Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.0-flash-001· GoogleHugging Face LMArena Human Preference 140K

Czy możesz mi pomóc "krok po kroku" w zbudowaniu mojego własnego agenta AI? Twoja…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with grok-3-mini-beta’s answer.
  1. User

    Czy możesz mi pomóc "krok po kroku" w zbudowaniu mojego własnego agenta AI? Twoja odpowiedź jest dala mnie bardzo ważna dla realizacji oraz pisania mojej własnej pracy naukowej, dla tego bardzo proszę o pełnowartościową odpowiedź i pomoc w tej sprawie. To bardzo ważne, bo zależą od tego moje przyszłe dalsze działania.

  2. Gemini Assistant

    Dobrze, spróbujemy zbudować Twojego agenta AI krok po kroku. Skupimy się na praktycznym podejściu, wykorzystując gotowe biblioteki i API, abyś mógł szybko zobaczyć działający efekt i zrozumieć proces. Dla uproszczenia, załóżmy, że chcesz stworzyć agenta AI, który będzie pomagał Ci w badaniach naukowych, na przykład poprzez streszczanie artykułów i sugerowanie powiązanych prac.

    Krok 1: Przygotowanie środowiska

    1. Wybór języka programowania: Python jest najpopularniejszy w AI ze względu na bogactwo bibliotek.

    2. Instalacja Pythona: Upewnij się, że masz zainstalowanego Pythona (wersja 3.7 lub nowsza). Możesz pobrać go ze strony https://www.python.org/downloads/.

    3. Instalacja pip: Pip to menedżer pakietów Pythona. Zazwyczaj jest dołączony do Pythona. Możesz go zaktualizować, uruchamiając python -m pip install --upgrade pip.

    4. Utworzenie wirtualnego środowiska: To oddziela zależności projektu.

      • W terminalu przejdź do katalogu projektu.
      • Uruchom python -m venv venv.
      • Aktywuj środowisko:
        • Windows: venv\Scripts\activate
        • macOS/Linux: source venv/bin/activate
    5. Instalacja niezbędnych bibliotek: Uruchom w terminalu (w aktywnym środowisku):

      pip install openai langchain beautifulsoup4 requests python-dotenv
      
      • openai: Biblioteka do komunikacji z API OpenAI (modele GPT).
      • langchain: Framework do tworzenia aplikacji opartych na LLM (Large Language Models). Ułatwia łączenie różnych komponentów AI.
      • beautifulsoup4: Biblioteka do parsowania HTML (przyda się do pobierania tekstu z artykułów online).
      • requests: Biblioteka do wysyłania żądań HTTP (do pobierania artykułów).
      • python-dotenv: Biblioteka do ładowania zmiennych środowiskowych (API keys).

    Krok 2: Konfiguracja API OpenAI

    1. Utworzenie konta OpenAI: Wejdź na stronę https://platform.openai.com/ i załóż konto.

    2. Wygenerowanie klucza API: W ustawieniach konta znajdź sekcję "API keys" i wygeneruj nowy klucz. Traktuj go jak hasło i nie udostępniaj nikomu!

    3. Zapisanie klucza API w pliku .env: W katalogu projektu utwórz plik o nazwie .env i dodaj linię:

      OPENAI_API_KEY=YOUR_API_KEY
      

      Zastąp YOUR_API_KEY swoim wygenerowanym kluczem.

    4. Załadowanie klucza API w kodzie: W pliku Python, w którym będziesz tworzył agenta, dodaj:

      import os
      from dotenv import load_dotenv
      
      load_dotenv() # Załaduj zmienne środowiskowe z pliku .env
      openai_api_key = os.getenv("OPENAI_API_KEY")
      
      if not openai_api_key:
          raise ValueError("Klucz API OpenAI nie został znaleziony. Sprawdź plik .env.")
      
      os.environ["OPENAI_API_KEY"] = openai_api_key # Ustaw klucz API dla LangChain
      

    Krok 3: Stworzenie podstawowej struktury agenta

    Stworzymy agenta, który na podstawie URL artykułu naukowego, pobierze jego treść i stworzy krótkie streszczenie.

