【AutoGen】複数のAIエージェントが会話しながら複雑なタスクを自動解決してくれるツール

AutoGen BabyAGI AIエージェント

皆さん、AutoGenというLLMのツールを知っていますか?「複数のAIエージェント」が相互に会話しながらタスクを解決するツールで、LLMの精度を上げてくれるんです。

現在は高度なタスクを解くのに、まだシングルエージェントでしかLLMを動かしていませんよね。AutoGenを使えば、複数のAIエージェントを使うことができるので、そんな難しいことも可能になります。

AutoGenはあのMicrosoftが開発に関わっており、注目が集まっています。Githubのスター数は5500以上。

このツール、一躍話題になったBabyAGIよりも凄いんじゃないでしょうか…ワクワク

というわけで、今回はそんなAutoGenについて、概要から具体的な使い方まで解説します。本記事を読むことで、AutoGenを使った「複数エージェントによるLLMの精度向上」を容易に実現できます。

ぜひ最後までご覧ください。

なお弊社では、生成AIツール開発についての無料相談を承っています。こちらからお気軽にご相談ください。
→無料相談で話を聞いてみる

目次

AutoGenの概要

AutoGenは、「複数のAIエージェント」が相互に会話しながらタスクを解決するLLMのツールです。Microsoft、Penn State University、Washington大学の共同研究によって開発されました。ここで言うエージェントとは、ロボットのようなものだと考えてください。

参考記事:AutoGenのGitHubページ

GPT-4のようなLLMは確かに精度が高いです。しかし、そのような高精度LLMでもシングルエージェントだと、複雑なタスクの処理を解くことが難しい場合があります。

そんな時に、このAutoGenを使いロボットたちが協力することで、難しい処理もできるようになるのです。

AutoGenを使うことで、複数のAIエージェントを組み合わせることができたり、役割に応じてタスクをAIエージェントに割り振ることができるようになります。

参考記事:AutoGenのGitHubページ

AIエージェントの業務活用方法については、以下の記事を参考にしてください。

AutoGenの料金体系

AutoGenはOSSであるため、無料で利用可能です。

なお、人間と会話をしながらタスクを終わらせていくAIエージェントについて知りたい方はこちらをご覧ください。
AIエージェント「Camel」|AutoGPTとの違いや導入方法を徹底解説!

AutoGenの使い方

AutoGenのインストールには、Pythonバージョン3.8以上が必要でpipを使ってインストールできます。

Githubページはこちらです。

GitHub
GitHub - microsoft/autogen: Enable Next-Gen Large Language Model Applications. Join our Discord: htt... Enable Next-Gen Large Language Model Applications. Join our Discord: https://discord.gg/pAbnFJrkgZ - microsoft/autogen

今回はGoogle Colabを使います。Google Colabを開いたら以下のコマンドを実行して、インストールをしましょう。

!pip install pyautogen

AutoGenの利用用途としては、主に2つあります。これら2つの使い方については、使用例がコード付きで公式ページに公開されています。具体的な利用用途などの情報は、以下の表を参考にしてください。

利用用途内容公式ページのExapmleリンク
Multi-Agent Conversation Framework複数のエージェントが協力して、高度なタスクを実行AutoGen – Automated Multi Agent Chat
Enhanced LLM InferencesChatGPTやGPT-4のようなLLMの能力を最大化するAutoGen – Tune GPT Models

上記の2つの利用用途における使用例について、次のセクションで解説します。

なお、道理性、倫理性を備えたAIエージェントについて知りたい方はこちらをご覧ください。
【Hierarchical Autonomous Agent Swarm】道徳性、倫理性を備えた人間のような自律型AIエージェントを使ってみた

AutoGenを実際に使ってみた

ここでは、実際にAutoGenを使ってみます。具体的には、以下の2つのことを試してみました。

  • Multi-Agent Conversation Framework:コード生成と実行+デバッグによるタスク解決
  • Enhanced LLM Inferences:OpenAIのモデルをチューニング

Multi-Agent Conversation Framework

ここでは、AssistantAgentとUserProxyAgentという2つのエージェントを使用してコードを記述し、コードを実行する方法を説明します。この2つのエージェントの役割は、以下の通りです。

