AI助手的超级工具箱：Phidata框架实战指南

引言
一、Phidata概述
二、Phidata的安装与快速入门
- 1、安装Phidata
- 2、环境配置
- 3、快速入门
- - 3.1 可以搜索网页的助手
  - 3.2 可以查询财务数据的助手
三、Phidata的高级应用
- 1、可以编写和运行Python代码的助手
- 2、可以使用 SQL 分析数据的助手
- 3、可生成 Pydantic 模型的助手
- 4、具有知识和存储的 PDF 助手
四、Phidata和Langchain对比
结语

引言

在人工智能技术的浪潮中，AI助手正变得越来越智能，它们在理解语言、提供信息和辅助决策方面展现出巨大潜力。然而，现有模型在记忆对话、理解复杂上下文和执行操作方面存在局限。Phidata框架应运而生，旨在弥补这些不足，通过增强记忆、知识整合和工具调用能力，推动AI助手向更高层次的智能和自主性发展。

Phidata不仅提升了AI助手的智能水平，还扩展了它们的应用范围，使其能够更加精准地理解和响应用户需求。本文将深入探讨Phidata的工作原理、安装步骤、快速入门指南以及其在多个领域的实际应用案例，展现Phidata如何助力构建下一代智能AI助手。
在这里插入图片描述

一、Phidata概述

大语言模型在实际应用中常常面临挑战：它们缺乏长期记忆，难以理解复杂的上下文，且无法执行实际的操作。Phidata框架的出现，正是为了解决这些问题，它是一个创新的工具，旨在将传统的大型语言模型（LLMs）转变为具有长期记忆、深入情境理解能力以及通过函数调用执行操作的自治助手。
在这里插入图片描述

Phidata是一个尖端的框架，专门为开发自治助手而设计。这些助手不仅能够记住过去的交互，还能够利用存储的知识提供更加精准和相关的回应。更重要的是，它们能够通过调用各种工具和API，执行从数据检索到发送电子邮件等一系列操作。

Phidata的核心组件：

记忆：Phidata允许在数据库中存储聊天历史，使AI能够维持长期对话并回忆过去的互动，这大大增强了用户体验的连贯性。
知识：通过向量数据库存储信息，Phidata为AI提供了丰富的业务上下文，这使得AI的回应更加相关和准确。
工具：Phidata赋予AI执行操作的能力，无论是通过API获取数据、发送电子邮件还是执行数据库查询，都极大地扩展了AI的应用范围。

记忆和知识使LLM更聪明，而工具则使它们自主。

二、Phidata的安装与快速入门

Phidata框架的安装和使用过程旨在为开发者提供一个快速上手的途径，使得即使是初学者也能够轻松地构建起自己的AI助手。本章节将详细介绍Phidata的安装步骤和快速入门指南，帮助开发者迈出构建智能AI助手的第一步。

Phidata框架的工作原理可以概括为三个主要步骤：
步骤1：创建一个Assistant
步骤2：添加工具（函数）、知识（vectordb）和存储（数据库）
步骤3：使用 Streamlit、FastApi 或 Django 构建 AI 应用程序

1、安装Phidata

安装Phidata是一个简单直接的过程，可以通过Python的包管理器pip来完成。首先，确保你的开发环境中已经安装了Python和pip。接着，在命令行工具中执行以下命令来安装Phidata：

pip install -U phidata

这个命令会从Python包索引中下载并安装最新版本的Phidata框架及其所有依赖。

2、环境配置

在安装Phidata之后，你可能需要配置一些环境变量，特别是如果你打算使用Phidata与特定的API或服务进行交互时。例如，如果你计划使用OpenAI的API，你需要设置OPENAI_API_KEY环境变量。

3、快速入门

3.1 可以搜索网页的助手

创建一个能够使用DuckDuckGo进行网络搜索的AI助手
创建文件assistant.py


from phi.assistant import Assistant
from phi.tools.duckduckgo import DuckDuckGo
assistant = Assistant(tools=[DuckDuckGo()], show_tool_calls=True)
assistant.print_response("Whats happening in France?", markdown=True)

安装库，导出OPENAI_API_KEY、并运行Assistant

pip install openai duckduckgo-search

export OPENAI_API_KEY=sk-xxxx

python assistant.py

3.2 可以查询财务数据的助手

创建文件finance_assistant.py

from phi.assistant import Assistant
from phi.llm.openai import OpenAIChat
from phi.tools.yfinance import YFinanceTools

assistant = Assistant(
    llm=OpenAIChat(model="gpt-4o"),
    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True, company_news=True)],
    show_tool_calls=True,
    markdown=True,
)
assistant.print_response("What is the stock price of NVDA")
assistant.print_response("Write a comparison between NVDA and AMD, use all tools available.")