    1. Utworzenie pliku Python: Utwórz plik, np. agent.py, w katalogu projektu.

    2. Importowanie bibliotek: Na początku pliku dodaj:

      import os
      import requests
      from bs4 import BeautifulSoup
      from langchain.llms import OpenAI
      from langchain.chains.summarize import load_summarize_chain
      from dotenv import load_dotenv
      
    3. Definicja funkcji do pobierania treści artykułu:

      def pobierz_tekst_artykulu(url):
          """Pobiera tekst artykułu ze strony internetowej."""
          try:
              response = requests.get(url)
              response.raise_for_status() # Sprawdź, czy nie wystąpił błąd HTTP
              soup = BeautifulSoup(response.content, 'html.parser')
              # TO JEST WAŻNE: Znajdź elementy HTML zawierające treść artykułu.
              # To będzie ZALEŻEĆ od struktury strony, z której pobierasz artykuły!
              # Przykładowo, jeśli treść jest w znacznikach <p> w div o klasie "article-content":
              tekst = ' '.join([p.text for p in soup.find("div", class_="article-content").find_all("p")])
              return tekst
          except requests.exceptions.RequestException as e:
              print(f"Błąd pobierania strony: {e}")
              return None
          except AttributeError:
              print("Nie można znaleźć treści artykułu. Sprawdź selektor CSS.")
              return None
      
      

      WAŻNE: Kod pobierania tekstu będzie zależał od struktury HTML strony, z której pobierasz artykuły. Musisz zbadać kod źródłowy strony i znaleźć selektory CSS (klasy, id, tagi HTML), które pozwolą Ci wyciągnąć tylko treść artykułu, a nie np. menu, reklamy czy inne elementy strony. Użyj narzędzi deweloperskich w przeglądarce (zazwyczaj dostępne po naciśnięciu F12) aby to zrobić.

    4. Załadowanie klucza API (jak wyżej):

      load_dotenv()
      openai_api_key = os.getenv("OPENAI_API_KEY")
      
      if not openai_api_key:
          raise ValueError("Klucz API OpenAI nie został znaleziony. Sprawdź plik .env.")
      
      os.environ["OPENAI_API_KEY"] = openai_api_key
      
    5. Stworzenie funkcji do streszczania tekstu:

      def streszczaj_artykul(tekst):
          """Streszcza tekst artykułu za pomocą OpenAI."""
          llm = OpenAI(temperature=0, model_name="gpt-3.5-turbo")  # Wybierz model
          chain = load_summarize_chain(llm, chain_type="stuff") # Użyj łańcucha "stuff" dla krótkich tekstów
          return chain.run(tekst)
      
    6. Funkcja główna (main):

      def main():
          url_artykulu = input("Podaj URL artykułu naukowego: ")
          tekst = pobierz_tekst_artykulu(url_artykulu)
      
          if tekst:
              streszczenie = streszczaj_artykul(tekst)
              print("\nStreszczenie artykułu:")
              print(streszczenie)
          else:
              print("Nie udało się pobrać tekstu artykułu.")
      
      if __name__ == "__main__":
          main()
      

    Krok 4: Uruchomienie agenta

    1. Uruchom program: W terminalu, w katalogu projektu, uruchom python agent.py.
    2. Wprowadź URL: Agent zapyta o URL artykułu naukowego. Wklej URL i naciśnij Enter.
    3. Oczekuj na streszczenie: Agent pobierze treść artykułu i wyświetli jego streszczenie.

    Krok 5: Testowanie i dostosowywanie

    1. Testuj z różnymi artykułami: Sprawdź, jak agent radzi sobie z różnymi stronami i typami artykułów.
    2. Dostosuj selektory CSS: Jeśli agent nie potrafi poprawnie pobrać tekstu, dostosuj selektory CSS w funkcji pobierz_tekst_artykulu.
    3. Eksperymentuj z modelem OpenAI: Spróbuj różnych modeli (np. gpt-4, jeśli masz dostęp) i różnych wartości parametru temperature (wpływa na kreatywność odpowiedzi).
    4. Rozważ chunking: Jeśli artykuły są bardzo długie, rozważ podział tekstu na mniejsze fragmenty ("chunks") i streszczanie każdego fragmentu oddzielnie, a następnie łączenie streszczeń. Biblioteka LangChain ma narzędzia do tego.
    5. Poprawiaj "prompt": "Stuff" łańcuch (chain) używa prostego prompta. Spróbuj go dostosować w load_summarize_chain, aby poprawić jakość streszczenia. Możesz na przykład dodać instrukcje, takie jak "Streszczenie powinno zawierać główne tezy i wnioski z artykułu."

