長話短說

對我來說，人工智慧無所不在。

但有時，很難理解什麼是有趣的專案以及什麼專案可以用於您的網站。

我整理了 9 個開源儲存庫的列表，您明天就可以將其實施到您的儲存庫中！

1. Composio 👑 - 為您的 AI 代理程式提供多合一的工具解決方案

我以前曾建置過 AI 代理，但當涉及到與 GitHub、Slack 和 Jira 等第三方服務連接以實現複雜的 AI 自動化時，我找不到一個有效的工具，直到我發現了Composio 。

它是一個開源平台，提供 100 多種跨行業垂直的工具和集成，從 CRM、HRM、社交媒體到開發和生產力。

它們處理複雜的使用者身份驗證，例如 OAuth、ApiKey 等，因此您只能專注於建立高效且複雜的 AI 自動化。

它們原生支援 Python 和 Javascript。

您可以透過使用pip安裝 Composio 來快速開始使用它。

pip install composio-core

新增 GitHub 整合。

composio add github

Composio 代表您處理使用者身份驗證和授權。

以下是如何使用 GitHub 整合來為儲存庫加註星標。

from openai import OpenAI
from composio_openai import ComposioToolSet, App 

openai_client = OpenAI(api_key="******OPENAIKEY******")

# Initialise the Composio Tool Set
composio_toolset = ComposioToolSet(api_key="**\\*\\***COMPOSIO_API_KEY**\\*\\***")

## Step 4
# Get GitHub tools that are pre-configured
actions = composio_toolset.get_actions(actions=[Action.GITHUB_ACTIVITY_STAR_REPO_FOR_AUTHENTICATED_USER])

## Step 5
my_task = "Star a repo ComposioHQ/composio on GitHub"

# Create a chat completion request to decide on the action
response = openai_client.chat.completions.create(
model="gpt-4-turbo",
tools=actions, # Passing actions we fetched earlier.
messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": my_task}
  ]
)

執行此 Python 腳本以使用代理程式執行給定的指令。

有關 Composio 的更多訊息，請存取他們的文件。

{% cta https://dub.composio.dev/qxJBshj %}為 Composio 儲存庫加註星標 ⭐{% endcta %}

2. LLMWare -複雜企業的人工智慧

建立人工智慧原型是一回事，但將它們部署到企業用例則是另一回事。

解決方案需要安全、穩健且防彈。 LLMWare 是一個框架，可讓您對建立企業 AI 應用程式充滿信心。

它們可讓您快速建立超高效的 AI 代理、企業 RAG 和其他工作流程。

LLMWare 有兩個主要元件：

1. RAG Pipeline - 將知識源連接到產生人工智慧模型的整合元件。

2. 50 多個小型專用模型針對企業流程自動化中的關鍵任務進行了微調，包括基於事實的問答、分類、摘要和提取。

LLMWare 入門非常簡單。

pip3 install llmware

這是 LLMWare 中資料檢索的一個簡單範例。

"""This example demonstrates the various ways to retrieve data from libraries:
      1. Create a sample library (e.g., UN Resolutions)
      2. Execute a Text Query with Author Name Filter
      3. Display Results
"""

import os
from llmware.library import Library
from llmware.retrieval import Query
from llmware.setup import Setup

def create_un_500_sample_library(library_name):

    library = Library().create_new_library(library_name)
    sample_files_path = Setup().load_sample_files(over_write=False)
    ingestion_folder_path = os.path.join(sample_files_path, "UN-Resolutions-500")
    parsing_output = library.add_files(ingestion_folder_path)

    return library

def text_retrieval_by_author(library, query_text, author):

    #   create a Query instance and pass the previously created Library object
    query = Query(library)

    #   set the keys that should be returned in the results
    query.query_result_return_keys = ["file_source", "page_num", "text", "author_or_speaker"]

    #   perform a text query by author
    query_results = query.text_query_by_author_or_speaker(query_text, author)

    #   display the results
    for i, result in enumerate(query_results):

        file_source = result["file_source"]
        page_num = result["page_num"]
        author = result["author_or_speaker"]
        text = result["text"]

