autogen_ext.experimental.task_centric_memory.utils

class Apprentice(client: ChatCompletionClient, config: ApprenticeConfig | 无 = None, logger: PageLogger | 无 = None)

基础: object

一个最小化的包装器，将任务中心化内存与代理或团队结合起来。 应用程序可以使用Apprentice类，或者直接实例化 并调用Memory Controller，使用此类作为示例。

Parameters:

• client – 用于调用模型的客户端。

• config –

  一个可选的字典，可以用来覆盖以下值：

  • name_of_agent_or_team: 目标代理或团队的名称，用于分配任务。

  • disable_prefix_caching: 设置为True以通过在第一条消息前添加随机整数来禁用前缀缓存。

  • MemoryController: 传递给MemoryController的配置字典。

• logger – 一个可选的日志记录器。如果为None，将创建一个默认的日志记录器。

async add_task_solution_pair_to_memory(task: str, solution: str) → 无

将一个任务-解决方案对添加到记忆库中，以便以后作为组合洞察一起检索。这在洞察是展示如何解决给定类型任务时非常有用。

async assign_task(task: str, use_memory: bool = True, should_await: bool = True) → str

将任务分配给代理，并附带任何相关的见解/记忆。

async assign_task_to_agent_or_team(task: str) → 元组[str, str]

将给定的任务传递给目标代理或团队。

async handle_user_message(text: str, should_await: bool = True) → str

处理用户消息，提取任何建议并分配任务给代理。

reset_memory() → 无

重置内存库。

async train_on_task(task: str, expected_answer: str) → 无

反复将任务分配给完成代理，并通过创建有用的见解作为记忆来尝试从失败中学习。

class ChatCompletionClientRecorder(client: ChatCompletionClient, mode: 字面量['record', 'replay'], session_file_path: str, logger: PageLogger | 无 = None)

基础类：ChatCompletionClient

一个支持快速、大规模测试代码调用LLM客户端的聊天完成客户端。

支持两种模式：

1. “record”：委派给底层客户端，同时记录输入消息和响应，当调用finalize()时，这些记录将被保存到磁盘。

2. “replay”：从磁盘加载之前记录的消息和响应，然后在每次调用时检查其消息是否与记录的消息匹配，并返回记录的响应。

记录的数据以JSON列表的形式存储。每条记录是一个字典，包含一个“mode”字段（“create”或“create_stream”）、一个序列化的消息列表，以及一个“response”（用于create调用）或一个“stream”（用于create_stream调用的流输出列表）。

ReplayChatCompletionClient和ChatCompletionCache执行类似的任务，但有显著差异： - ReplayChatCompletionClient按照指定的顺序回放预定义的响应， 不记录任何内容或检查发送到客户端的消息。 - ChatCompletionCache缓存响应，并为之前见过的消息回放它们， 无论顺序如何，并为任何未缓存的消息调用基础客户端。

actual_usage() → RequestUsage

property capabilities: ModelCapabilities

async close() → 无

count_tokens(messages: Sequence[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], *, tools: Sequence[工具 | 工具模式] = []) → int

async create(messages: Sequence[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], *, tools: Sequence[工具 | 工具模式] = [], json_output: bool | 无 = None, extra_create_args: 映射[str, 任何] = {}, cancellation_token: CancellationToken | 无 = None) → CreateResult

create_stream(messages: Sequence[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], *, tools: Sequence[工具 | 工具模式] = [], json_output: bool | 无 = None, extra_create_args: 映射[str, 任何] = {}, cancellation_token: CancellationToken | 无 = None) → AsyncGenerator[str | CreateResult, 无]

finalize() → 无

在记录模式下，将累积的记录保存到磁盘。 在回放模式下，确保所有记录都被检查。

property model_info: ModelInfo

remaining_tokens(messages: Sequence[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], *, tools: Sequence[工具 | 工具模式] = []) → int

total_usage() → RequestUsage

class Grader(client: ChatCompletionClient, logger: PageLogger | 无 = None)

