Quelltext der Seite Werk:AI mit Arnie/Python-Interpreter, Taschenrechner & Textdateien

{| border="10px" style="border-collapse: collapse; width: 300px; background-color: rgb(236, 240, 241); border-color: rgb(236, 240, 241); border-style: solid; float: right;"
|{{Eigan Pfeil ▶}}
|{{Kurs AI mit Arnie (KI Revolution) KI-Agenten}}
|-
| colspan="2" |{{Werkart Abschrift Video}}
|-
|{{Eigan Video}}
|[https://youtu.be/u-5MGN4e5z4?si=sy049sn5ulMfSQJA 8 Function Calling für KI Agenten Python Interpreter, Taschenrechner und Textdateien speichern] (14:13)
|-
|{{Eigan Schule}}
|[https://www.skool.com/ai-mit-arnie-ki-revolution/classroom/b49a574d?md=187f88abf7474cbcbaac20720e73597d Python-Interpreter, Taschenrechner & Textdateien]
|-
| colspan="2" |{{Deine ersten KI-Agenten erstellen}}
|-
|{{Eigan Pfeil ▲}}
|[[Werk:AI mit Arnie/Function Calling für KI-Agenten|Function Calling für KI-Agenten]]
|-
|{{Eigan Pfeil ▶}}
|[[Werk:AI mit Arnie/Python-Interpreter, Taschenrechner & Textdateien|Python-Interpreter, Taschenrechner & Textdateien]]
|-
|{{Eigan Pfeil ▼}}
|[[Werk:AI mit Arnie/Wichtige Punkte, die du nicht vergessen solltest (Deine ersten KI-Agenten erstellen)|Wichtige Punkte, die du nicht vergessen solltest]]
|}
{{SchaufensterBeginn|Auszug}}

In diesem Video bauen wir einen weiteren Agenten. Ich will dir wieder das Function Calling zeigen. Wir verwenden drei der erfolgreichsten Tools, die das Function Calling bieten. Bis jetzt sind es noch einfache Tools, wo wir nichts programmieren müssen. Ich will dir zeigen, was wir alles einbauen. 

Wir bauen einen Taschenrechner rein, wir bauen den Python Interpreter ein, und wir bauen Write Files. Was können die Dinger? Du kannst dir denken, was der Taschenrechner macht. 

Der Python Interpreter – wenn du das groß machst, dann siehst du den System-Prompt. Das heißt, man kann Python-Code in einer Sandbox-Umgebung laufen lassen. Das heißt, man könnte Datenvisualisierung machen. Wenn wir Glück haben, können wir sogar Snake spielen in einer solchen Umgebung. Im Groben war es das, und wir verwenden nur Packages, die hier in Pyodide mit dabei sind. 

Also, wie ich hoffe, können wir hier was Cooles zum Laufen bringen. Ich denke, Datenvisualisierung werden wir uns ansehen. Und zum Schluss haben wir noch das Write Files. Wir können Dinge lokal auf unserem PC speichern. Wir müssen einfach nur einen Ordner angeben.

Ich will natürlich wieder starten mit +. Wir brauchen einen Supervisor, um das Ganze zu starten, und danach Arbeiter. Das heißt, wir brauchen natürlich Arbeiter, und wir brauchen hier drei Arbeiter. Um das Ganze schneller zu machen, kopiere ich die drei Arbeiter, und jeder dieser Arbeiter wird jetzt verbunden mit Tools. Das heißt, er erste Arbeiter wird hier natürlich meinen Taschenrechner haben. Das heißt, ich verbinde den Taschenrechner mit dem ersten Arbeiter. Danach den zweiten Arbeiter, den verbinde ich mit diesem Python Interpreter. Und der dritte Arbeiter, der schreibt mir die Files direkt auf meinem PC.

Und was brauchen wir als Nächstes? Wir haben den Supervisor, und den Supervisor verbinde ich natürlich mit allen drei von diesen Arbeitern. Das funktioniert natürlich sehr, sehr einfach. 

Wir gehen jetzt einen Schritt weiter. Wir machen das Modell dazu, natürlich wieder Chat-Modelle. Ich verwende hier das OpenAI-Chat-Modell. Das heißt, GPT-4 Omni wird es werden. Und GPT-4 Omni ist relativ günstig, natürlich. Das heißt, wir schließen das hier an. Und hier beim allerletzten Tool, das schreibt einfach nur die Files auf meinem Computer. Hier könnten wir sogar ein günstigeres Modell verwenden. Wir könnten wieder ChatGPT nehmen oder später sehen wir uns auch Ollam an. Das funktioniert komplett gratis, ohne API-Kosten. Später mehr dazu.