  • AssistantAgent:与えられたタスクに対してPythonを書く
  • UserProxyAgent:Pythonの実行や、AssistantAgentへのフィードバック

以下のGitHubページを参考に、実行していきます。

参考記事:autogen/notebook/agentchat_auto_feedback_from_code_execution.ipynb at main

まずは、以下のコマンドを実行して、インストールしましょう。

!pip install pyautogen~=0.1.0

次に、OpenAIのモデルを使えるようにしておきます。ここでは、GPT-4を利用します。

import autogen

config_list = [

    {

        'model': 'gpt-4',

        'api_key': 'OPEN AI API_KEY',

    }

]

公式のコードにならって、AssistantAgentに「What date is today? Compare the year-to-date gain for META and TESLA.」という質問を投げかけてみましょう。

# create an AssistantAgent named "assistant"

assistant = autogen.AssistantAgent(

    name="assistant",

    llm_config={

        "seed": 42,  # seed for caching and reproducibility

        "config_list": config_list,  # a list of OpenAI API configurations

        "temperature": 0,  # temperature for sampling

    },  # configuration for autogen's enhanced inference API which is compatible with OpenAI API

)

# create a UserProxyAgent instance named "user_proxy"

user_proxy = autogen.UserProxyAgent(

    name="user_proxy",

    human_input_mode="NEVER",

    max_consecutive_auto_reply=10,

    is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),

    code_execution_config={

        "work_dir": "coding",

        "use_docker": False,  # set to True or image name like "python:3" to use docker

    },

)

# the assistant receives a message from the user_proxy, which contains the task description

user_proxy.initiate_chat(

    assistant,

    message="""What date is today? Compare the year-to-date gain for META and TESLA.""",

)

すると、以下のように出力されました。

user_proxy (to assistant):

What date is today? Compare the year-to-date gain for META and TESLA.

--------------------------------------------------------------------------------

assistant (to user_proxy):

First, let's get the current date. We can do this using Python's built-in datetime module.

```python

# python code

import datetime

# Get the current date

current_date = datetime.date.today()

print("Today's date is:", current_date)

```

Next, we need to get the year-to-date (YTD) gain for META (Facebook) and TESLA. We can do this by using the yfinance library in Python, which allows us to download stock market data from Yahoo Finance.

First, we need to install the yfinance library. You can do this by running the following command in your terminal:

```sh

# shell script

pip install yfinance

```

After installing yfinance, we can use it to get the YTD gain for META and TESLA. Here's how you can do it:

```python

# python code

import yfinance as yf

# Get the data for the stock Apple by specifying the stock ticker, start date, and end date

meta_data = yf.download('META', start='2022-01-01', end=current_date)

tesla_data = yf.download('TSLA', start='2022-01-01', end=current_date)

# Calculate the YTD gain for META and TESLA

meta_ytd_gain = ((meta_data['Close'][-1] - meta_data['Close'][0]) / meta_data['Close'][0]) * 100

tesla_ytd_gain = ((tesla_data['Close'][-1] - tesla_data['Close'][0]) / tesla_data['Close'][0]) * 100

print("META's YTD gain is: ", meta_ytd_gain, "%")

print("TESLA's YTD gain is: ", tesla_ytd_gain, "%")

```

This code will print out the YTD gain for META and TESLA. The YTD gain is calculated by subtracting the closing price of the stock on the first day of the year from the closing price on the current day, dividing by the closing price on the first day of the year, and then multiplying by 100 to get a percentage.

--------------------------------------------------------------------------------

>>>>>>>> EXECUTING CODE BLOCK 0 (inferred language is python)...

>>>>>>>> EXECUTING CODE BLOCK 1 (inferred language is sh)...

