MassGen: ein kollaboratives Multi-Intelligenz-Aufgabenverarbeitungssystem

MassGen ist ein Open-Source-Multi-Intelligenz-Kollaborationssystem, das von xAIs Grok Heavy und Google DeepMinds Gemini Deep Think inspiriert ist. Es löst komplexe Aufgaben, indem es mehrere KI-Intelligenzen parallel arbeiten lässt, um Informationen auszutauschen und Ergebnisse zu optimieren. Benutzer können verschiedene KI-Modelle (z. B. Google Gemini, OpenAI und xAI Grok) aufrufen, um Aufgaben durch einfache Befehlszeilenoperationen zu erledigen. massGen unterstützt benutzerdefinierte Tool-Erweiterungen für Szenarien, die eine Zusammenarbeit mehrerer Modelle erfordern, wie z. B. die Analyse komplexer Probleme oder die Erstellung hochwertiger Inhalte. Das Projekt befindet sich derzeit in einem frühen Entwicklungsstadium. Code und Dokumentation werden auf GitHub gehostet, und die Community kann über Discord an Diskussionen teilnehmen und Beiträge leisten.

Funktionsliste

• Multi-intelligente ParallelverarbeitungMehrere KI-Intelligenzen arbeiten gleichzeitig an Aufgaben, beobachten den Fortschritt der anderen und optimieren das Endergebnis.
• Modellübergreifende ZusammenarbeitUnterstützt Modelle wie Google Gemini, OpenAI und xAI Grok, wobei die Ergebnisse durch einen Konsensmechanismus integriert werden.
• Iterative OptimierungIntelligentsia verfeinert die Aufgabenergebnisse schrittweise durch mehrere Iterationen, um die Genauigkeit und Qualität zu verbessern.
• Benutzerdefinierte WerkzeugerweiterungenBenutzer können mehr darüber erfahren in der massgen/tools.py Registrieren Sie neue Tools, um die Funktionalität des Smart Body zu verbessern.
• Flexible KonfigurationUnterstützung für die Anpassung von Laufmodus, Modellauswahl und Aufgabendauer über Konfigurationsdatei oder Befehlszeilenparameter.
• Unterstützung für mehrere Aufgabentypen: für verschiedene Aufgaben wie Quiz, Erstellung von Inhalten, mathematische Berechnungen usw.

Hilfe verwenden

Einbauverfahren

Um MassGen zu verwenden, müssen Sie die relevanten Abhängigkeiten in Ihrer lokalen Umgebung installieren und konfigurieren. Nachfolgend finden Sie die detaillierten Installations- und Verwendungsschritte:

1. Code-Repository klonen
   Führen Sie den folgenden Befehl im Terminal aus, um den MassGen-Quellcode herunterzuladen:

   git clone https://github.com/Leezekun/MassGen.git
   cd MassGen
   

2. Installieren der Python-Umgebung
   MassGen basiert auf einer Python-Umgebung, und es wird empfohlen, die uv Verwalten von virtuellen Umgebungen. Führen Sie den folgenden Befehl aus:

   pip install uv
   uv venv
   source .venv/bin/activate  # macOS/Linux
   .venv\Scripts\activate  # Windows
   

3. Installation von Abhängigkeiten
   Installieren Sie die erforderlichen Python-Pakete, indem Sie den folgenden Befehl im Stammverzeichnis des Projekts ausführen:

   uv pip install -e .
   

4. API-Schlüssel konfigurieren
   MassGen benötigt einen API-Schlüssel für Google Gemini, OpenAI oder xAI Grok. Kopieren Sie die Beispielkonfigurationsdatei und bearbeiten Sie sie:

   cp massgen/backends/.env.example massgen/backends/.env
   

   existieren massgen/backends/.env Datei, um zum Beispiel Ihren API-Schlüssel hinzuzufügen:

   OPENAI_API_KEY=sk-your-openai-key-here
   XAI_API_KEY=xai-your-xai-key-here
   GEMINI_API_KEY=your-gemini-key-here
   

   Füllen Sie den entsprechenden Schlüssel entsprechend dem zu verwendenden Modell aus.

