README.md

metadata

title: LLM Agent for Agricultural Research
emoji: 🌾
colorFrom: green
colorTo: yellow
sdk: gradio
sdk_version: 4.0.0
app_file: app.py
pinned: false

Що було зроблено

Цей проєкт реалізує LLM-агента з набором інструментів для роботи з датасетом сільськогосподарських досліджень. Ось що було реалізовано:

Основні компоненти:

1. LLM-агент з функціональним викликом (Function Calling)

   • Реалізовано клас AgriculturalAgent в llm_agent.py, який використовує LiteLLM для взаємодії з Groq API
   • Агент підтримує багатоітераційну обробку запитів з автоматичним викликом функцій
   • Реалізовано систему управління історією розмови для контекстної обробки запитів

2. Набір інструментів (Tools/Functions)

   • search_agricultural_documents - пошук документів за ключовими словами
   • get_document_details - отримання детальної інформації про конкретний документ
   • browse_topics - перегляд документів за темами або випадковий вибір
   • get_dataset_info - отримання інформації про датасет
   • Всі функції реалізовані в agent_functions.py з описом параметрів для LLM

3. Обробка датасету

   • Реалізовано DatasetHandler в dataset_handler.py для роботи з датасетом CGIAR
   • Підтримка streaming-режиму для ефективної роботи з великим датасетом (45,232 документів)
   • Реалізовано пошук за ключовими словами в заголовках, анотаціях та ключових словах
   • Обробка помилок та обмеження часу виконання пошуку

4. Веб-інтерфейс

   • Створено інтерфейс на базі Gradio (app.py)
   • Поле для введення API ключа (без зберігання в коді)
   • Чат-інтерфейс для взаємодії з агентом
   • Інформаційні блоки з описом можливостей та прикладами використання

5. Інтеграція з LLM

   • Використання LiteLLM для уніфікованої роботи з різними LLM провайдерами
   • Налаштування системних промптів для спеціалізації агента на сільськогосподарській тематиці
   • Автоматичне визначення необхідності виклику функцій на основі запиту користувача

Технічні особливості:

• Streaming режим: Датасет завантажується в режимі streaming для швидшого старту та економії пам'яті
• Обробка помилок: Реалізовано обробку помилок на всіх рівнях (завантаження датасету, пошук, виклики LLM)
• Обмеження пошуку: Для streaming-режиму встановлено обмеження на кількість перевірених документів (300) для швидкої відповіді
• Багатоітераційна обробка: Агент може виконувати кілька викликів функцій підряд для повної відповіді на запит
• Захист від циклів: Реалізовано захист від нескінченних циклів при однакових викликах функцій

Відмінності від запропонованого варіанту:

Замість агента для прийняття іспиту з курсу NLP, було обрано реалізацію агента для роботи з датасетом сільськогосподарських досліджень, що дозволяє продемонструвати:

• Роботу з реальним великим датасетом
• Пошук та фільтрацію інформації
• Структуровану роботу з документами
• Практичне застосування LLM-агентів для інформаційного пошуку

Acknowledgments

• Dataset: CGIAR/gardian-ai-ready-docs