安装库并运行Assistant

pip install yfinance

python finance_assistant.py

三、Phidata的高级应用

随着对Phidata框架的深入了解，我们发现它不仅适用于构建基础的AI助手，还拥有一系列高级功能，这些功能极大地扩展了AI助手的能力，使其能够处理更加复杂的任务。本章节将详细介绍Phidata的一些高级功能，包括数据模型生成、SQL数据分析、以及Python代码执行等。

1、可以编写和运行Python代码的助手

Phidata框架的一个独特之处在于它允许AI助手编写和执行Python代码。这使得AI助手能够直接处理编程任务，或者根据用户需求动态生成脚本。
文件：python_assistant.py
代码示例

from phi.assistant.python import PythonAssistant
from phi.file.local.csv import CsvFile

python_assistant = PythonAssistant(
    files=[
        CsvFile(
            path="https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
            description="Contains information about movies from IMDB.",
        )
    ],
    pip_install=True,
    show_tool_calls=True,
)
# python_assistant.print_response("What is the average rating of movies?", markdown=True)
python_assistant.print_response("电影的平均分是多少?", markdown=True)

安装pandas、运行助手

pip install pandas

python python_assistant.py

2、可以使用 SQL 分析数据的助手

Phidata可以与SQL数据库结合使用，为AI助手提供强大的数据分析能力。通过集成SQL查询功能，AI助手能够直接对数据库中的数据进行操作和分析。

文件：data_assistant.py
代码示例

import json
from phi.assistant.duckdb import DuckDbAssistant

duckdb_assistant = DuckDbAssistant(
    semantic_model=json.dumps({
        "tables": [
            {
                "name": "movies",
                "description": "Contains information about movies from IMDB.",
                "path": "https://phidata-public.s3.amazonaws.com/demo_data/IMDB-Movie-Data.csv",
            }
        ]
    }),
)

duckdb_assistant.print_response("电影的平均评分是多少？给我看看 SQL。", markdown=True)

安装duckdb 并运行filedata_assistant.py

pip install duckdb

python data_assistant.py

3、可生成 Pydantic 模型的助手

Phidata框架支持从文本生成结构化数据，即Pydantic模型。这一功能对于数据提取、生成剧本、创建假数据等任务非常有用。

创建一个电影助手，为我们编写电影脚本
文件：movie_assistant.py

代码示例

from typing import List
from pydantic import BaseModel, Field
from rich.pretty import pprint
from phi.assistant import Assistant

class MovieScript(BaseModel):
    setting: str = Field(..., description="为大片提供一个不错的场景。")
    ending: str = Field(..., description="电影的结尾。如果不可用，请提供一个快乐的结局。")
    genre: str = Field(..., description="电影的类型。如果不可用，请选择动作、惊悚或浪漫喜剧。")
    name: str = Field(..., description="给这部电影取一个名字")
    characters: List[str] = Field(..., description="这部电影的角色名称。")
    storyline: str = Field(..., description="电影的 3 句故事情节。让它变得激动人心！")

movie_assistant = Assistant(
    description="你帮助编写电影剧本。",
    output_model=MovieScript,
)

pprint(movie_assistant.run("纽约"))

运行 movie_assistant.py 文件

python movie_assistant.py

输出是 MovieScript 类的对象，如下所示：

MovieScript(
│   setting='繁华且充满活力的纽约市',
│   ending='主人公拯救了城市并与疏远的家人和解。',
│   genre='动作',
│   name='城市脉动',
│   characters=['亚历克斯·默瑟', '尼娜·卡斯蒂略', '侦探迈克·约翰逊'],
│   storyline='在纽约市的中心，前警察变成的义警亚历克斯·默瑟，与街头聪明的活动家尼娜·卡斯蒂略联手，打倒威胁要摧毁城市的腐败政治人物。他们穿越权力和欺骗的复杂网络，揭示了令人震惊的真相，将他们推到了能力的极限。在时间不多的情况下，他们必须与时间赛跑，拯救纽约并面对自己的恶魔。'
)

4、具有知识和存储的 PDF 助手

让我们创建一个 PDF 助手来回答来自 PDF 的问题。我们将使用 PgVector 进行知识和存储。

知识库: 助手可以搜索以改善其响应的信息（使用向量数据库）。
存储: 为助手提供长期记忆（使用数据库）。

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

docker run -d \
  -e POSTGRES_DB=ai \
  -e POSTGRES_USER=ai \
  -e POSTGRES_PASSWORD=ai \
  -e PGDATA=/var/lib/postgresql/data/pgdata \
  -v pgvolume:/var/lib/postgresql/data \
  -p 5532:5432 \
  --name pgvector \
  phidata/pgvector:16

