AFlow

AFlow是一個框架，用於自動產生和最佳化代理工作流程。它利用蒙特卡羅樹搜尋在程式碼表示的工作流程空間中尋找有效的工作流程，取代手工開發，展現出在多種任務上超越手工工作流程的潛力。 AFlow的主要優點包括提高開發效率、減少人力成本，並能適應不同的任務需求。

需求人群：

" 目標受眾為AFlow自動化工作流程產生和優化的開發者、資料科學家和機器學習工程師。AFlow 透過減少手動幹預，使得使用者可以專注於更有價值的任務，如策略制定和結果分析。"

使用場景範例：

在HumanEval資料集上自動產生和最佳化工作流程，提高任務執行效率。

使用MATH資料集進行實驗，驗證AFlow在數學問題解答上的應用效果。

透過GSM8K資料集測試AFlow在科學問題解答中的效能和準確性。

產品特色：

- 節點(Node)：LLM呼叫的基本單元，提供介面控制LLM、溫度、格式和提示。

- 操作符(Operator)：預先定義的節點組合，提高搜尋效率，封裝常見操作。

- 工作流程(Workflow)：LLM呼叫節點的序列，可表示為圖、神經網路或程式碼。

- 優化器(Optimizer)：使用LLM在蒙特卡羅樹搜尋變體中探索和完善工作流程。

- 評估器(Evaluator)：評估工作流程效能，提供回饋以指導最佳化過程。

- 支援自訂操作符和工作流程，適應特定資料集和任務。

- 提供實驗資料集和自訂資料集的支持，方便使用者進行實驗和評估。

使用教學：

1. 配置最佳化參數，包括資料集類型、樣本數、最佳化結果保存路徑等。

2. 在config/config2.yaml設定LLM參數，可參考examples/ AFlow /config2.example.yaml。

3. 在optimize.py以及optimized_pa​​th/template/operator.py和operator.json中設定操作符。

4. 首次使用時，請在examples/ AFlow /optimize.py中設定download(['datasets', 'initial_rounds'])以下載資料集和初始輪次。

5. （可選）新增自訂資料集和對應的評估函數。

6. （可選）如果需要使用部分驗證數據，可以在examples/ AFlow /evaluator.py中設定va_list。

7. 運行最佳化，使用預設參數或自訂參數啟動最佳化過程。