>>>>>>>> EXECUTING CODE BLOCK 2 (inferred language is python)...

user_proxy (to assistant):

exitcode: 1 (execution failed)

Code output:

Today's date is: 2023-10-05

Requirement already satisfied: yfinance in /usr/local/lib/python3.10/dist-packages (0.2.30)

Requirement already satisfied: pandas>=1.3.0 in /usr/local/lib/python3.10/dist-packages (from yfinance) (1.5.3)

Requirement already satisfied: numpy>=1.16.5 in /usr/local/lib/python3.10/dist-packages (from yfinance) (1.23.5)

Requirement already satisfied: requests>=2.31 in /usr/local/lib/python3.10/dist-packages (from yfinance) (2.31.0)

Requirement already satisfied: multitasking>=0.0.7 in /usr/local/lib/python3.10/dist-packages (from yfinance) (0.0.11)

Requirement already satisfied: lxml>=4.9.1 in /usr/local/lib/python3.10/dist-packages (from yfinance) (4.9.3)

Requirement already satisfied: appdirs>=1.4.4 in /usr/local/lib/python3.10/dist-packages (from yfinance) (1.4.4)

Requirement already satisfied: pytz>=2022.5 in /usr/local/lib/python3.10/dist-packages (from yfinance) (2023.3.post1)

Requirement already satisfied: frozendict>=2.3.4 in /usr/local/lib/python3.10/dist-packages (from yfinance) (2.3.8)

Requirement already satisfied: peewee>=3.16.2 in /usr/local/lib/python3.10/dist-packages (from yfinance) (3.16.3)

Requirement already satisfied: beautifulsoup4>=4.11.1 in /usr/local/lib/python3.10/dist-packages (from yfinance) (4.11.2)

Requirement already satisfied: html5lib>=1.1 in /usr/local/lib/python3.10/dist-packages (from yfinance) (1.1)

Requirement already satisfied: soupsieve>1.2 in /usr/local/lib/python3.10/dist-packages (from beautifulsoup4>=4.11.1->yfinance) (2.5)

Requirement already satisfied: six>=1.9 in /usr/local/lib/python3.10/dist-packages (from html5lib>=1.1->yfinance) (1.16.0)

Requirement already satisfied: webencodings in /usr/local/lib/python3.10/dist-packages (from html5lib>=1.1->yfinance) (0.5.1)

Requirement already satisfied: python-dateutil>=2.8.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=1.3.0->yfinance) (2.8.2)

Requirement already satisfied: charset-normalizer<4,>=2 in /usr/local/lib/python3.10/dist-packages (from requests>=2.31->yfinance) (3.2.0)

Requirement already satisfied: idna<4,>=2.5 in /usr/local/lib/python3.10/dist-packages (from requests>=2.31->yfinance) (3.4)

Requirement already satisfied: urllib3<3,>=1.21.1 in /usr/local/lib/python3.10/dist-packages (from requests>=2.31->yfinance) (2.0.5)

Requirement already satisfied: certifi>=2017.4.17 in /usr/local/lib/python3.10/dist-packages (from requests>=2.31->yfinance) (2023.7.22)

Traceback (most recent call last):

  File "", line 5, in <module>

    meta_data = yf.download('META', start='2022-01-01', end=current_date)

NameError: name 'current_date' is not defined

--------------------------------------------------------------------------------

assistant (to user_proxy):

I apologize for the confusion. The error occurred because the `current_date` variable was defined in a separate code block and is not available in the subsequent code block.

Let's combine the two code blocks into one to solve this issue. Here's the corrected code:

```python

# python code

import datetime

import yfinance as yf

# Get the current date

current_date = datetime.date.today()

print("Today's date is:", current_date)

# Get the data for the stock Apple by specifying the stock ticker, start date, and end date

meta_data = yf.download('META', start='2022-01-01', end=current_date)

tesla_data = yf.download('TSLA', start='2022-01-01', end=current_date)

# Calculate the YTD gain for META and TESLA

meta_ytd_gain = ((meta_data['Close'][-1] - meta_data['Close'][0]) / meta_data['Close'][0]) * 100

tesla_ytd_gain = ((tesla_data['Close'][-1] - tesla_data['Close'][0]) / tesla_data['Close'][0]) * 100

print("META's YTD gain is: ", meta_ytd_gain, "%")

print("TESLA's YTD gain is: ", tesla_ytd_gain, "%")

```

This code will print out the current date and the YTD gain for META and TESLA.