        # shortening for display purpose only
        if len(text) > 150:  text = text[0:150] + " ... "

        print (f"\n> Top result for '{query_text}': {file_source} (page {page_num}), Author: {author}:\nText:{text}")

    return query_results

if __name__ == "__main__":

    library = create_un_500_sample_library("lib_author_filter_1")
    qr_output = text_retrieval_by_author(library=library, query_text='United Nations', author='Andrea Chambers')

探索如何使用 LLMWare 的範例。有關更多訊息，請參閱文件。

{% cta https://github.com/llmware-ai/llmware %}為 LLMWare 儲存庫加註星標 ⭐{% endcta %}

3. CopilotKit - 將 AI 整合到您的 Web 應用程式中

如果您正在尋找一種將人工智慧整合到現有工作流程中的方法，那麼您的搜尋到此結束。 CopilotKit 讓您可以將 AI 工作流程直接輕鬆地與任何應用程式整合。

它提供文字區域、彈出視窗、側邊欄和聊天機器人等 React 元件，以透過 AI 功能增強任何應用程式。

讓我們看看如何使用 CopilotKit 建立人工智慧聊天機器人。

npm i @copilotkit/react-core @copilotkit/react-ui

配置應用程式提供者

首先，您必須使用<CopilotKit />提供者包裝與副駕駛互動的所有元件。

使用<CopilotSidebar /> UI 元件顯示 Copilot 聊天側邊欄。您可以選擇的其他一些選項是<CopilotPopup />和<CopilotChat /> 。

"use client";

import { CopilotKit } from "@copilotkit/react-core";
import { CopilotSidebar } from "@copilotkit/react-ui";
import "@copilotkit/react-ui/styles.css";

export default function RootLayout({children}) {
  return (
    <CopilotKit publicApiKey="<your-public-api-key>">
      <CopilotSidebar>
        {children}
      </CopilotSidebar>
    </CopilotKit>
  );
}

副駕駛可讀狀態

為副駕駛提供狀態知識。

import { useCopilotReadable } from "@copilotkit/react-core";

export function YourComponent() {
  const { employees } = useEmployees();

  // Define Copilot readable state
  useCopilotReadable({
    description: "List of available users",
    value: users,
  });

  return (
    <>...</>
  );
}

副駕駛動作

讓 Copilot 使用useCopilotAction掛鉤執行操作。

import { useCopilotReadable, useCopilotAction } from "@copilotkit/react-core";

export function YourComponent() {
  const { employees, selectEmployee } = useEmployees();

  // Define Copilot readable state
  useCopilotReadable({
    description: "List of available users",
    value: users,
  });

  // Define Copilot action
  useCopilotAction({
    name: "Select an employee",
    description: "Select an employee from the list",
    parameters: [
      {
        name: "employeeId",
        type: "string",
        description: "The ID of the employee to select",
        required: true,
      }
    ],
    handler: async ({ employeeId }) => selectEmployee(employeeId),
  });

  return (
    <>...</>
  );
}

您可以查看他們的文件以獲取更多資訊。

{% cta https://github.com/CopilotKit/CopilotKit %}為 CopilotKit 儲存庫加註星標 ⭐{% endcta %}

4. Julep - AI 應用程式的託管後端

建立人工智慧應用程式很快就會變得複雜。多個移動元件（例如模型、工具和技術）使管理它們更具挑戰性。

Julep 是 AI 應用程式的託管後端，可透過內建記憶體（使用者管理）和知識（內建 RAG 和上下文管理）簡化超高效 AI 應用程式的建置。

開始使用以下pip指令。

pip install julep

這是它的工作原理。

from julep import Client
from pprint import pprint
import textwrap
import os

base_url = os.environ.get("JULEP_API_URL")
api_key = os.environ.get("JULEP_API_KEY")

client = Client(api_key=api_key, base_url=base_url)