Wenn du aber denkst, dass zum Beispiel das letzte Tool ein günstigeres GPT-Modell verwenden könnte, dann kannst du auch das hier anschließen. Und hier kannst du danach ganz einfach GPT-3.5 Turbo verwenden. Am Anfang GPT-4 Omni, also das Omni-Tool, macht die ganzen ersten Schritte. Wir verwenden natürlich wieder Flowise Test, da wir hier unseren API-Key haben. Und hier drüben schmeißen wir denselben API-Key rein. Wir verwenden aber das GPT-3.5-Turbo-Modell. 

Wie gesagt, das muss jetzt nicht genauso aufgebaut sein. Es kann einfach nur so aufgebaut sein. Wenn du das wieder löschst, dann macht GPT-4 Omni jetzt natürlich jede Anfrage. Also, das kannst du wirklich gestalten, wie du willst. Ich lass das jetzt einfach mal dabei. Dann sehen wir uns an, ob dieses Modell stark genug ist dafür. 

Und jetzt müssen wir genau beschreiben, was wir haben wollen. Ich speichere das Ganze einfach mal, und ich nenne das wieder „Function Calling Python Interpreter“. Ich klicke „Save“. 

Wir gehen zurück, wir gehen wieder auf unseren Prompting-Agenten, also Agent Flows Prompting, und wir beschreiben genau, was wir haben wollen. Ich klicke hier drauf, ich lösche den alten Chat, und wir beschreiben. Ich mach das Ganze groß, und ich füge das da ein: „Ich will drei Agenten. Der erste Agent soll den Taschenrechner verwenden, um die genauen Prozente meiner Investments auszurechnen. Der zweite Agent schreibt ein Python-Skript, um meine Investments als Kuchendiagramm zu visualisieren. Der dritte Agent macht eine kleine Zusammenfassung, wie es um meine Finanzen steht, und speichert die Ergebnisse lokal ab.“ Ich schick das Ganze los, und wir bekommen unsere Prompts. Und ich werde danach die Dinge genauso machen. 

Ich füge die in eine Textdatei ein wie diese. Ich mache eine neue, und ich schmeiß die Dinge danach rein in unsere Arbeiter. Und schwups, da haben wir die Dinge dementsprechend – die Agentennamen und so weiter. Ich kopiere das. Du musst mir hierbei jetzt nicht mehr zusehen. Ich mache das im Schnelldurchlauf, du weißt ja, wie das läuft. 

Und so, jetzt habe ich hier die Prompts natürlich hinzugefügt. Der Taschenrechner ist auf dem richtigen Ort, der Python Interpreter ist auf dem richtigen Ort, Write File ist auf dem richtigen Ort. Und wie gesagt, hier kannst du auch ein größeres Modell verwenden, wenn du magst. Wenn du das noch einfacher willst, kannst du das auch löschen, und es wird immer und überall GPT-4 Omni verwendet. Jetzt will ich das Ding testen.

Ich muss das natürlich erst noch mal speichern, und ich gebe hier ein x-beliebiges Beispiel ein. Ich mache das groß, und ich sage sowas: Bevor wir das machen – hoppala, das hätte ich fast vergessen – wir müssen natürlich noch den Basepath eingeben. Wir brauchen einen Output, der zum Beispiel auf unseren Desktop ist. Das heißt, ich schließe das Ding, und jetzt machen wir auf dem Desktop erstmal einen Ordner. 

Also, das hier ist mein Desktop. Ich klicke jetzt „Neu“. Wir erstellen einen Ordner, und ich nenne das Ding einfach mal „Function Calling“. Jetzt können wir hier einfach drauf klicken, und wir müssen den Pfad kopieren. Also, als Pfad kopieren. Wir gehen wieder zurück in Flowise, und den Pfad, den geben wir hier an. Also, du siehst, der Pfad ist „C:/User“ und so weiter. Die ersten Anführungszeichen kann ich auch löschen, glaube ich, und auch die letzten. So sollte das Ganze laufen. Und schwups, ich hoffe, das Ganze funktioniert jetzt. Jetzt noch einmal speichern. 

Jetzt mache ich das Ganze groß, und ich gebe ein beliebiges Beispiel ein: „Ich habe insgesamt 15.000 Euro. 9.500 habe ich in ETFs, 500 in Bitcoin, 1.000 in Tesla, 3.000 in Bonds, und der Rest ist in Cash.“ Ich schicke das Ganze los. Jetzt sehen wir uns mal an, was hier alles passiert.

Der Supervisor geht los und verwendet unseren ersten Agenten, der natürlich einen Taschenrechner hat. Der Taschenrechner rechnet hier alles auf: 63,33 % habe ich in ETFs, 3,33 % in Bitcoin, Tesla ist 6,67 %, Bonds sind 20 %, und Cash 6,67 %. Danach geht der Supervisor her, verwendet unseren zweiten Agenten, der hoffentlich den Python Interpreter Tool verwendet und uns eine Datenvisualisierung macht. 