--------------------------------------------------------------------------------

>>>>>>>> EXECUTING CODE BLOCK 0 (inferred language is python)...

user_proxy (to assistant):

exitcode: 0 (execution succeeded)

Code output:

Today's date is: 2023-10-05

[*********************100%%**********************]  1 of 1 completed

[*********************100%%**********************]  1 of 1 completed

META's YTD gain is:  -9.735931098460608 %

TESLA's YTD gain is:  -34.69802698965883 %

--------------------------------------------------------------------------------

assistant (to user_proxy):

Based on the output, the year-to-date (YTD) gain for META (Facebook) is approximately -9.74%, indicating a decrease in value. On the other hand, the YTD gain for TESLA is approximately -34.70%, which also indicates a decrease in value.

Please note that these values are based on the closing prices of the stocks from the start of the year 2023 to the date of October 5, 2023. The negative YTD gain means that the stock's value has decreased since the start of the year.

TERMINATE

上記の結果を見ると、所々にエラーメッセージがあり、それをAssistantAgentが修正している箇所が見られます。

では、上記のテスラとMetaの株価をプロットしてみましょう。

# followup of the previous question

user_proxy.send(

    recipient=assistant,

    message="""Plot a chart of their stock price change YTD and save to stock_price_ytd.png.""",

)

ここでも、下記のように2つのエージェントがやり取りをしているのが分かります。

user_proxy (to assistant):

Plot a chart of their stock price change YTD and save to stock_price_ytd.png.

--------------------------------------------------------------------------------

assistant (to user_proxy):

We can use the matplotlib library in Python to plot the chart of their stock price change YTD. If you haven't installed matplotlib yet, you can install it using the following command:

```sh

# shell script

pip install matplotlib

```

After installing matplotlib, you can use the following code to plot the chart and save it to a file:

```python

# python code

import matplotlib.pyplot as plt

# Plot the closing prices of META and TESLA

plt.figure(figsize=(14, 7))

plt.plot(meta_data['Close'], label='META')

plt.plot(tesla_data['Close'], label='TESLA')

# Add title and labels

plt.title('Stock Price Change YTD for META and TESLA')

plt.xlabel('Date')

plt.ylabel('Closing Price (USD)')

# Add legend

plt.legend()

# Save the plot to a file

plt.savefig('stock_price_ytd.png')

```

This code will create a line plot of the closing prices of META and TESLA stocks from the start of the year to the current date. The plot is then saved to a file named 'stock_price_ytd.png'.

--------------------------------------------------------------------------------

>>>>>>>> EXECUTING CODE BLOCK 0 (inferred language is sh)...

>>>>>>>> EXECUTING CODE BLOCK 1 (inferred language is python)...

user_proxy (to assistant):

exitcode: 1 (execution failed)

Code output:

Requirement already satisfied: matplotlib in /usr/local/lib/python3.10/dist-packages (3.7.1)

Requirement already satisfied: contourpy>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (1.1.1)

Requirement already satisfied: cycler>=0.10 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (0.12.0)

Requirement already satisfied: fonttools>=4.22.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (4.43.0)

Requirement already satisfied: kiwisolver>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (1.4.5)

Requirement already satisfied: numpy>=1.20 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (1.23.5)

Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (23.1)

Requirement already satisfied: pillow>=6.2.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (9.4.0)

Requirement already satisfied: pyparsing>=2.3.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (3.1.1)

Requirement already satisfied: python-dateutil>=2.7 in /usr/local/lib/python3.10/dist-packages (from matplotlib) (2.8.2)

Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.7->matplotlib) (1.16.0)

Traceback (most recent call last):

  File "", line 6, in <module>

    plt.plot(meta_data['Close'], label='META')

NameError: name 'meta_data' is not defined

--------------------------------------------------------------------------------

assistant (to user_proxy):

I apologize for the confusion. The error occurred because the `meta_data` and `tesla_data` variables were defined in a separate code block and are not available in the subsequent code block.

