前段时间，浙大微软团队提出的HuggingGPT在整个科技圈爆火。
这个大模型协作系统利用ChatGPT作为控制器，随意调用HuggingFace中的各种模型，以实现多模态任务。
让ChatGPT当「老板」，已经成为许多人看好的方向。
这不，该来的还是来了......
全球最火的AI社区HuggingFace官方出品「Transformers Agent」，通过控制10万多个AI，也能实现魔法。
英伟达科学家Jim Fan称赞道，这是向Everything App迈出的第一步，随着生态系统的扩大，它的能力也不断增长。
他继续表示，HuggingGPT是这一想法首次大规模地展示，它使用GPT作为控制器，动态地选择工具（模型）来解决多阶段任务。
ChatGPT的「App Store」当然是AI工具生态系统应用的一个实例。全新Transformers Agent让你拥有超强buff，快速构建AI智能体。
Transformers，无所不能
用上Transformers Agent，你可以张口来图，还能让它为你读出来。
先来看看几个例子~
agent.run("Caption the following image", image=image)
第一个先从简单的开始。输入一张图片然后配个解说，一只可爱的河狸在水里游泳（超可爱，想rua）。
agent.run("Read the following text out loud", text=text)
第二个也不难，简简单单文字转语音。
agent.run(
"In the following `document`, where will the TRRF Scientific Advisory Council Meeting take place?",
document=document,
)
这个上了点难度。输入的要求是，说出科学咨询委员会会议将在哪里举办。
当然对AI来说，检索到最后一行也是找到了答案。
用户在使用agent.run之前，需要将一个智能体实例化，也就是一个大型语言模型（LLM）。
研究人员提供了对OpenAI模型的支持，以及来自BigCode和OpenAssistant的开源替代品。
虽然OpenAI的模型性能更好，但用户得有OpenAI的API密钥，所以不是免费使用。
Hugging Face表示，正在提供BigCode和OpenAssistant等模型的免费访问端点。
首先，用户需要安装智能体附加程序。
pip install transformers[agents]要想使用OpenAI的模型，用户需要在安装OpenAI dependency项后实例化一个OpenAiAgent：
pip install openai
from transformers import OpenAiAgent
agent = OpenAiAgent(model="text-davinci-003", api_key="<your_api_key>")用户要使用BigCode或OpenAssistant的话，得先登录，以便能够访问API：
from huggingface_hub import login
login("<YOUR_TOKEN>")然后，将智能体实例化：
from transformers import HfAgent
# Starcoder
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoder")
# StarcoderBase
# agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoderbase")
# OpenAssistant
# agent = HfAgent(url_endpoint="https://api-inference.huggingface.co/models/OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5")这是在使用Hugging Face目前免费提供的推理API。如果用户有自己的推理端点，就可以替换上面的URL。
StarCoder和OpenAssistant是免费使用的，在简单的任务上表现得不错。
然而，在处理更复杂的提示时，检查点就不成立了。如果用户面临这样的问题，可以尝试一下OpenAI模型，虽然很遗憾它不是开源的，但胜在表现不错。
单一执行方法是在使用代理的run()方法时使用的：
agent.run("Draw me a picture of rivers and lakes.")它自动选择适合你要执行的任务的工具（或工具）并适当地运行它们。它可以在同一指令中执行一个或几个任务（你的指令越复杂，就越有可能失败）。
agent.run("Draw me a picture of the sea then transform the picture to add an island")
每个run()操作都是独立的，所以你可以用不同的任务连续运行几次。
请注意，用户的智能体只是一个大语言模型，所以prompt中的小变化可能产生完全不同的结果。尽可能清楚地解释要执行的任务是很重要的。
研究人员深入地讨论了如何写出更好的prompt。
如果你想在整个执行过程中保持一个状态，或者向智能体传递非文本对象，你可以通过指定变量来做到这一点。
例如，你可以生成第一张河流和湖泊的图片，并要求模型通过以下方式更新该图片以增加一个岛屿：
picture = agent.run("Generate a picture of rivers and lakes.")