5. Überprüfen der Installation
   Nachdem Sie sich vergewissert haben, dass alle Abhängigkeiten und Schlüssel korrekt konfiguriert sind, können Sie überprüfen, ob die Umgebung ordnungsgemäß funktioniert, indem Sie die Beispielbefehle ausführen.

Verwendung

MassGen bietet eine Befehlszeilenschnittstelle (CLI) zur Ausführung von Aufgaben. Im Folgenden wird beschrieben, wie die wichtigsten Vorgänge und Funktionen zu verwenden sind:

Durchführung von Multi-Intelligence-Aufgaben

MassGen unterstützt ein Multi-Intelligenz-Modell, bei dem mehrere Modelle zusammenarbeiten, um eine Aufgabe zu erfüllen. Zum Beispiel die Abfrage "KI-Gewinner der Internationalen Mathematik-Olympiade 2025":

python cli.py "Which AI won IMO in 2025?" --models gemini-2.5-flash gpt-4o

• Beschreibung der Parameter::
  • --models: Geben Sie das zu verwendende Modell an, z. B. gemini-2.5-flash vielleicht gpt-4o.
  • Aufgabenbeschreibung: Geben Sie die Frage oder den Inhalt der Aufgabe direkt nach dem Befehl ein.

Einmal gestartet, weist MassGen Aufgaben mehreren Intelligenzen zu, die parallel arbeiten, Zwischenergebnisse austauschen und durch iterative Optimierung die endgültige Antwort erzeugen.

Modell einer einzigen Intelligenzeinheit

Wenn nur ein einziges Modell zur Bewältigung der Aufgabe benötigt wird, können Sie den Modus "Einzelner intelligenter Körper" verwenden. Zum Beispiel die Berechnung des größten gemeinsamen Teilers:

python cli.py "What is greatest common divisor of 238, 756, and 1512" --models gemini-2.5-flash

Dieser Modus ist für einfache Aufgaben geeignet und reduziert den Ressourcenverbrauch.

Verwendung von Konfigurationsdateien

MassGen unterstützt die Ausführung von Aufgaben über YAML-Konfigurationsdateien für komplexe Aufgaben oder Batch-Operationen. Zum Beispiel:

python cli.py --config examples/fast_config.yaml "find big AI news this week"

In der Konfigurationsdatei können Parameter wie die maximale Laufzeit, Konsensschwellen usw. festgelegt werden. Beispiel:

max_duration: 120
consensus: 0.5
models:
- gemini-2.5-flash
- gpt-4o

• ParameterabdeckungSie können die Parameter der Konfigurationsdatei auf der Kommandozeile überschreiben, zum Beispiel:

  python cli.py --config examples/fast_config.yaml "who will win World Cup 2026" --max-duration 120 --consensus 0.5
  

Werkzeuge zur Anpassung

MassGen ermöglicht es den Benutzern, das Tool zu erweitern, um die Funktionalität zu verbessern. In der massgen/tools.py Registrieren Sie ein neues Werkzeug in der Fügen Sie zum Beispiel ein Suchwerkzeug hinzu:

1. zeigen (eine Eintrittskarte) massgen/tools.py.
2. Fügen Sie den Code und die Beschreibung des Tools hinzu und folgen Sie dabei dem Format im Dokument.
3. Nach dem Speichern wird das Werkzeug automatisch vom Smart Body aufgerufen.

Einsehen des Laufprotokolls

MassGen zeichnet den Betriebs- und Chatverlauf der Intelligenzen auf, der im Protokollverzeichnis gespeichert wird. Die Benutzer können die Protokolle untersuchen, um die Verarbeitung und die Systemereignisse (z. B. Stufenübergänge, Konsensfindung) der einzelnen intelligenten Körper zu verstehen.

