

ライセンス情報は提供されていません。

🔗 お問い合わせ

詳細な情報が必要な場合は、Upsonic公式ウェブサイトをご覧いただくか、メールでお問い合わせください：contact@upsonic.ai。