updated_picture = agent.run("Transform the image in `picture` to add an island to it.", picture=picture)
agent.chat("Generate a picture of rivers and lakes")
这里让系统生成一张河流湖泊的照片。
agent.chat("Transform the picture so that there is a rock in there")
下一步，研究人员又让系统给原图中加一个岛屿。
当用户想保持跨指令的状态时，这是一个很有趣的方法。
它更适合于实验，但往往在单条指令而不是复杂指令方面会好很多。
如果你想传递非文本类型或特定的提示，这个方法也可以接受参数。
要了解如何自己设置远程执行器工具，研究人员建议用户阅读自定义工具指南。
为了与远程工具一起运行，在run()或chat()中指定remote=True就可以了。
例如，以下命令可以在任何设备上有效地运行，不需要大量的RAM或GPU：
agent.run("Draw me a picture of rivers and lakes", remote=True)对chat()来说也是一样的：
agent.chat("Draw me a picture of rivers and lakes", remote=True)网友表示，Transformers Agent就像AutoGPT一样。
还有人表示，Transformers Agent打开了自然语言编程的大门，可以想象，未来的操作系统就是智能模型，人类通过自然语言编排任务，越来越多的非开发者可以自己实现各种计算机应用。
什么是工具？什么是智能体？
Transformers Agents整体的运作流程简单分为四步：
设定目标、提供工具、展示示例、下达任务。
智能体会使用链式思考推理来确定其任务，并用提供的工具输出Python代码。
如何安装和使用，官方给出了具体步骤。
https://colab.research.google.com/drive/1c7MHD-T1forUPGcC_jlwsIptOzpG3hSj#scrollTo=fA8jPddeUSMO
其中，这里的「智能体」指的是，一个大型语言模型。通过提示LLM，让其访问特定的一组工具。
因为LLM非常擅长生成较小的代码样本，所以API利用了这一点优势。
你可以用抱抱脸自家的OpenAssistant、StarCoder，甚至还可以用OpenAI的模型。
提示LLM给出一个小的代码样本，并用一组工具执行一个任务。这个提示包括，给智能体的任务，以及工具的描述。
这样，「智能体」就可以找到所使用工具的文档，特别是预期的输入和输出，并可以生成相关的代码。
而「工具」就非常好理解，是一个单独的函数，带有名称和描述。
然后，使用这些工具的描述来提示「智能体」，作用就在于可以像智能体展示如何用工具来执行查询中的请求内容。
再之后，通过利用Python解释器在与工具一起上传的一组输入中执行代码。
如果唯一调用的函数是你自己提供的工具和print函数，那么，开发者会在可执行内容上受到限制。当然了，抱抱脸社区的工具，是比较安全的。
除此之外，HuggingFace在Transformers Agents中还集成了以下工具：
- 文档问答：给定一个图像格式的文档（PDF），回答文档的问题（Donut）
- 文本问答：给定一个长文本和一个问题，回答文本中的问题（Flan-T5)
- 无条件给图像加标题：（BLIP）
- 图像问答：给定一个图像，回答关于这个图像的问题（VILT）
- 图像分割：给定一个图像和一个提示，输出该提示的分割掩码（CLIPSeg）
- 语音转文本：给定一个音频记录，将语音转录为文本（Whisper）
- 文本到语音：将文本转换为语音（SpeechT5）
- 零样本文本分类：给定一个文本和一列标签，确定该文本与哪个标签最对应（BART）
- 文本总结：用一个或几个句子来总结一个长文本（BART）
- 翻译：将文本翻译成一种语言（NLLB）
这些工具都内置在Transformers中，也可以手动使用，比如：
from transformers import load_tool
tool = load_tool("text-to-speech")
audio = tool("This is a text to speech tool")此外，还有一些定制的工具集成在Transformers Agents中，其中包括文本下载器、文本到图像的扩散模型stable diffusion、图像变换instruct pix2pix stable diffusion，以及文本到视频damo-vilab。
官方给出了一个自定义工具和提示的教程：
https://huggingface.co/docs/transformers/en/custom_tools
代码生成
如上，已经展示了如何使用Transformers Agents流程。
但是，智能体只生成代码，通过使用非常受限的Python解释器执行这些代码。
如果你希望使用在不同设置中生成的代码，可以提示智能体返回代码，对工具定义，并准确导入。
比如，根据以下步骤实现：
agent.run("Draw me a picture of rivers and lakes", return_code=True)返回以下代码：
from transformers import load_tool
image_generator = load_tool("huggingface-tools/text-to-image")
image = image_generator(prompt="rivers and lakes")然后，你就可以修改和执行自己的工具了。
