MassGen: um sistema de processamento de tarefas colaborativas com inteligência múltipla

O MassGen é um sistema de colaboração de inteligência múltipla de código aberto inspirado no Grok Heavy da xAI e no Gemini Deep Think do Google DeepMind, que resolve tarefas complexas fazendo com que várias inteligências de IA trabalhem em paralelo para compartilhar informações e otimizar resultados. Os usuários podem invocar diferentes modelos de IA (por exemplo, Google Gemini, OpenAI e xAI Grok) para concluir tarefas por meio de operações simples de linha de comando. O massGen oferece suporte a extensões de ferramentas personalizadas para cenários que exigem colaboração de vários modelos, como a análise de problemas complexos ou a geração de conteúdo de alta qualidade. O projeto está em fase inicial de desenvolvimento, com código e documentação hospedados no GitHub, e a comunidade pode participar de discussões e contribuir via Discord.

Lista de funções

• Processamento paralelo de inteligência múltiplaInteligência artificial: várias inteligências de IA trabalham em tarefas simultaneamente, observando o progresso umas das outras e otimizando o resultado final.
• Colaboração entre modelosSuporte a modelos como o Google Gemini, OpenAI e xAI Grok, integrando o resultado por meio de um mecanismo de consenso.
• Otimização iterativaIntelligentsia refina progressivamente os resultados das tarefas por meio de várias iterações para melhorar a precisão e a qualidade.
• Extensões de ferramentas personalizadasOs usuários podem obter mais informações sobre isso no massgen/tools.py Registre novas ferramentas para aprimorar a funcionalidade do corpo inteligente.
• Configuração flexívelSuporte para ajuste do modo de execução, seleção de modelos e duração da tarefa por meio de parâmetros do arquivo de configuração ou da linha de comando.
• Suporte a vários tipos de tarefas: para diversas tarefas, como questionários, geração de conteúdo, cálculos matemáticos, etc.

Usando a Ajuda

Processo de instalação

Para usar o MassGen, é necessário instalar e configurar as dependências relevantes em seu ambiente local. Abaixo estão as etapas detalhadas de instalação e uso:

1. Repositório de código clone
   Execute o seguinte comando no terminal para fazer o download do código-fonte do MassGen:

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

2. Instalação do ambiente Python
   O MassGen depende de um ambiente Python, e é recomendável usar o uv Gerenciar ambientes virtuais. Execute o seguinte comando:

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

3. Instalação de dependências
   Instale os pacotes Python necessários executando o seguinte comando no diretório raiz do projeto:

   uv pip install -e .
   

4. Configuração de chaves de API
   O MassGen requer uma chave de API para o Google Gemini, OpenAI ou xAI Grok. Copie o arquivo de configuração de amostra e edite-o:

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

   existir massgen/backends/.env para adicionar sua chave de API, por exemplo:

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

   Preencha a chave correspondente de acordo com o modelo a ser usado.

5. Verificar a instalação
   Depois de garantir que todas as dependências e chaves estejam configuradas corretamente, você pode verificar se o ambiente está funcionando corretamente executando os comandos de exemplo.

Uso

O MassGen fornece uma interface de linha de comando (CLI) para executar tarefas. A seguir, há uma descrição de como usar as principais operações e funções:

Execução de tarefas de inteligência múltipla

O MassGen suporta um modelo de inteligência múltipla, em que vários modelos trabalham juntos para concluir uma tarefa. Por exemplo, a consulta "AI winners of the International Maths Olympiad 2025" (Vencedores de IA da Olimpíada Internacional de Matemática 2025):

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

• Descrição do parâmetro::
  • --modelsEspecifique o modelo a ser usado, por exemplo gemini-2.5-flash talvez gpt-4o.
  • Descrição da tarefa: Digite o conteúdo da pergunta ou da tarefa diretamente após o comando.

Uma vez em execução, o MassGen atribui tarefas a várias inteligências, que processam em paralelo, compartilham resultados intermediários e geram a resposta final por meio de otimização iterativa.

modelo de unidade de inteligência única

Se apenas um único modelo for necessário para lidar com a tarefa, você poderá usar o modo de corpo único inteligente. Por exemplo, calcular o maior divisor comum:

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

Esse modo é adequado para tarefas simples e reduz o consumo de recursos.