Let's combine the two code blocks into one to solve this issue. Here's the corrected code:

```python

# python code

import datetime

import yfinance as yf

import matplotlib.pyplot as plt

# Get the current date

current_date = datetime.date.today()

# Get the data for the stock Apple by specifying the stock ticker, start date, and end date

meta_data = yf.download('META', start='2022-01-01', end=current_date)

tesla_data = yf.download('TSLA', start='2022-01-01', end=current_date)

# Plot the closing prices of META and TESLA

plt.figure(figsize=(14, 7))

plt.plot(meta_data['Close'], label='META')

plt.plot(tesla_data['Close'], label='TESLA')

# Add title and labels

plt.title('Stock Price Change YTD for META and TESLA')

plt.xlabel('Date')

plt.ylabel('Closing Price (USD)')

# Add legend

plt.legend()

# Save the plot to a file

plt.savefig('stock_price_ytd.png')

```

This code will create a line plot of the closing prices of META and TESLA stocks from the start of the year to the current date. The plot is then saved to a file named 'stock_price_ytd.png'.

--------------------------------------------------------------------------------

上記の最後のコード部分によって、プロットのpngファイルが作成されました。以下のコードを実行して、pngファイルを表示してみましょう。

from IPython.display import Image

Image(filename='coding/stock_price_ytd.png')

出力は以下の通りです。

このように、AssistantAgentに対してタスクを自然言語で与えるだけで、AIが自動で実行してくれました。

Enhanced LLM Inferences

次にGPTを、数学の問題に強くなってもらうためにチューニングします。数学のデータセットを使い、それらのモデルの数学の問題解決を測定します。

まずは、以下のコマンドを実行して、インストールをしてください。

!pip install "pyautogen[blendsearch]" datasets

OpenAIのAPI Keyを設定します。’OPEN AI API_KEY’の中は各自で取得したAPI_KEYを入力してください。

import autogen

config_list = [

    {'api_key': 'OPEN AI API_KEY'}

]

次に、以下のコードを実行して数学のデータセットをロードします。

import datasets

seed = 41

data = datasets.load_dataset("competition_math")

train_data = data["train"].shuffle(seed=seed)

test_data = data["test"].shuffle(seed=seed)

n_tune_data = 20

tune_data = [

    {

        "problem": train_data[x]["problem"],

        "solution": train_data[x]["solution"],

    }

    for x in range(len(train_data)) if train_data[x]["level"] == "Level 2" and train_data[x]["type"] == "Algebra"

][:n_tune_data]

test_data = [

    {

        "problem": test_data[x]["problem"],

        "solution": test_data[x]["solution"],

    }

    for x in range(len(test_data)) if test_data[x]["level"] == "Level 2" and test_data[x]["type"] == "Algebra"

]

print(len(tune_data), len(test_data))

それでは、まずはここで解く数学の問題例を見ていきましょう。以下のコードを実行してください。

print(tune_data[1]["problem"])

問題例

If $3+a=4-b$ and $4+b=7+a$, what is $3-a$?

「3+a=4-b, 4+b=7+aであれば, 3-aはいくらになる?」という連立方程式を解く問題です。このような問題が、ざっと20問ほどあり、GPTに解かせるイメージです。

また、上記の問題例の回答を見るには以下のコードを実行します。

print(tune_data[1]["solution"])

回答例

First we begin by solving the system of equations \begin{align*}

3+a&=4-b, \\

4+b&=7+a.

\end{align*}Adding the two equations, we get $3+a+4+b=4-b+7+a$, which simplifies to $7+a+b=11+a-b$. Cancelling $a$ from both sides, we get $7+b=11-b$. Solving for $b$, we find that $b=2$. 

Plugging this into the first equation above, we obtain $3+a=4-2$. Hence $a=-1$ and $3-a=\boxed{4}$.

