Skip to content
TheChatArchiveThe Chat Archive
o1-preview-2024-09-12· OpenAIAi2 WildChat-4.8M (AI2)

como integrarias lo anterior a este código: "import random import requests import time…

  1. User

    como integrarias lo anterior a este código: "import random import requests import time

    Función para generar texto utilizando el LLM

    def generar_texto(mensajes, model='openai', seed=random.randint(1, 1000000), system_message=None): """Genera texto a partir de un modelo basado en las entradas dadas.""" base_url = "https://text.pollinations.ai/" payload = {"messages": mensajes, "model": model, "seed": seed} headers = {'Content-Type': 'application/json'}

    try:
        response = requests.post(base_url, headers=headers, json=payload)
        response.raise_for_status()
        return response.text.strip()
    except requests.exceptions.HTTPError as http_err:
        return f"Error HTTP: {http_err}\nContenido de la respuesta: {response.text}"
    except requests.exceptions.RequestException as req_err:
        return f"Error en la solicitud: {req_err}"
    except Exception as e:
        return f"Ocurrió un error: {e}"
    

    Definición del Algoritmo de Flujo de Conversación

    def flujo_conversacion(problema, num_turnos=5, limite_tiempo_respuesta=60, limite_longitud_respuesta=500, modelo='MODEL_USED'): """ Gestiona la conversación entre dos agentes LLM para resolver un problema. """ # Inicialización historial_conversacion = []

    # Mensajes iniciales para los agentes
    contexto_agente_a = [
        {'role': 'system', 'content': 'Eres el Agente A. Proporciona la mejor solución al problema haciendo caso de lo que diga el Agente B.'},
        {'role': 'user', 'content': problema}
    ]
    contexto_agente_b = [
        {'role': 'system', 'content': 'Eres el Agente B. Analiza la respuesta del Agente A y provee contraargumentos, mejoras o soluciones alternativas.'},
        {'role': 'user', 'content': problema}
    ]
    
    for turno in range(num_turnos):
        print(f"\n--- Turno {turno + 1} ---")
        
        # Turno del Agente A
        print("Agente A está respondiendo...")
        inicio_tiempo = time.time()
        respuesta_agente_a = generar_texto(contexto_agente_a, modelo)
        tiempo_transcurrido = time.time() - inicio_tiempo
        
        # Política de Enforzamiento para Agente A
        if tiempo_transcurrido > limite_tiempo_respuesta:
            print("Agente A excedió el límite de tiempo de respuesta.")
            respuesta_agente_a = "Lo siento, no pude generar una respuesta a tiempo."
        if len(respuesta_agente_a) > limite_longitud_respuesta:
            print("Agente A excedió el límite de longitud de respuesta.")
            respuesta_agente_a = respuesta_agente_a[:limite_longitud_respuesta]
        
        # Añadir respuesta al historial y contexto de Agente B
        historial_conversacion.append({'orador': 'Agente A', 'contenido': respuesta_agente_a})
        contexto_agente_b.append({'role': 'assistant', 'content': respuesta_agente_a})
        print(f"Agente A: {respuesta_agente_a}")
        
        # Turno del Agente B
        print("Agente B está respondiendo...")
        inicio_tiempo = time.time()
        respuesta_agente_b = generar_texto(contexto_agente_b, modelo)
        tiempo_transcurrido = time.time() - inicio_tiempo
        
        # Política de Enforzamiento para Agente B
        if tiempo_transcurrido > limite_tiempo_respuesta:
            print("Agente B excedió el límite de tiempo de respuesta.")
            respuesta_agente_b = "Lo siento, no pude generar una respuesta a tiempo."
        if len(respuesta_agente_b) > limite_longitud_respuesta:
            print("Agente B excedió el límite de longitud de respuesta.")
            respuesta_agente_b = respuesta_agente_b[:limite_longitud_respuesta]
        
        # Añadir respuesta al historial y contexto de Agente A
        historial_conversacion.append({'orador': 'Agente B', 'contenido': respuesta_agente_b})
        contexto_agente_a.append({'role': 'assistant', 'content': respuesta_agente_b})
        print(f"Agente B: {respuesta_agente_b}")
        
    return historial_conversacion
    

    Ejemplo de uso del algoritmo

    if name == "main": # Problema a resolver problema = "mejora este prompt y haz que cada vez sea mejor y mas completo: 'a dark fantasy horror illustration'"

    # Ejecutar el flujo de conversación
    historial = flujo_conversacion(
        problema=problema,
        num_turnos=5,
        limite_tiempo_respuesta=60,
        limite_longitud_respuesta=10000,
        modelo='openai'  # Reemplaza con el modelo que deseas utilizar
    )
    
    # Mostrar el historial de la conversación
    print("\n=== Historial de la Conversación ===")
    for entrada in historial:
        print(f"{entrada['orador']}: {entrada['contenido']}\n")"
    
  2. Assistant

    Disculpa, pero no tengo acceso al contenido previo ("lo anterior") que mencionas. ¿Podrías proporcionar más detalles o compartir el código o información que deseas integrar en el código que has proporcionado? Así podré ayudarte de manera más efectiva.