创建 PDF 助手
创建文件 pdf_assistant.py

import typer
from typing import Optional, List
from phi.assistant import Assistant
from phi.storage.assistant.postgres import PgAssistantStorage
from phi.knowledge.pdf import PDFUrlKnowledgeBase
from phi.vectordb.pgvector import PgVector2

db_url = "postgresql+psycopg://ai:ai@localhost:5532/ai"

knowledge_base = PDFUrlKnowledgeBase(
    urls=["https://phi-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
    vector_db=PgVector2(collection="recipes", db_url=db_url),
)
# Comment out after first run
knowledge_base.load()

storage = PgAssistantStorage(table_name="pdf_assistant", db_url=db_url)


def pdf_assistant(new: bool = False, user: str = "user"):
    run_id: Optional[str] = None

    if not new:
        existing_run_ids: List[str] = storage.get_all_run_ids(user)
        if len(existing_run_ids) > 0:
            run_id = existing_run_ids[0]

    assistant = Assistant(
        run_id=run_id,
        user_id=user,
        knowledge_base=knowledge_base,
        storage=storage,
        # 在响应中显示工具调用
        show_tool_calls=True,
        # 使助手能够搜索知识库
        search_knowledge=True,
        # 使助手能够读取聊天记录
        read_chat_history=True,
    )
    if run_id is None:
        run_id = assistant.run_id
        print(f"启动运行: {run_id}\n")
    else:
        print(f"继续运行: {run_id}\n")

    # 以 cli 应用程序形式运行助手
    assistant.cli_app(markdown=True)


if __name__ == "__main__":
    typer.run(pdf_assistant)

安装库

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

运行 PDF 助手

python pdf_assistant.py

• 问一个问题：

如何制作泰式炒河粉？

• 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：

我上次的信息是什么？

看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 文件以启动新运行。

python pdf_assistant.py --new

四、Phidata和Langchain对比

Phidata和Langchain都是针对构建智能AI助手和自动化工作流程的框架，但它们在设计理念、功能特性和使用场景上可能存在一些差异。以下是一些可能的区别，但请注意，具体差异可能会随着各自项目的发展而变化：

设计理念：
- Phidata：专注于为大型语言模型（LLMs）提供长期记忆、深入的情境理解和执行操作的能力，使其更加智能和自适应。
- Langchain：可能更侧重于提供一个端到端的解决方案，用于构建语言模型的应用程序，包括数据管理、模型调用和结果呈现。
功能特性：
- Phidata：提供记忆、知识和工具的整合，允许AI助手存储聊天历史、利用业务上下文知识，并执行API调用等操作。
- Langchain：可能包含更多与特定语言模型的集成、数据处理和工作流自动化的工具，以及可能的特定领域优化。
技术栈和集成：
- Phidata：可能更倾向于提供灵活性，允许开发者选择和集成不同的工具和API。
- Langchain：可能提供了一套更完整的工具集，包括数据存储、模型调用API和用户界面等。
社区和生态系统：
- Phidata：可能拥有一个围绕其框架的工具和最佳实践的社区。
- Langchain：可能有更广泛的社区支持和更丰富的生态系统，包括插件、扩展和第三方集成。
使用场景：
- Phidata：适用于需要高度定制AI助手和自动化任务的场景。
- Langchain：可能更适合需要快速部署和全栈解决方案的场景。
开发和维护：
- 两者都可能是开源项目，但它们的开发速度、社区活跃度和更新频率可能有所不同。

结语

通过本文对Phidata框架的全面介绍，我们得以一窥其在智能AI助手开发中的潜力与应用。Phidata以其独特的记忆、知识与工具整合，突破了传统语言模型的局限，为AI的实际应用提供了新的可能性。

从快速入门到高级功能，Phidata展现了其在金融、新闻、视频分析等多个领域的强大能力。其易用性、灵活性和开源社区的支持，为AI技术的创新和个性化应用提供了坚实的基础。

随着技术的不断演进，Phidata有望成为智能助手开发的新标杆，推动AI技术的创新和应用。我们期待更多的开发者加入Phidata社区，共同推动AI技术的发展，创造更加智能化的未来。

在这里插入图片描述

🎯🔖更多专栏系列文章：AIGC-AI大模型开源精选实践

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：建立有技术交流群，可以扫码👇 加入社群，500本各类编程书籍、AI教程、AI工具等你领取！
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！