#create agent
agent = client.agents.create(
    name="Jessica"
    model="gpt-4",
    tools=[]    # Tools defined here
)
#create a user
user = client.users.create(
    name="Anon",
    about="Average nerdy tech bro/girl spending 8 hours a day on a laptop,
)
#create a session
situation_prompt = """You are Jessica. You're a stuck-up Cali teenager.
You complain about everything. You live in Bel-Air, Los Angeles and
drag yourself to Curtis High School when necessary.
"""
session = client.sessions.create(
    user_id=user.id, agent_id=agent.id, situation=situation_prompt
)
#start a conversation

user_msg = "hey. what do you think of Starbucks?"
response = client.sessions.chat(
    session_id=session.id,
    messages=[
        {
            "role": "user",
            "content": user_msg,
            "name": "Anon",
        }
    ],
    recall=True,
    remember=True,
)

print("\n".join(textwrap.wrap(response.response[0][0].content, width=100)))

他們也支援 JavaScript。查看他們的文件以了解更多資訊。

{% cta https://github.com/julep-ai/julep %}為 Julep 儲存庫加註星標 ⭐{% endcta %}

5. Traceloop 的 openLLMetry - AI 監控變得簡單

在不監控LLMs的情況下建立人工智慧應用是一場即將發生的災難。語言模型是不確定的，有時可能很棘手，向用戶提供一致價值的唯一方法是不斷監控 LLM 追蹤。

Taceloop 的 OpenLLMetry 是一個開源監控平台，最適合追蹤 AI 工作流程。

OpenLLMetry 可以偵測OpenTelemetry 已偵測到的所有內容，包括資料庫、API 呼叫等。

此外，他們還建立了一組自訂擴展，用於檢測對 OpenAI 或 Anthropic 或 Vector DB（例如 Chroma、Pinecone、Qdrant 或 Weaviate）的呼叫等內容。

最簡單的入門方法是使用 SDK。如需完整指南，請造訪我們的文件。

安裝SDK：

pip install traceloop-sdk

在您的 LLM 應用程式中，要開始偵測程式碼，請像這樣初始化 Traceloop 追蹤器：

from traceloop.sdk import Traceloop

Traceloop.init() 

就是這樣。您現在正在使用 OpenLLMetry 追蹤您的程式碼！如果您在本地執行此程序，您可能需要停用批量發送，以便可以立即看到追蹤：

Traceloop.init(disable_batch=True)

有關更多訊息，請參閱他們的文件。

{% cta https://github.com/traceloop/openllmetry %}為 OpenLLMetry 儲存庫加註星標 ⭐{% endcta %}

6. TaiPy - 用 Python 建立 AI Web 應用程式

TaiPy 是一個開源程式庫，用於在 Python 中更快地建立可用於生產的 AI 應用程式。它允許您快速從簡單的試點過渡到生產就緒的 Web 應用程式。

這是所有 Python 開發者的超能力；即使不了解 JavaScript，您也可以建立現實世界的 AI 應用程式。

使用pip快速開始使用它。

pip install taipy

這個簡單的 Taipy 應用程式示範如何使用 Taipy 建立基本的電影推薦系統。

import taipy as tp
import pandas as pd
from taipy import Config, Scope, Gui

# Defining the helper functions

# Callback definition - submits scenario with genre selection
def on_genre_selected(state):
    scenario.selected_genre_node.write(state.selected_genre)
    tp.submit(scenario)
    state.df = scenario.filtered_data.read()

## Set initial value to Action
def on_init(state):
    on_genre_selected(state)

# Filtering function - task
def filter_genre(initial_dataset: pd.DataFrame, selected_genre):
    filtered_dataset = initial_dataset[initial_dataset["genres"].str.contains(selected_genre)]
    filtered_data = filtered_dataset.nlargest(7, "Popularity %")
    return filtered_data

# The main script
if __name__ == "__main__":
    # Taipy Scenario & Data Management

    # Load the configuration made with Taipy Studio
    Config.load("config.toml")
    scenario_cfg = Config.scenarios["scenario"]

    # Start Taipy Core service
    tp.Core().run()

    # Create a scenario
    scenario = tp.create_scenario(scenario_cfg)

    # Taipy User Interface
    # Let's add a GUI to our Scenario Management for a complete application

    # Get list of genres
    genres = [
        "Action", "Adventure", "Animation", "Children", "Comedy", "Fantasy", "IMAX"
        "Romance","Sci-FI", "Western", "Crime", "Mystery", "Drama", "Horror", "Thriller", "Film-Noir","War", "Musical", "Documentary"
    ]

