后端开发教程 - Java、Spring Boot 实战 - msg200.com
[Agentica] 每个 TypeScript 开发人员都是 AI 开发人员
1. 前言
创建 TypeScript 类，并将其转换为 AI 聊天机器人。
从现在开始，每个 TypeScript 开发人员都可以成为 AI 开发人员。
TypeScript 开发者，让我们一起成为 AI 开发者@agentica。
import { Agentica } from "@agentica/core";
import OpenAI from "openai";
import typia from "typia";
const agent = new Agentica({
vendor: {
model: "gpt-4o-mini",
api: new OpenAI({ apiKey: "********" }),
},
controllers: [
{
protocol: "class",
application: typia.llm.application<BbsArticleService, "chatgpt">(),
execute: new BbsArticleService(),
},
],
});
await agent.conversate("I want to write an article.");
2. Agentica框架
@agentica是一个专门用于LLM函数调用的框架。
您可以通过 TypeScript 类类型提供函数。如果您创建FileSystem下面的类并将其与 集成@agentica，它将成为一个文件系统聊天机器人。您可以通过聊天机器人中的对话文本来管理您的文件系统。
如果您同时提供多个 TypeScript 类（例如GoogleScholarService、NaverNewsService和NotionService），您的 AI 代理就可以通过分析学术论文和新闻文章来编写 Notion 文档。当您要求代理分析韩国近期经济趋势、对其进行评论、整理相关论文并将其写入 Notion 时，AI 代理将执行这些任务。
只需定义您的 TypeScript 类，您就可以创建任何您想要的 AI 代理。
import fs from "fs";
export class FileSystem {
public __dirname(): string {
return __dirname;
}
public readdir(input: {
path: string;
options?:
| {
encoding: "utf-8";
withFileTypes?: false | undefined;
recursive?: boolean | undefined;
}
| "utf-8"
| null;
}): Promise<string[]> {
return fs.promises.readdir(input.path, input.options);
}
public readFile(input: { path: string }): Promise<string> {
return fs.promises.readFile(input.path, "utf8");
}
public writeFileSync(input: {
file: string;
data: string;
}): Promise<void> {
return fs.promises.writeFile(input.file, input.data);
}
}
3.企业示范
BbsArticleService有人可能会问：或类的功能不是FileSystem很少吗？这难道只是一个在有限场景下运作良好的玩具项目吗？能用 创建一个企业级聊天机器人吗@agentica？
答案是肯定的，确实可以创建企业级聊天机器人。
这是一个企业级的购物中心聊天机器人，包含 289 个 API 函数。它支持标准电商平台的大多数功能，并且正如演示所示，运行起来没有任何问题。
作为参考，@agentica也可以从 Swagger/OpenAPI 文档中获取函数。下面的演示源自@samchon/shopping-backend。
import { Agentica } from "@agentica/core";
import { HttpLlm, OpenApi } from "@samchon/openapi";
import typia from "typia";
const agent = new Agentica({
model: "chatgpt",
vendor: {
api: new OpenAI({ apiKey: "*****" }),
model: "gpt-4o-mini",
},
controllers: [
{
protocol: "http",
name: "shopping",
application: HttpLlm.application({
model: "chatgpt",
document: await fetch(
"https://shopping-be.wrtn.ai/editor/swagger.json",
).then((r) => r.json()),
}),
connection: {
host: "https://shopping-be.wrtn.ai",
headers: {
Authorization: "Bearer *****",
},
},
},
{
protocol: "class",
name: "counselor",
application: typia.llm.application<ShoppingCounselor, "chatgpt">(),
execute: new ShoppingCounselor(),
},
{
protocol: "class",
name: "policy",
application: typia.llm.application<ShoppingPolicy, "chatgpt">(),
execute: new ShoppingPolicy(),
},
{
protocol: "class",
name: "rag",
application: typia.llm.application<ShoppingSearchRag, "chatgpt">(),
execute: new ShoppingSearchRag(),
},
],
});
await agent.conversate("I want to buy a MacBook Pro");
4. 原则
如果你不熟悉AI，你可能会想知道如何@agentica通过函数来完成所有事情。
或者，如果您是 AI 代理开发专家，您可能会有不同的疑问。传统的代理开发以代理工作流图为中心，那么如何@agentica利用 LLM 函数调用来实现类似的功能呢？
访问我们的框架主页或阅读我之前的文章，了解 的关键原则@agentica。在这些资源中，你将了解新的 AI 开发范式：“编译器驱动开发”和“文档驱动开发”。
5. 下一篇文章
https://dev.to/samchon/every-backend-developer-is-a-great-ai-developer-338m
每个后端开发人员也是 AI 开发人员。
考虑到后端开发人员的工作性质，他们实际上比传统的 AI/ML 工程师更适合 AI 代理开发。
我们将swagger.json文件带到@agentica，以便让 AI 聊天机器人在对话期间执行 API 函数。