Übrigens, diese Python Agenten, die könnten theoretisch auch rechnen. Ich wollte das aber einfach machen bzw. ich wollte auch den Taschenrechner mit einbauen. Du siehst, der Taschenrechner macht auch die Aufgaben. Wie gesagt, natürlich könnte man das auch mit Python ausrechnen. Ich will das aber auch hier mit dem Taschenrechner aufzeigen, dafür, dass einfache Dinge auch mit einem Taschenrechner gut sind.

Jetzt haben wir hier alles bekommen. Also, haben wir hier für die Datenvisualisierung unser Python-Skript bekommen. Zum Schluss habe ich jetzt „Financial Summary“. Die Financial Summary wurde gespeichert als Textdatei. Ich bin gespannt, ob ich die Textdatei jetzt auch auf meinem PC habe. 

Aber vorher will ich mir ansehen, ob auch die Datenvisualisierung geklappt hat. Das heißt, wir können uns das natürlich erstmal alles ansehen. Das ist hier eine HTML-Datei. Dementsprechend kann ich das mal kopieren, und ich teste es in Replit. „Create Repl“, HTML Agent. Ich versuche das einfach mal hier laufen zu lassen. Das will ich jetzt löschen. Wir klicken „Run“, und schwups, es wurde perfekt aufgeteilt: 63,33 % ETFs, Bitcoin 3,33 %, Cash, Tesla, Bonds. Die Datenvisualisierung hat perfekt geklappt.

Zurück in Flowise. Wir gehen runter. Das Letzte war natürlich, dass wir alles lokal speichern. Das heißt, ich schließe das. 

Ich gehe mal in „Function Calling“ rein. Bei „Function Calling“ habe ich jetzt diese Summary. Ich mache das groß. Entschuldigung, das ist alles hier etwas verrutscht. Und wir sehen uns an, was wir hier haben: „Aktuelle Verteilung Ihrer Investments. Insgesamt 15.000 Euro, wie folgt aufgeteilt“, und so weiter. Wichtige Erkenntnisse: Der Großteil ist in ETFs, und so weiter. Diese Verteilung zeigt „blablabla“, und so weiter. Und so könntest du deine Finanzen meinetwegen monatlich updaten. Du hast hier wirklich immer alles parat.

Meinetwegen gehst du im nächsten Monat rein, du öffnest dir diesen Chat, den du natürlich immer noch laufen hast. Du kannst das Ganze natürlich wieder groß machen und schreibst deine Updates rein: „Jetzt habe ich 20.000, davon 10.000 in ETFs, meinetwegen ist Tesla komplett explodiert, 5.000 in Tesla, 2.000 in Bitcoin, keine Bonds mehr, und sagen wir einfach nur noch Rest in Cash.“ Du schickst das los, und es wird natürlich wieder sofort laufen. 

Und du hast danach wieder deine neue Textdatei, wo du alles zusammengefasst auf deinem Computer hast. Und du kannst natürlich auch wieder die Datenvisualisierung machen und mit deinem alten Ding vergleichen. Also, ich denke, das ist ein praktischer Anwendungsfall. 

Und schwups, jetzt haben wir hier wieder alles beisammen. Ich kann hier hochscrollen. Wo fing das Ganze an? Hier ging es los. Es wurde ausgerechnet: ETF sind 50 %, 25 % Tesla, 10 % Bitcoin, 15 Cash. Eine einfache Rechnung. Hier haben wir ein Python-Skript, wenn wir das Zeug visualisieren wollen würden, möchte ich im aktuellen Moment tatsächlich nicht. Danach haben wir hier unten den Supervisor. 

Übrigens, also das ist Python, das ist nicht mehr HTML. Wir könnten auch spezifischer sein, wie wir die Dinge haben wollen.

Danach haben wir hier unten „Summary Writer“, und das Ganze sollte wieder gespeichert sein als Textfile. Ich schließe das. 

Du siehst, bei „Perfekt“, wir haben unser zweites Dokument hier. Ich kann das öffnen: Tesla, Bitcoin, Cash, sofort die Updates. 

Das kannst du so natürlich weiterspinnen, wie du magst. Du könntest zum Beispiel jedes Monat hergehen, und du kannst auch spezifischer sein. Meinetwegen, dass auch das Python-Skript abgespeichert werden sollte. Du kannst hier viele, viele verschiedene Dinge mitmachen. 