Featured Function Bedienung

Parallelverarbeitung und Konsensmechanismen

Das Herzstück von MassGen ist die parallele Verarbeitung durch mehrere Intelligenzen. Jede Intelligenz bearbeitet die Aufgabe unabhängig, während sie den Fortschritt der anderen beobachtet. Zum Beispiel bei der Beantwortung der Frage "Erklären Sie die Relativitätstheorie":

python cli.py --config examples/fast_config.yaml "Explain the theory of relativity in simple terms."

• Der intelligente Körper wird die Aufgabe aufteilen und verschiedene Teile der Erklärung in separaten Teilen erstellen.
• Das System funktioniert über einen Konsensmechanismus (consensus (Parameterkontrolle) Integrieren Sie die Ergebnisse, um die Konsistenz und Genauigkeit der Antworten zu gewährleisten.

Iterative Optimierung

Intelligentsia führt mehrere Iterationen durch, wenn es um komplexe Probleme geht. Zum Beispiel bei der Erstellung von Kurzgeschichten:

python cli.py --config examples/fast_config.yaml "Write a short story about a robot who discovers music."

• Die Intelligenzia erstellt zunächst einen Entwurf für eine Geschichte.
• Andere Intelligenzen überprüfen und geben Empfehlungen für Verbesserungen.
• Das System wird iterativ optimiert, bis ein zufriedenstellendes Ergebnis oder ein Zeitlimit erreicht ist.

Anwendungsszenario

1. Komplexe Problemlösung
   Wenn Benutzer komplexe Probleme analysieren müssen, wie z. B. wissenschaftliche Berechnungen oder politische Analysen, bietet MassGen umfassende Antworten durch die Zusammenarbeit mehrerer Modelle. Ein Forscher kann zum Beispiel eine Frage eingeben und erhält die Perspektiven und kombinierten Schlussfolgerungen verschiedener Modelle.
2. Generierung von Inhalten
   Die Multi-Intelligenz-Zusammenarbeit von MassGen ist ideal für die Erstellung hochwertiger Texte wie Geschichten, Berichte oder Artikel und gewährleistet logische und kreative Inhalte für Redakteure oder Marketingfachleute.
3. Bildung und Lernen
   Schüler können mit MassGen Mathematik-, Physik- und andere Probleme lösen. Das System ist iterativ optimiert und bietet detaillierte Schritt-für-Schritt-Lösungen, die sich für das Selbststudium oder als Lehrmittel eignen.
4. Technologieentwicklung und Inbetriebnahme
   Entwickler können MassGen nutzen, um die Leistung von KI-Modellen zu testen oder neue Tools zu entwickeln. Validieren Sie schnell neue Funktionen oder optimieren Sie bestehende Arbeitsabläufe mit benutzerdefinierten Tools und Profilen.

QA

1. Welche KI-Modelle werden von MassGen unterstützt?
   Erweiterte Inferenzmodelle von Google Gemini, OpenAI und xAI Grok werden derzeit unterstützt. Weitere Informationen finden die Nutzer auf der massgen/utils.py Registrieren Sie weitere Modelle in.
2. Wie kann ich die Funktionalität von MassGen erweitern?
   existieren massgen/tools.py Hinzufügen von benutzerdefiniertem Toolcode zur Registrierung entsprechend dem Dateiformat. Zukünftige Versionen werden lokale Inferenzmodelle unterstützen.
3. Wie viel Rechenleistung ist für den Betrieb von MassGen erforderlich?
   Abhängig von der Komplexität der Aufgabe und der Anzahl der Modelle. Es wird empfohlen, ein Gerät mit mindestens 16 GB RAM zu verwenden und eine stabile Netzwerkverbindung für den Aufruf der API sicherzustellen.
4. Wie kann ich die Verarbeitung von Intelligenzen einsehen?
   Das System speichert den Betriebs- und Chatverlauf jedes intelligenten Körpers im Protokollverzeichnis, und Sie können das Protokoll einsehen, um den detaillierten Vorgang zu verstehen.