    # Initialization of variables
    df = pd.DataFrame(columns=["Title", "Popularity %"])
    selected_genre = "Action"

    # User interface definition
    my_page = """
# Film recommendation

## Choose your favourite genre
<|{selected_genre}|selector|lov={genres}|on_change=on_genre_selected|dropdown|>

## Here are the top seven picks by popularity
<|{df}|chart|x=Title|y=Popularity %|type=bar|title=Film Popularity|>
    """

    Gui(page=my_page).run()

查看文件以了解更多資訊。

{% cta https://github.com/Avaiga/taipy %}為 Taipy 儲存庫加註星標 ⭐{% endcta %}

7. Trigger Dev - 後台作業平台

扳機。 Dev 是一個開源平台和 SDK，可讓您建立長時間執行的後台作業，且不會逾時。編寫正常的非同步程式碼、部署，並且永遠不會逾時。

它們還可以讓您可靠地呼叫 AI API，無需超時、自動重試和追蹤。您可以使用現有的 SDK。

import { task } from "@trigger.dev/sdk/v3";
// Generate an image using OpenAI Dall-E 3
export const generateContent = task({
  id: "generate-content",
  retry: {
    maxAttempts: 3,
  },
  run: async ({ theme, description }: Payload) => {
    const textResult = await openai.chat.completions.create({
      model: "gpt-4o",
      messages: generateTextPrompt(theme, description),
    });

    if (!textResult.choices[0]) {
      throw new Error("No content, retrying…");
    }

    const imageResult = await openai.images.generate({
      model: "dall-e-3",
      prompt: generateImagePrompt(theme, description),
    });

    if (!imageResult.data[0]) {
      throw new Error("No image, retrying…");
    }

    return {
      text: textResult.choices[0],
      image: imageResult.data[0].url,
    };
  },
});

{% cta https://github.com/triggerdotdev/trigger.dev %}為 Trigger.dev 儲存庫加註星標 ⭐{% endcta %}

8. Milvus - 用於 AI 應用程式的雲原生向量資料庫

向量資料庫是建立人工智慧應用程式的重要組成部分。它們可協助您儲存、查詢和管理文字、圖像、視訊和音訊等非結構化資料的嵌入。

Milvus 是最好的開源向量資料庫之一。它擁有所有先進的向量儲存和查詢方法，從 HNSW 到量化方法。

他們為大多數語言提供 SDK，例如 Python、Javascript、Go、Rust 等。

以下是如何開始使用 PyMilvus。

pip install --upgrade pymilvus==v2.4.4

若要安裝用於嵌入操作的模型庫，請執行以下命令：

pip install pymilvus[model]

連接到 Milvus

from pymilvus import MilvusClient

client = MilvusClient("http://localhost:19530")

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus",
    db_name="default"
)

client = MilvusClient(
    uri="http://localhost:19530",
    token="user:password", # replace this with your token
    db_name="default"
)

有關更多訊息，請參閱他們的文件。

{% cta https://github.com/milvus-io/milvus %}為 Milvus 儲存庫加註星標 ⭐{% endcta %}

9. Postiz - 使用 AI 擴大您的網路影響力

建立應用程式是一回事，但獲得用戶是另一回事。還有什麼比社群媒體更好的尋找潛在客戶和用戶的媒介呢？

Postiz 使用人工智慧幫助您加強社群媒體遊戲。

它提供了管理社交媒體貼文、建立受眾群體、捕獲潛在客戶和發展業務所需的一切。

查看儲存庫以了解更多資訊。

{% cta https://github.com/gitroomhq/postiz-app %}為 Postiz 儲存庫加註星標 ⭐{% endcta %}

感謝您閱讀這篇文章。

如果有任何其他很酷的人工智慧工具或框架可幫助您建立應用程式，請在下面的評論中告訴我。

PS請隨時在 X 上關注我；我分享有價值的事物－保證！

原文出處：https://dev.to/nevodavid/9-open-source-gems-to-become-the-ultimate-developer-2oj9