# Agents-Flex
**Repository Path**: lineCodeJm/agents-flex
## Basic Information
- **Project Name**: Agents-Flex
- **Description**: 一个基于 Java 的 LLM(大语言模型)应用开发(及编排)框架。
- **Primary Language**: Java
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: https://agentsflex.com
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 577
- **Created**: 2024-09-11
- **Last Updated**: 2024-09-11
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
     
# Agents-Flex: 一个基于 Java 的 LLM(大语言模型)应用开发框架。
---
## 基本能力
- LLM 的访问能力
- Prompt、Prompt Template 定义加载的能力
- Function Calling 定义、调用和执行等能力
- 记忆的能力(Memory)
- Embedding
- Vector Store
- 文档处理
  - 加载器(Loader)
    - Http
    - FileSystem
  - 分割器(Splitter)
  - 解析器(Parser)
    - PoiParser
    - PdfBoxParser
- Agent
  - LLM Agent
  - IOAgent
- Chain 执行链
    - SequentialChain 顺序执行链
    - ParallelChain 并发(并行)执行链
    - LoopChain 循环执行连
    - ChainNode
        - AgentNode Agent 执行节点
        - EndNode 终点节点
        - RouterNode 路由节点
          - GroovyRouterNode Groovy 规则路由
          - QLExpressRouterNode QLExpress 规则路由
          - LLMRouterNode LLM路由(由 AI 自行判断路由规则)
## 简单对话
使用 OpenAi 大语言模型:
```java
 @Test
public void testChat() {
    OpenAiLlmConfig config = new OpenAiLlmConfig();
    config.setApiKey("sk-rts5NF6n*******");
    Llm llm = new OpenAiLlm(config);
    String response = llm.chat("请问你叫什么名字");
    System.out.println(response);
}
```
使用 “通义千问” 大语言模型:
```java
@Test
public void testChat() {
    QwenLlmConfig config = new QwenLlmConfig();
    config.setApiKey("sk-28a6be3236****");
    config.setModel("qwen-turbo");
    Llm llm = new QwenLlm(config);
    String response = llm.chat("请问你叫什么名字");
    System.out.println(response);
}
```
使用 “讯飞星火” 大语言模型:
```java
@Test
public void testChat() {
    SparkLlmConfig config = new SparkLlmConfig();
    config.setAppId("****");
    config.setApiKey("****");
    config.setApiSecret("****");
    Llm llm = new SparkLlm(config);
    String response = llm.chat("请问你叫什么名字");
    System.out.println(response);
}
```
## 历史对话示例
```java
public static void main(String[] args) {
    SparkLlmConfig config = new SparkLlmConfig();
    config.setAppId("****");
    config.setApiKey("****");
    config.setApiSecret("****");
    Llm llm = new SparkLlm(config);
    HistoriesPrompt prompt = new HistoriesPrompt();
    System.out.println("您想问什么?");
    Scanner scanner = new Scanner(System.in);
    String userInput = scanner.nextLine();
    while (userInput != null) {
        prompt.addMessage(new HumanMessage(userInput));
        llm.chatStream(prompt, (context, response) -> {
            System.out.println(">>>> " + response.getMessage().getContent());
        });
        userInput = scanner.nextLine();
    }
}
```
## Function Calling
- 第一步: 通过注解定义本地方法
```java
public class WeatherUtil {
    @FunctionDef(name = "get_the_weather_info", description = "get the weather info")
    public static String getWeatherInfo(
        @FunctionParam(name = "city", description = "the city name") String name
    ) {
        //在这里,我们应该通过第三方接口调用 api 信息
        return name + "的天气是阴转多云。 ";
    }
}
```
- 第二步: 通过 Prompt、Functions 传入给大模型,然后得到结果
```java
 public static void main(String[] args) {
    OpenAiLlmConfig config = new OpenAiLlmConfig();
    config.setApiKey("sk-rts5NF6n*******");
    OpenAiLlm llm = new OpenAiLlm(config);
    FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class);
    FunctionResultResponse response = llm.chat(prompt);
    Object result = response.getFunctionResult();
    System.out.println(result);
    //"北京的天气是阴转多云。 "
}
```
## 生态支持
### 大语言模型
| 大语言模型名称                      | 支持情况   | 描述    |
|------------------------------|--------|-------|
| ChatGPT                      | ✅ 已支持  | -     |
| Ollama 部署模型                  | ✅ 已支持  | -     |
| 星火大模型                        | ✅ 已支持  | -     |
| 通义千问                         | ✅ 已支持  | -     |
| 智普 ChatGLM                   | ✅ 已支持  | -     |
| 月之暗面 Moonshot                | ✅ 已支持  | -     |
| 扣子 Coze                      | ✅ 已支持  | -     |
| GiteeAI - Qwen2-7B-Instruct  | ✅ 已支持  | -     |
| GiteeAI - Qwen2-72B-Instruct | ✅ 已支持  | -     |
| GiteeAI - Yi-1.5-34B-Chat    | ✅ 已支持  | -     |
| GiteeAI - glm-4-9b-chat      | ✅ 已支持  | -     |
| 文心一言                         | 计划中... | 期待 PR |
### 图片生成模型
| 大语言模型名称                                | 支持情况   | 描述    |
|----------------------------------------|--------|-------|
| Openai                                 | ✅ 已支持  | -     |
| Stability                              | ✅ 已支持  | -     |
| GiteeAI - stable-diffusion-3-medium    | ✅ 已支持  | -     |
| GiteeAI - FLUX.1-schnell               | ✅ 已支持  | -     |
| GiteeAI - stable-diffusion-xl-base-1.0 | ✅ 已支持  | -     |
| GiteeAI - Kolors                       | ✅ 已支持  | -     |
| 更多                                     |计划中... | 期待 PR |
### 向量化模型
| 大语言模型名称                     | 支持情况   | 描述    |
|-----------------------------|--------|-------|
| Openai                      | ✅ 已支持  | -     |
| 星火大模型                       | ✅ 已支持  | -     |
| 智普 ChatGLM                  | ✅ 已支持  | -     |
| Ollama                      | ✅ 已支持  | -     |
| 通义千问                        | ✅ 已支持  | -     |
| GiteeAI - bge-small-zh-v1.5 | ✅ 已支持  | -     |
| GiteeAI - bge-large-zh-v1.5 | ✅ 已支持  | -     |
| GiteeAI - bge-m3            | ✅ 已支持  | -     |
| 更多                          |计划中... | 期待 PR |
### 向量存储(向量数据库)
| 向量数据库名称       | 支持情况   | 描述 |
|---------------|--------|----|
| Milvus        | ✅ 已支持  | -  |
| 阿里云向量数据存储服务   | ✅ 已支持  | -  |
| 腾讯云向量数据存储服务   | ✅ 已支持  | -  |
| OpenSearch    | ✅ 已支持  | -  |
| ElasticSearch | ✅ 已支持  | -  |
| Redis         | ✅ 已支持  | -  |
| Chroma        | 计划中... | 期待 PR  |
| Cassandra     | 计划中... | 期待 PR  |
| Gemfire       | 计划中... | 期待 PR  |
| Weaviate      | 计划中... | 期待 PR  |
### 文档解析器
| 向量数据库名称       | 支持情况   | 描述           |
|---------------|--------|--------------|
| PDFBox        | ✅ 已支持  | 用于解析 PDF 文档  |
| POI           | ✅ 已支持  | 用于解析 Word 文档 |
| OmniParse     | ✅ 已支持  | 更丰富的解析能力     |
| 更多           |计划中... | 期待 PR |
## 交流群

## 模块构成
