transformers/docs/source/zh/transformers_agents.md

Transformers Agents

Transformers Agents是一个实验性的随时可能发生变化的API。由于API或底层模型可能发生变化，agents返回的结果也会有所不同。

Transformers版本v4.29.0基于tools和agents概念构建。您可以在此Colab链接中进行测试。

简而言之，它在Transformers之上提供了一个自然语言API：我们定义了一组经过筛选的tools，并设计了一个agents来解读自然语言并使用这些工具。它具有很强的可扩展性；我们筛选了一些相关的tools，但我们将向您展示如何通过社区开发的tool轻松地扩展系统。

让我们从一些可以通过这个新API实现的示例开始。在处理多模态任务时它尤其强大，因此让我们快速试着生成图像并大声朗读文本。

agent.run("Caption the following image", image=image)

输入	输出
	A beaver is swimming in the water

---

agent.run("Read the following text out loud", text=text)

输入	输出
A beaver is swimming in the water	your browser does not support the audio element.

---

agent.run(
    "In the following `document`, where will the TRRF Scientific Advisory Council Meeting take place?",
    document=document,
)

输入	输出
	ballroom foyer

快速入门

要使用 agent.run，您需要实例化一个agent，它是一个大型语言模型（LLM）。我们支持OpenAI模型以及来自BigCode和OpenAssistant的开源替代方案。OpenAI模型性能更好（但需要您拥有OpenAI API密钥，因此无法免费使用），Hugging Face为BigCode和OpenAssistant模型提供了免费访问端点。

一开始请安装agents附加模块，以安装所有默认依赖项。

pip install transformers[agents]

要使用OpenAI模型，您可以在安装openai依赖项后实例化一个OpenAiAgent：

pip install openai

from transformers import OpenAiAgent

agent = OpenAiAgent(model="text-davinci-003", api_key="<your_api_key>")

要使用BigCode或OpenAssistant，请首先登录以访问Inference API：

from huggingface_hub import login

login("<YOUR_TOKEN>")

然后，实例化agent：

from transformers import HfAgent

# Starcoder
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoder")
# StarcoderBase
# agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoderbase")
# OpenAssistant
# agent = HfAgent(url_endpoint="https://api-inference.huggingface.co/models/OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5")

此示例使用了目前Hugging Face免费提供的推理API。如果你有自己的推理端点用于此模型（或其他模型），你可以用你的URL替换上面的URL。

StarCoder和OpenAssistant可以免费使用，并且在简单任务上表现出色。然而，当处理更复杂的提示时就不再有效。如果你遇到这样的问题，我们建议尝试使用OpenAI模型，尽管遗憾的是它不是开源的，但它在目前情况下表现更好。

现在，您已经可以开始使用了！让我们深入了解您现在可以使用的两个API。

单次执行(run)

单次执行方法是使用agent的 ~Agent.run：

agent.run("Draw me a picture of rivers and lakes.")

它会自动选择适合您要执行的任务的tool（或tools），并以适当的方式运行它们。它可以在同一指令中执行一个或多个任务（尽管您的指令越复杂，agent失败的可能性就越大）。

agent.run("Draw me a picture of the sea then transform the picture to add an island")

每个 [~Agent.run] 操作都是独立的，因此您可以多次连续运行 [~Agent.run]并执行不同的任务。

请注意，您的 agent 只是一个大型语言模型，因此您略有变化的提示可能会产生完全不同的结果。重要的是尽可能清晰地解释您要执行的任务。我们在这里更深入地讨论了如何编写良好的提示。

如果您想在多次执行之间保持同一状态或向agent传递非文本对象，可以通过指定agent要使用的变量来实现。例如，您可以生成有关河流和湖泊的第一幅图像，并要求模型通过执行以下操作向该图片添加一个岛屿：

picture = agent.run("Generate a picture of rivers and lakes.")
updated_picture = agent.run("Transform the image in `picture` to add an island to it.", picture=picture)

当模型无法理解您的请求和库中的工具时，这可能会有所帮助。例如：

agent.run("Draw me the picture of a capybara swimming in the sea")

在这种情况下，模型可以以两种方式理解您的请求：

• 使用text-to-image 生成在大海中游泳的大水獭
• 或者，使用text-to-image生成大水獭，然后使用image-transformation工具使其在大海中游泳

如果您想强制使用第一种情景，可以通过将提示作为参数传递给它来实现：

agent.run("Draw me a picture of the `prompt`", prompt="a capybara swimming in the sea")

基于交流的执行 (chat)

基于交流的执行（chat）方式是使用 [~Agent.chat]：

agent.chat("Generate a picture of rivers and lakes")

agent.chat("Transform the picture so that there is a rock in there")