Später zeige ich dir auch noch, wie andere Aktionen ausgeführt werden können, dass zum Beispiel Mails sofort versendet werden oder sonst was. Aber gerade dieses Speichern auf deinem PC, das ist wahnsinnig praktisch. Du kannst dir alles abspeichern, was du willst. Und das musst du natürlich auf deinen spezifischen Use-Case anpassen. 

Aber wie gesagt, es ist wahnsinnig einfach, hier komplette Aufgaben zu automatisieren. Und danach hast du es gespeichert, lokal auf deinem Computer als Textfile. Das könnten auch Geschichten sein oder Mails oder was weiß ich, was du machen willst. Du hast alles sofort auf deinem Computer.

Noch eine kleine Anmerkung: Ich habe das Tool jetzt ein-, zweimal getestet, und leider scheint die Visualisierung noch nicht perfekt zu funktionieren. Wenn wir hier auf „+“ gehen und runtergehen bei den Tools, dann sehen wir natürlich, dass dieser Python Interpreter noch relativ neu ist. Leider findet man auch in der Dokumentation noch keine sehr gute Beschreibung. Ich nehme an, dieser Python Interpreter, der wird noch besser gemacht. Es scheint so zu sein, dass die richtigen Bibliotheken noch nicht immer installiert sind.

Wenn ich hier hochgehe, dann bekomme ich diese Antwort: Da keine der üblichen Bibliotheken für die Darstellung von Diagrammen verfügbar zu sein scheint. Also muss ich auf eine einfache Textvisualisierung zurückgreifen, um das Verhältnis darzustellen.“ Das heißt, ja, normalerweise können wir diesen Code Interpreter natürlich verwenden, und die Daten werden sofort hier visualisiert. Da das aktuell aber nicht perfekt klappt, bekommen wir nur den Datencode. Also normalerweise würden wir absolut auch hier drinnen unsere Tabelle bekommen. Und sobald das alles besser funktioniert, mache ich natürlich noch mal ein neues Video darüber.

Wenn wir hier auf diesen Python Interpreter klicken, der wurde hier sechsmal tatsächlich verwendet, aber ich bekomme immer die Fehler. Also, hier läuft der Code. Das Tool ist natürlich der Python Interpreter. Das Tool-Input ist danach, dass wir die richtige Bibliothek versuchen zu implementieren. Aber scheinbar bekommen wir einen Fehler, weil wir die Adresse nicht verwenden können. Wie gesagt, hier muss ich mich selbst noch mal tiefer reinarbeiten. Ich werde wahrscheinlich auf Flowise noch mal schreiben, damit wir das auch besser hinbekommen.

Diese Datenvisualisierung scheint aktuell noch nicht immer perfekt zu klappen. Einige Male hat das sehr gut geklappt. Wie gesagt, ansonsten muss man den Code halt eben in Replit laufen lassen. Aber ich wollte dennoch unbedingt diese Node mit einbauen, da sie viel Potenzial hat, sobald sie gut funktioniert. 

Wenn wir übrigens diesen OpenAI-Agenten verwenden, den wir uns später ansehen, dann funktioniert die Codevisualisierung auf Anhieb. Das funktioniert da tatsächlich perfekt. Aber leider funktioniert es mit diesem Tool noch nicht perfekt. Also werde ich die Dinge natürlich noch mal ergänzen, und später siehst du natürlich auch, wie die bessere Visualisierung funktioniert.

In diesem Video haben wir uns einige Tools angesehen. Die Tools sind richtig cool. Du kannst einen Taschenrechner verwenden und alles ausrechnen, was du willst. Du kannst diesen Python Interpreter verwenden. Und dieser Python Interpreter, der schreibt dir Python-Skripts, HTML-Skripts, und noch vieles, vieles mehr. 

Und das Ding ist: Du kannst die Dinge auch mit diesem Ding hier laufen lassen. Also, du könntest auch hier drinnen Datenvisualisierung machen. Du könntest dir die Dinge auch hier drinnen anzeigen lassen. Ich habe das jetzt einfach mal in Replit gemacht, weil es schnell ging. Danach kannst du auch noch Write File machen. Das heißt, mit Write File kannst du die Dinge sofort lokal auf deinem Desktop speichern. Das ist natürlich sehr, sehr praktisch. Du hast alles sofort übersichtlich gespeichert. 

So könntest du deine Finanzen über einen langen Zeitraum tracken, und alles funktioniert sehr einfach. Du gibst es einfach nur in Flowise ein. Du hättest sogar ein Python-Skript. Du kannst dir auch das mit in die Textdatei reintippen lassen. Du musst einfach nur die Prompts so anpassen, wie es für dich perfekt ist.
{{SchaufensterEnde|Auszug}}
{{DEFAULTSORT:Python-Interpreter,_Taschenrechner_&_Textdateien}}