今回は上記のような数学問題をGPTに解かせるために、エージェントにGPTのパラメータを調節してもらいましょう。

from autogen.math_utils import eval_math_responses

autogen.ChatCompletion.set_cache(seed)

import logging

prompts = ["{problem} Solve the problem carefully. Simplify your answer as much as possible. Put the final answer in \\boxed{{}}."]

config, analysis = autogen.ChatCompletion.tune(

    data=tune_data,  # the data for tuning

    metric="success_vote",  # the metric to optimize

    mode="max",  # the optimization mode

    eval_func=eval_math_responses,  # the evaluation function to return the success metrics

    # log_file_name="logs/math.log",  # the log file name

    inference_budget=0.02,  # the inference budget (dollar per instance)

    optimization_budget=1,  # the optimization budget (dollar in total)

    # num_samples can further limit the number of trials for different hyperparameter configurations;

    # -1 means decided by the optimization budget only

    num_samples=20,

    model="gpt-3.5-turbo",  # comment to tune both gpt-3.5-turbo and gpt-4

    prompt=prompts,  # the prompt templates to choose from

    # stop="###",  # the stop sequence

    config_list=config_list,  # the endpoint list

    allow_format_str_template=True,  # whether to allow format string template

    # logging_level=logging.INFO,  # the logging level

)

下記のコードで調節結果を見ることができます。

print("optimized config", config)

print("best result on tuning data", analysis.best_result)

AutoGenによる調節結果

optimized config {'max_tokens': 375, 'n': 44, 'prompt': '{problem} Solve the problem carefully. Simplify your answer as much as possible. Put the final answer in \\boxed{{}}.', 'model': 'gpt-3.5-turbo', 'allow_format_str_template': True, 'temperature': 0.7466815201029384}

best result on tuning data {'expected_success': 0.9818164607828072, 'success': 1.0, 'success_vote': 0.95, 'voted_answer': 'To find the number of integers in the sequence, we need to find when each term becomes less than 1. \n\nStarting with 6075, we divide by 3 to get $\\frac{6075}{3} = 2025$. Since 2025 is an integer, it is included in the sequence.\n\nDividing 2025 by 3, we get $\\frac{2025}{3} = 675$. Again, 675 is an integer, so it is included in the sequence.\n\nIf we divide 675 by 3, we get $\\frac{675}{3} = 225$. 225 is an integer, so it is included in the sequence.\n\nDividing 225 by 3, we get $\\frac{225}{3} = 75$. 75 is an integer, so it is included in the sequence.\n\nDividing 75 by 3, we get $\\frac{75}{3} = 25$. 25 is an integer, so it is included in the sequence.\n\nIf we divide 25 by 3, we get $\\frac{25}{3} \\approx 8.3333$, which is not an integer. Thus, 25 is the last integer in the sequence.\n\nThere are a total of $\\boxed{6}$ integers in the sequence.', 'votes': 34.85, 'total_cost': 0.463802, 'cost': 0.27552199999999993, 'inference_cost': 0.01310685, 'training_iteration': 0, 'config': {'temperature_or_top_p': {'temperature': 0.7466815201029384}, 'max_tokens': 375, 'n': 44, 'prompt': 0, 'model': 'gpt-3.5-turbo', 'allow_format_str_template': True}, 'config/temperature_or_top_p': {'temperature': 0.7466815201029384}, 'config/max_tokens': 375, 'config/n': 44, 'config/prompt': 0, 'config/model': 'gpt-3.5-turbo', 'config/allow_format_str_template': True, 'experiment_tag': 'exp', 'time_total_s': 201.2768588066101}

調節した設定をGPTに適用しましょう。

response = autogen.ChatCompletion.create(context=tune_data[1], config_list=config_list, **config)

metric_results = eval_math_responses(autogen.ChatCompletion.extract_text(response), **tune_data[1])

print("response on an example data instance:", response)

print("metric_results on the example data instance:", metric_results)

最後に、以下のソコードで調節済みのGPTでテストデータの評価をすることができます。

result = autogen.ChatCompletion.test(test_data, logging_level=logging.INFO, config_list=config_list, **config)

print("performance on test data with the tuned config:", result)

調節されていないデフォルトのGPTと、精度を比較してみましょう。

default_config = {"model": 'gpt-4', "prompt": prompts[0], "allow_format_str_template": True}

default_result = autogen.ChatCompletion.test(test_data, config_list=config_list, **default_config)

print("performance on test data from gpt-4 with a default config:", default_result)

print("tuned config succeeds in {:.1f}% test cases".format(result["success_vote"] * 100))

print("untuned config succeeds in {:.1f}% test cases".format(default_result["success_vote"] * 100))

結果は以下の通りになりました。

tuned config succeeds in 93.5% test cases

untuned config succeeds in 67.2% test cases

調節済みの方が93.5%で、未調節が67.2%という結果に。これにより、AutoGenを用いたAIモデルのパラメータ調節を行うことで、モデルの精度を上げることができます。

AutoGenの推しポイントである複雑なタスクの実行は本当なのか?

