Python-фреймворк для программирования языковых моделей с помощью модульного кода и алгоритмов, которые оптимизируют промпты и веса вместо ручного написания промптов.
SylphAI-Inc/AdalFlow
Библиотека для Python в стиле PyTorch, предназначенная для создания LLM-приложений — чат-ботов, RAG-систем и агентов — с автоматической оптимизацией промптов.
- Звёзды
- 4,226
- Форки
- 389
- Открытые issues
- 72
- Последний коммит
- 7 дней назад
Что это?
AdalFlow — библиотека для Python, предназначенная для создания LLM-приложений: чат-ботов, систем генерации с дополнением извлечённой информацией (RAG) и агентов. Её API следует соглашениям PyTorch: пайплайны собираются из компонентов, а провайдеров моделей можно менять через конфигурацию, не меняя код.
В библиотеке есть слой оптимизации, который рассматривает промпты и few-shot-примеры как обучаемые параметры. Разработчик задаёт Parameter и передаёт его в Generator, а затем обучает с помощью текстового градиентного спуска для инструкций или bootstrap-оптимизации few-shot-примеров. Trainer с интерфейсом AdalComponent управляет циклами обучения и валидации.
AdalFlow также предоставляет средство запуска агентов с синхронным, асинхронным режимами и потоковой передачей, вызовом инструментов и историей шагов. Документация охватывает взаимодействие с человеком в цикле и трассировку; для трассировки библиотека интегрируется с MLflow.
Ключевые возможности
- 01Компоненты в стиле PyTorch для сборки LLM-пайплайнов.
- 02Автоматическая оптимизация промптов с помощью текстовых градиентов и few-shot-примеров.
- 03Конфигурация, не зависящая от модели, для переключения между LLM-провайдерами.
- 04Средство запуска агентов с синхронным, асинхронным и потоковым режимами вызова, а также вызовом инструментов.
- 05Интеграция с MLflow для трассировки.
Сценарии использования
- Создание RAG-систем для ответов на вопросы по собственным документам.
- Создание агентов, которые вызывают функции и передают ход работы в потоковом режиме.
- Автоматическая настройка промптов для задачи классификации вместо ручного редактирования.
- Прототипирование LLM-пайплайнов с возможностью позднее переключить провайдера модели через конфигурацию.
Быстрый старт
- 1
Установите AdalFlow с помощью pip
pip install adalflow - 2
Задайте переменную окружения OPENAI_API_KEY
- 3
Запустите пример Hello World Agent из README
Что важно знать
- Для запуска примеров Hello World нужен ключ API OpenAI.
В подборках
Темы
Частые вопросы
- Что такое AdalFlow?
- Библиотека для Python в стиле PyTorch, предназначенная для создания LLM-приложений — чат-ботов, RAG-систем и агентов — с автоматической оптимизацией промптов. AdalFlow — библиотека для Python, предназначенная для создания LLM-приложений: чат-ботов, систем генерации с дополнением извлечённой информацией (RAG) и агентов. Её API следует соглашениям PyTorch: пайплайны собираются из компонентов, а провайдеров моделей можно менять через конфигурацию, не меняя код.
- AdalFlow можно использовать бесплатно? Какая у него лицензия?
- AdalFlow распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- AdalFlow всё ещё поддерживается?
- Активно поддерживается. Последний коммит в AdalFlow — 1 нояб. 2026 г..
- Для чего можно использовать AdalFlow?
- Создание RAG-систем для ответов на вопросы по собственным документам. Создание агентов, которые вызывают функции и передают ход работы в потоковом режиме. Автоматическая настройка промптов для задачи классификации вместо ручного редактирования. Прототипирование LLM-пайплайнов с возможностью позднее переключить провайдера модели через конфигурацию.
- Как установить AdalFlow?
- Установите AdalFlow с помощью pip: pip install adalflow Задайте переменную окружения OPENAI_API_KEY Запустите пример Hello World Agent из README
- Где скачать AdalFlow?
- Исходный код и инструкции по установке — на GitHub: https://github.com/SylphAI-Inc/AdalFlow
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Python-фреймворк в стиле Keras для создания, обучения и развёртывания приложений на базе языковых моделей: RAG-систем, агентов с инструментами и MCP-серверов.
RAG-движок без векторного поиска: строит иерархический древовидный индекс длинных документов, по которому LLM находит ответы.
Локальная система памяти для AI-агентов с приоритетом доказательств: фильтрует записи, отслеживает изменения фактов и объясняет результаты поиска.
CLI и веб-воркбенч, который превращает исходные документы в связанную Markdown-вики, поддерживаемую LLM, и использует древовидный поиск PageIndex для больших файлов.
Полный код для обучения, инференса и дистилляции моделей RAG-поиска: эмбеддингов, ColBERT и reranker-моделей.