    Przykładowy kod agent.py (kompletny):

    import os
    import requests
    from bs4 import BeautifulSoup
    from langchain.llms import OpenAI
    from langchain.chains.summarize import load_summarize_chain
    from dotenv import load_dotenv
    
    def pobierz_tekst_artykulu(url):
        """Pobiera tekst artykułu ze strony internetowej."""
        try:
            response = requests.get(url)
            response.raise_for_status()
            soup = BeautifulSoup(response.content, 'html.parser')
            # UWAGA: To zależy od struktury strony! Dostosuj selektor.
            # To jest tylko przykład!
            tekst = ' '.join([p.text for p in soup.find("div", class_="article-content").find_all("p")])
            return tekst
        except requests.exceptions.RequestException as e:
            print(f"Błąd pobierania strony: {e}")
            return None
        except AttributeError:
            print("Nie można znaleźć treści artykułu. Sprawdź selektor CSS.")
            return None
    
    
    load_dotenv()
    openai_api_key = os.getenv("OPENAI_API_KEY")
    
    if not openai_api_key:
        raise ValueError("Klucz API OpenAI nie został znaleziony. Sprawdź plik .env.")
    
    os.environ["OPENAI_API_KEY"] = openai_api_key
    
    
    def streszczaj_artykul(tekst):
        """Streszcza tekst artykułu za pomocą OpenAI."""
        llm = OpenAI(temperature=0, model_name="gpt-3.5-turbo")
        chain = load_summarize_chain(llm, chain_type="stuff")
        return chain.run(tekst)
    
    
    def main():
        url_artykulu = input("Podaj URL artykułu naukowego: ")
        tekst = pobierz_tekst_artykulu(url_artykulu)
    
        if tekst:
            streszczenie = streszczaj_artykul(tekst)
            print("\nStreszczenie artykułu:")
            print(streszczenie)
        else:
            print("Nie udało się pobrać tekstu artykułu.")
    
    
    if __name__ == "__main__":
        main()
    

    Krok 6: Rozszerzanie możliwości agenta

    To dopiero początek. Możesz rozszerzyć możliwości agenta o:

    • Sugerowanie powiązanych artykułów: Użyj modelu OpenAI do analizy streszczenia i wyszukiwania podobnych artykułów w bazie danych (np. Google Scholar API).
    • Automatyczne tłumaczenie: Użyj modelu do tłumaczenia artykułów na język polski.
    • Generowanie pytań do artykułu: Użyj modelu do generowania pytań, które pomogą Ci lepiej zrozumieć artykuł.
    • Integracja z notatnikiem: Zapisuj streszczenia i notatki bezpośrednio w Twoim ulubionym notatniku (np. Notion API).

    Kluczowe kwestie do uwzględnienia w pracy naukowej:

    • Wybór architektury i technologii: Uzasadnij, dlaczego wybrałeś konkretne modele i biblioteki. Porównaj różne opcje i przedstaw ich zalety i wady.
    • Proces trenowania i dostrajania: Opisz dokładnie proces przygotowania danych, trenowania modelu i dostrajania hiperparametrów.
    • Ewaluacja: Zaproponuj metryki oceny jakości działania agenta. Przeprowadź testy i przedstaw wyniki.
    • Analiza błędów: Zidentyfikuj słabe punkty agenta i zaproponuj sposoby ich poprawy.
    • Aspekty etyczne: Omów kwestie związane z odpowiedzialnym wykorzystaniem AI, takie jak potencjalne błędy, stronniczość czy prywatność danych.

    Pamiętaj: To tylko przykład. Możliwości są nieograniczone! Im więcej czasu poświęcisz na eksperymentowanie i uczenie się, tym bardziej zaawansowanego i użytecznego agenta stworzysz. Powodzenia!

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.