以下の3つに対して、「Multi-Agent Conversation Framework」を用いた「自動コーディング」による、TeslaとMetaの株価のプロットの様子を、比較してみましょう。

  • AutoGen
  • BabyAGI
  • Camel

プロンプトは「What date is today? Compare the year-to-date gain for META and TESLA.」です。

まずはBabyAGIの実装です。

下記のコードで必要なパッケージのインストールを行いましょう。

# パッケージのインストール

!git clone https://github.com/yoheinakajima/babyagi.git

%cd babyagi

!pip install -r requirements.txt

次に、環境変数の準備を行います。Objectiveには、プロンプトの内容を入れました。

# 環境変数の準備

import os

# API CONFIG

os.environ["OPENAI_API_KEY"] = "<OpenAIのAPIキー>"

os.environ["OPENAI_API_MODEL"] = "gpt-3.5-turbo"

os.environ["PINECONE_API_KEY"] = "<PineconeのAPIキー>"

os.environ["PINECONE_ENVIRONMENT"] = "us-west1-gcp"

os.environ["TABLE_NAME"] = "test-table"

os.environ["BABY_NAME"] = "BabyAGI"

os.environ["OBJECTIVE"] = "What date is today? Compare the year-to-date gain for META and TESLA. And plot a chart of their stock price change YTD and save to stock_price_ytd.png."

os.environ["INITIAL_TASK"] = "First, let's get the current date. We can do this using Python's built-in datetime module."

os.environ["DOTENV_EXTENSIONS"] = ""

os.environ["ENABLE_COMMAND_LINE_ARGS"] = "false"

では、実行してみましょう。

# BabyAGIの実行

!python babyagi.py

足りないパッケージのインストール等も、AutoGenと同様に行ってくれていますね。ただ、プロットはできなかったです。自動プログラミングとデバックは苦手なのかな。
手動で停止しないと実行し続けるので、注意してください。

続いて、Camelの実装です。

まずはパッケージインストール。

!pip install git+https://github.com/camel-ai/camel.git@v0.1.0

次にOpenAIのAPI Keyの設定。

import openai

openai.api_key = ""

そして実行。

from colorama import Fore

from camel.agents import RolePlaying

from camel.utils import print_text_animated

task_prompt = "What date is today? Compare the year-to-date gain for META and TESLA. And plot a chart of their stock price change YTD and save to stock_price_ytd.png."

print(Fore.YELLOW + f"Original task prompt:\n{task_prompt}\n")

role_play_session = RolePlaying("Computer Programmer", task_prompt)

print(Fore.CYAN + f"Specified task prompt:\n{role_play_session.task_prompt}\n")

chat_turn_limit, n = 10, 0

assistant_msg, _ = role_play_session.init_chat()

while n < chat_turn_limit:

    n += 1

    (assistant_msg, _, _), (user_msg, _, _) = role_play_session.step(assistant_msg)

    print_text_animated(Fore.BLUE + f"AI User:\n\n{user_msg.content}\n\n")

    print_text_animated(Fore.GREEN + f"AI Assistant:\n\n{assistant_msg.content}\n\n")

    if "<CAMEL_TASK_DONE>" in user_msg.content:

        break

結果は次の通り(最初の方は省略)。

Original task prompt:

What date is today? Compare the year-to-date gain for META and TESLA. And plot a chart of their stock price change YTD and save to stock_price_ytd.png.

AI Assistant:

Solution:

To save the line chart as "stock_price_ytd.png" in the current working directory, we can use the `plt.savefig()` function from matplotlib.