基础: object

运行基本测试，并确定任务成功，不限于字符串匹配。

Parameters:

• client – 用于调用模型的客户端。

• logger – 一个可选的记录器。如果为None，则不执行日志记录。

async call_model(summary: str, user_content: str | 列表[str | 图片], system_message_content: str | 无 = None, keep_these_messages: bool = True) → str

使用给定的输入调用模型客户端并返回响应。

async is_response_correct(task_description: str, response_to_be_graded: str, correct_answer: str) → 元组[bool, str]

确定响应是否等同于任务的正确答案。

async test_apprentice(apprentice: 学徒, task_description: str, expected_answer: str, num_trials: int, use_memory: bool, client: ChatCompletionClient) → Tuple[int, int]

class PageLogger(config: PageLoggerConfig | 无 = None)

基础: object

将文本和图像记录到一组HTML页面中，每个函数/方法一个页面，在调用树中相互链接。

Parameters:

config –

一个可选的字典，可用于覆盖以下值：

• level: 日志级别，可以是DEBUG、INFO、WARNING、ERROR、CRITICAL或NONE。

• path: 日志文件将写入的目录路径。

add_link_to_image(description: str, source_image_path: str) → 无

在页面中插入一个指向图片的缩略图链接。

critical(line: str) → 无

如果调试级别 <= CRITICAL，则在当前页面添加CRITICAL文本。

debug(line: str) → 无

如果调试等级 <= DEBUG，在当前页面添加DEBUG文本。

enter_function() → Page | 无

为当前函数调用添加一个新页面。

error(line: str) → 无

如果调试级别 <= ERROR，则向当前页面添加 ERROR 文本。

finalize() → 无

flush(finished: bool = False) → 无

将日志的当前状态写入磁盘。

info(line: str) → 无

如果调试级别 <= INFO，向当前页面添加INFO文本。

leave_function() → 无

完成与当前函数调用对应的页面。

log_dict_list(content: 列表[映射[str, 任何]], summary: str) → 无

添加一个包含字典列表的页面。

log_link_to_local_file(file_path: str) → str

返回日志中本地文件的链接。

log_message_content(message_content: str | 列表[str | 图片] | 列表[FunctionCall] | 列表[FunctionExecutionResult], summary: str) → 无

添加一个包含消息内容的页面，包括任何图片。

log_model_call(summary: str, input_messages: 列表[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], response: CreateResult) → Page | 无

将发送给模型的日志消息和TaskResult响应记录到新页面。

log_model_task(summary: str, input_messages: 列表[已注解[系统消息 | UserMessage | AssistantMessage | FunctionExecutionResultMessage, FieldInfo(annotation=NoneType, required=True, discriminator='type')]], task_result: TaskResult) → Page | 无

记录发送到模型的消息和TaskResult响应到一个新页面。

warning(line: str) → 无

如果调试级别小于等于 WARNING，则在当前页面添加 WARNING 文本。

class Teachability(memory_controller: MemoryController, name: str | 无 = None)

基础：Memory

赋予AssistantAgent快速从用户教导、提示和建议中学习的能力。

使用步骤： 1. 实例化 MemoryController。 2. 实例化 Teachability，将内存控制器作为参数传递。 3. 实例化一个 AssistantAgent，将 teachability 实例（封装在一个列表中）作为内存参数传递。 4. 像往常一样使用 AssistantAgent，例如与用户聊天。

async add(content: MemoryContent, cancellation_token: CancellationToken | 无 = None) → 无

尝试从传递的内容中提取任何建议，并将其添加到内存中。

async clear() → 无

从内存中清除所有条目。

async close() → 无

清理内存资源。

property name: str

获取内存实例标识符。

async query(query: str | MemoryContent, cancellation_token: CancellationToken | 无 = None, **kwargs: 任何) → MemoryQueryResult

返回似乎与查询相关的任何记忆。

async update_context(model_context: ChatCompletionContext) → UpdateContextResult

从用户的最后一次交互中提取任何建议并存储在内存中，并将任何相关的记忆添加到模型上下文中。