Uso de arquivos de configuração

O MassGen suporta a execução de tarefas por meio de arquivos de configuração YAML para tarefas complexas ou operações em lote. Por exemplo:

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

O arquivo de configuração permite definir parâmetros como tempo máximo de execução, limites de consenso, etc. Exemplo:

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

• cobertura de parâmetrosÉ possível substituir os parâmetros do arquivo de configuração na linha de comando, por exemplo:

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

Ferramentas de personalização

O MassGen permite que os usuários ampliem a ferramenta para melhorar a funcionalidade. Na seção massgen/tools.py Registre uma nova ferramenta na seção Por exemplo, adicione uma ferramenta de pesquisa:

1. show (um ingresso) massgen/tools.py.
2. Adicione o código e a descrição da ferramenta, seguindo o formato do documento.
3. Após salvar, a ferramenta é chamada automaticamente pelo corpo inteligente.

Visualização do registro de execução

O MassGen registra a operação e o histórico de bate-papo das inteligências, que são salvos no diretório de logs. Os usuários podem examinar os registros para entender o processamento e os eventos do sistema (por exemplo, transições de estágio, obtenção de consenso) de cada corpo inteligente.

Operação da função em destaque

Processamento paralelo e mecanismos de consenso

No centro do MassGen está o processamento paralelo por várias inteligências. Cada inteligência lida com a tarefa de forma independente, enquanto observa o progresso das outras. Por exemplo, ao responder à pergunta "Explique a relatividade":

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

• O corpo inteligente dividirá a tarefa e gerará diferentes partes da explicação em partes separadas.
• O sistema funciona por meio de um mecanismo de consenso (consensus (Controle de parâmetros) Integre os resultados para garantir a consistência e a precisão das respostas.

Otimização iterativa

A Intelligentsia fará várias iterações ao lidar com problemas complexos. Por exemplo, a geração de histórias curtas:

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

• A intelligentsia primeiro gera um rascunho da história.
• Outras inteligências analisam e fazem recomendações para aprimoramento.
• O sistema é otimizado iterativamente até que um resultado satisfatório ou um limite de tempo seja atingido.

cenário do aplicativo

1. Solução de problemas complexos
   Quando os usuários precisam analisar problemas complexos, como computação científica ou análise de políticas, o MassGen fornece respostas abrangentes por meio da colaboração de vários modelos. Por exemplo, um pesquisador pode inserir uma pergunta e obter as perspectivas e conclusões combinadas de diferentes modelos.
2. Geração de conteúdo
   Ideal para gerar textos de alta qualidade, como histórias, relatórios ou artigos, a colaboração de várias inteligências do MassGen garante conteúdo lógico e criativo para redatores ou profissionais de marketing.
3. Educação e aprendizado
   Os alunos podem usar o MassGen para resolver problemas de matemática, física e outros. O sistema é otimizado de forma iterativa para fornecer soluções detalhadas passo a passo, adequadas para estudo autônomo ou como auxílio ao ensino.
4. Desenvolvimento e comissionamento de tecnologia
   Os desenvolvedores podem usar o MassGen para testar o desempenho do modelo de IA ou desenvolver novas ferramentas. Valide rapidamente novos recursos ou otimize os fluxos de trabalho existentes com ferramentas e perfis personalizados.

QA

1. Quais modelos de IA são compatíveis com o MassGen?
   Atualmente, há suporte para modelos de inferência avançados do Google Gemini, OpenAI e xAI Grok. Os usuários podem encontrar mais informações na página massgen/utils.py Registre mais modelos em.
2. Como posso ampliar a funcionalidade do MassGen?
   existir massgen/tools.py Adicione código de ferramenta personalizado para registrar de acordo com o formato do arquivo. As versões futuras oferecerão suporte a modelos de inferência local.
3. Quanto poder de computação é necessário para executar o MassGen?
   Depende da complexidade da tarefa e do número de modelos. Recomenda-se usar um dispositivo com pelo menos 16 GB de RAM e garantir uma conexão de rede estável para chamar a API.
4. Como posso visualizar o processamento de inteligências?
   O sistema salva o histórico de operação e bate-papo de cada corpo inteligente no diretório de registro, e você pode visualizar o registro para entender o processo detalhado.