Here is the updated code to save the line chart:

```python

import datetime

import matplotlib.pyplot as plt

# Assuming we have the stock prices for META and TESLA stored in lists

meta_prices = [100, 110, 120, 130, 140]  # Replace with actual META stock prices

tesla_prices = [200, 210, 220, 230, 240]  # Replace with actual TESLA stock prices

# Get the current date

current_date = datetime.date.today()

# Get the dates for the beginning of the year until the current date

dates = [datetime.date(current_date.year, 1, 1) + datetime.timedelta(days=i) for i in range((current_date - datetime.date(current_date.year, 1, 1)).days + 1)]

# Plot the stock price changes YTD for META and TESLA

plt.plot(dates, meta_prices, label='META')

plt.plot(dates, tesla_prices, label='TESLA')

# Add labels and title to the chart

plt.xlabel('Date')

plt.ylabel('Stock Price')

plt.title('Stock Price Changes YTD')

# Add a legend

plt.legend()

# Save the chart as "stock_price_ytd.png" in the current working directory

plt.savefig('stock_price_ytd.png')

# Display the chart

plt.show()

```

Make sure you have the necessary permissions to write files in the current working directory. The line `plt.savefig('stock_price_ytd.png')` will save the chart as "stock_price_ytd.png" in the same directory where the Python script is executed.

Next request.

AI User:

<CAMEL_TASK_DONE>

AI Assistant:

Task completed.

「プロットのpngファイルを出力してくれるPython」を記述することには成功しました。

総評として、まずBabyAGIではプロットまでできなかったです。AutoGenとCamelであれば、今回のユースケースであれば、同じような精度で行えるのではないかと感じました。

ただ、AutoGenではパラメータ調節など、自由にカスタマイズができる点が強みだと思います。一方で、Camelの方が、実装が非常に簡単だというメリットがあります。

BabyAGIによるタスクの自動生成、実行については、以下の記事が有益です。

自律型AIエージェント開発実績

弊社では、要件定義・業務フロー作成を80%自動化できる自律型AIエージェントの開発実績がございます。

自律型AIエージェントを活用することで、AIと対話をするだけで業務フロー図の作図や、マニュアル作成、要件定義を半自動で行うことが可能です。

これにより、全体の工数を(この例の場合)50%以上削減することができます。

今後ITエンジニアが不足すると言われる中で、上流工程を担当する人は特に不足していくと思われます。IT業界の方や、社内DXを行う方にとって有用な事例になればと思います。

こちらがGPT-4が生成した業務フロー図(病院システムの例)になります。

自律型AIエージェントの開発に興味がある方には、まずは1時間の無料相談をご用意しております。
こちらからご連絡ください。

まとめ

AutoGenは、「複数のエージェント」が相互に会話しながらタスクを解決するLLMのツールです。AutoGenを使うことで、LLMに複雑なタスクの処理を解かせることが可能になります。

特に、命令を一言プロンプト入力するだけで、ほとんど自動的にタスクを遂行できる点は魅力的です。

また、AutoGenの設定は他のツールと比べて少し複雑ですが、調節によるカスタマイズも可能であり、柔軟性が高いと思います。

ただし、実装が少し面倒くさいというデメリットもあります。

最後に

いかがだったでしょうか?

弊社では

・マーケティングやエンジニアリングなどの専門知識を学習させたAI社員の開発
・要件定義・業務フロー作成を80%自動化できる自律型AIエージェントの開発
・生成AIとRPAを組み合わせた業務自動化ツールの開発
・社内人事業務を99%自動化できるAIツールの開発
ハルシネーション対策AIツールの開発
自社専用のAIチャットボットの開発

などの開発実績がございます。

まずは、「無料相談」にてご相談を承っておりますので、ご興味がある方はぜひご連絡ください。

➡︎生成AIを使った業務効率化、生成AIツールの開発について相談をしてみる。

生成AIを社内で活用していきたい方へ

「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。

セミナー内容や料金については、ご相談ください。

また、弊社紹介資料もご用意しておりますので、併せてご確認ください。

投稿者

  • Hiromi Sai

    ChatGPTメディア運営 / テクニカルライター リベラルアーツ専攻。大学休学中は、Webマーケティング会社のマネージャーとしてライター、ディレクター100名のマネジメントをする。南米のチリとタイでの長期居住歴を持つ。

  • URLをコピーしました!
  • URLをコピーしました!
目次