phidata

PythonAssistant 可以通过编写和运行 Python 代码来完成任务。

• 创建一个文件 python_assistant.py

python
1from phi.assistant.python import PythonAssistant
2from phi.file.local.csv import CsvFile
3
4python_assistant = PythonAssistant(
5    files=[
6        CsvFile(
7            path="https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
8            description="包含来自 IMDB 的电影信息。",
9        )
10    ],
11    pip_install=True,
12    show_tool_calls=True,
13)
14
15python_assistant.print_response("电影的平均评分是多少？", markdown=True)

• 安装 pandas 并运行 python_assistant.py

shell
1pip install pandas
2
3python python_assistant.py

DuckDbAssistant 可以使用 SQL 执行数据分析。

• 创建一个文件 data_assistant.py

python
1import json
2from phi.assistant.duckdb import DuckDbAssistant
3
4duckdb_assistant = DuckDbAssistant(
5    semantic_model=json.dumps({
6        "tables": [
7            {
8                "name": "movies",
9                "description": "包含来自 IMDB 的电影信息。",
10                "path": "https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
11            }
12        ]
13    }),
14)
15
16duckdb_assistant.print_response("电影的平均评分是多少？显示 SQL。", markdown=True)

• 安装 duckdb 并运行 data_assistant.py 文件

shell
1pip install duckdb
2
3python data_assistant.py

我们最喜欢的 LLM 功能之一是从文本生成结构化数据（即 pydantic 模型）。使用此功能可以提取特征、生成电影脚本、生成假数据等。

让我们创建一个 Movie Assistant 来为我们编写 MovieScript。

• 创建一个文件 movie_assistant.py

python
1from typing import List
2from pydantic import BaseModel, Field
3from rich.pretty import pprint
4from phi.assistant import Assistant
5
6class MovieScript(BaseModel):
7    setting: str = Field(..., description="为一部大片提供一个美好的背景。")
8    ending: str = Field(..., description="电影的结局。如果没有提供，提供一个快乐的结局。")
9    genre: str = Field(..., description="电影的类型。如果没有提供，选择动作、惊悚或浪漫喜剧。")
10    name: str = Field(..., description="为这部电影取一个名字。")
11    characters: List[str] = Field(..., description="这部电影中的角色名称。")
12    storyline: str = Field(..., description="电影的三句话故事情节。让它令人兴奋！")
13
14movie_assistant = Assistant(
15    description="你帮助编写电影脚本。",
16    output_model=MovieScript,
17)
18
19pprint(movie_assistant.run("New York"))

• 运行 movie_assistant.py 文件

shell
1python movie_assistant.py

• 输出是 MovieScript 类的对象，如下所示：

shell
1MovieScript(
2│   setting='繁华而充满活力的纽约市',
3│   ending='主角拯救了城市，并与疏远的家人和解。',
4│   genre='动作',
5│   name='City Pulse',
6│   characters=['Alex Mercer', 'Nina Castillo', 'Detective Mike Johnson'],
7│   storyline='在纽约市的中心，前警察变成了义务警员，Alex Mercer 与街头聪明的活动家 Nina Castillo 联手打击威胁摧毁城市的腐败政治人物。在穿越权力和欺骗的错综复杂的网络时，他们发现了令人震惊的真相，这些真相将他们推向了能力的极限。随着时间的流逝，他们必须争分夺秒地拯救纽约并面对自己的恶魔。'
8)

让我们创建一个可以回答 PDF 问题的 PDF 助手。我们将使用 PgVector 作为知识和存储。

**知识库：**助理可以搜索的信息以改进其响应（使用向量数据库）。

**存储：**为助手提供长期记忆（使用数据库）。

1. 运行 PgVector

安装 docker 桌面版 并使用以下命令在端口 5532 上运行 PgVector：

bash
1docker run -d \
2  -e POSTGRES_DB=ai \
3  -e POSTGRES_USER=ai \
4  -e POSTGRES_PASSWORD=ai \
5  -e PGDATA=/var/lib/postgresql/data/pgdata \
6  -v pgvolume:/var/lib/postgresql/data \
7  -p 5532:5432 \
8  --name pgvector \
9  phidata/pgvector:16

2. 创建 PDF 助手

• 创建一个文件 pdf_assistant.py

python
1import typer
2from typing import Optional, List
3from phi.assistant import Assistant
4from phi.storage.assistant.postgres import PgAssistantStorage
5from phi.knowledge.pdf import PDFUrlKnowledgeBase
6from phi.vectordb.pgvector import PgVector2
7
8db_url = "postgresql+psycopg://ai:ai@localhost:5532/ai"
9
10knowledge_base = PDFUrlKnowledgeBase(
11    urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
12    vector_db=PgVector2(collection="recipes", db_url=db_url),
13)
14# 第一次运行后注释掉
15knowledge_base.load()
16
17storage = PgAssistantStorage(table_name="pdf_assistant", db_url=db_url)
18
19
20def pdf_assistant(new: bool = False, user: str = "user"):
21    run_id: Optional[str] = None
22
23    if not new:
24        existing_run_ids: List[str] = storage.get_all_run_ids(user)
25        if len(existing_run_ids) > 0:
26            run_id = existing_run_ids[0]
27
28    assistant = Assistant(
29        run_id=run_id,
30        user_id=user,
31        knowledge_base=knowledge_base,
32        storage=storage,
33        # 在响应中显示工具调用
34        show_tool_calls=True,
35        # 使助手能够搜索知识库
36        search_knowledge=True,
37        # 使助手能够读取聊天记录
38        read_chat_history=True,
39    )
40    if run_id is None:
41        run_id = assistant.run_id
42        print(f"开始运行：{run_id}\n")
43    else:
44        print(f"继续运行：
45
46{run_id}\n")
47
48    # 以 CLI 应用程序运行助手
49    assistant.cli_app(markdown=True)
50
51
52if __name__ == "__main__":
53    typer.run(pdf_assistant)

3. 安装库

shell
1pip install -U pgvector pypdf "psycopg[binary]" sqlalchemy

4. 运行 PDF 助手

shell
1python pdf_assistant.py

• 提问：

怎么做泰式炒河粉？

• 查看助手如何搜索知识库并返回响应。

• 消息 bye 退出，再次使用 python pdf_assistant.py 启动助手并询问：

我上条消息是什么？

查看助手现在如何在会话之间保持存储。

• 使用 --new 标志运行 pdf_assistant.py 文件以开始新运行。

shell
1python pdf_assistant.py --new