当您希望在不同指令之间保持同一状态时，这会是一个有趣的方法。它更适合用于单个指令，而不是复杂的多步指令（~Agent.run 方法更适合处理这种情况）。

这种方法也可以接受参数，以便您可以传递非文本类型或特定提示。

⚠️ 远程执行

出于演示目的以便适用于所有设置，我们为发布版本的少数默认工具创建了远程执行器。这些工具是使用推理终端（inference endpoints）创建的。

目前我们已将其关闭，但为了了解如何自行设置远程执行器工具，我们建议阅读自定义工具指南。

这里发生了什么？什么是tools，什么是agents？

Agents

这里的Agents是一个大型语言模型，我们通过提示它以访问特定的工具集。

大型语言模型在生成小代码示例方面表现出色，因此这个API利用这一特点，通过提示LLM生成一个使用tools集合的小代码示例。然后，根据您给Agents的任务和tools的描述来完成此提示。这种方式让它能够访问工具的文档，特别是它们的期望输入和输出，以生成相关的代码。

Tools

Tools非常简单：它们是有名称和描述的单个函数。然后，我们使用这些tools的描述来提示代理。通过提示，我们向agent展示如何使用tool来执行查询语言中请求的操作。

这是使用全新tools而不是pipelines，因为agent编写的代码更好，具有非常原子化的tools。pipelines经常被重构，并且通常将多个任务合并为一个。tools旨在专注于一个非常简单的任务。

代码执行？

然后，这段代码基于tools的输入被我们的小型Python解释器执行。我们听到你在后面大声呼喊“任意代码执行！”，但让我们解释为什么情况并非如此。

只能您提供的tools和打印函数可以被执行，因此您已经受到了执行的限制。如果仅限于 Hugging Face 工具，那么您应该是安全的。

然后，我们不允许任何属性查找或导入（无论如何都不需要将输入/输出传递给一小组函数），因此所有最明显的攻击（并且您需要提示LLM无论如何输出它们）不应该是一个问题。如果你想超级安全，你可以使用附加参数 return_code=True 执行 run() 方法，在这种情况下，agent将只返回要执行的代码，你可以决定是否执行。

如果agent生成的代码存在任何尝试执行非法操作的行为，或者代码中出现了常规Python错误，执行将停止。

一组经过精心筛选的tools

我们确定了一组可以赋予这些agent强大能力的tools。以下是我们在transformers中集成的tools的更新列表：

• 文档问答：给定一个图像格式的文档（例如PDF），回答该文档上的问题（Donut）
• 文本问答：给定一段长文本和一个问题，回答文本中的问题（Flan-T5）
• 无条件图像字幕：为图像添加字幕！（BLIP）
• 图像问答：给定一张图像，回答该图像上的问题（VILT）
• 图像分割：给定一张图像和一个提示，输出该提示的分割掩模（CLIPSeg）
• 语音转文本：给定一个人说话的音频录音，将演讲内容转录为文本（Whisper）
• 文本转语音：将文本转换为语音（SpeechT5）
• Zero-Shot文本分类：给定一个文本和一个标签列表，确定文本最符合哪个标签（BART）
• 文本摘要：总结长文本为一两句话（BART）
• 翻译：将文本翻译为指定语言（NLLB）

这些tools已在transformers中集成，并且也可以手动使用，例如：

from transformers import load_tool

tool = load_tool("text-to-speech")
audio = tool("This is a text to speech tool")

自定义工具

尽管我们确定了一组经过筛选的tools，但我们坚信，此实现提供的主要价值在于能够快速创建和共享自定义tool。

通过将工具的代码上传到Hugging Face空间或模型repository，您可以直接通过agent使用tools。我们已经添加了一些与transformers无关的tools到huggingface-tools组织中：

• 文本下载器：从Web URL下载文本
• 文本到图像：根据提示生成图像，利用stable diffusion
• 图像转换：根据初始图像和提示修改图像，利用instruct pix2pix stable diffusion
• 文本到视频：根据提示生成小视频，利用damo-vilab

从一开始就一直在使用的文本到图像tool是一个远程tool ，位于huggingface-tools/text-to-image！我们将继续在此组织和其他组织上发布此类tool，以进一步增强此实现。

agents默认可以访问存储在huggingface-tools上的tools。我们将在后续指南中解释如何编写和共享自定义tools，以及如何利用Hub上存在的任何自定义tools。

代码生成

到目前为止，我们已经展示了如何使用agents来为您执行操作。但是，agents仅使用非常受限Python解释器执行的代码。如果您希望在不同的环境中使用生成的代码，可以提示agents返回代码，以及tools的定义和准确的导入信息。

例如，以下指令

agent.run("Draw me a picture of rivers and lakes", return_code=True)

返回以下代码

from transformers import load_tool

image_generator = load_tool("huggingface-tools/text-to-image")

image = image_generator(prompt="rivers and lakes")

然后你就可以调整并执行代码