使用场景

开发者使用WorkflowLLM来自动化复杂的软件开发流程。

数据科学家利用WorkflowLLM处理和分析大规模数据集。

自动化工程师使用WorkflowLLM来设计和优化工业自动化流程。

产品特色

数据收集：从RoutineHub等平台收集现实世界的Apple快捷指令，并将其转录成Python风格的代码。

查询扩展：使用ChatGPT生成多样化和复杂的任务查询，以丰富工作流数据集。

工作流生成：训练有素的注释模型为合成查询生成工作流，然后进行质量检查，并与收集的样本合并，形成最终的数据集。

模型微调：使用WorkflowBench微调Llama-3.1-8B模型，创建WorkflowLlama，专门针对工作流编排任务优化。

实验结果：WorkflowLlama在编排复杂工作流和泛化到未见API方面表现出色。

数据预处理：将原始的Apple Shortcuts plist格式转换为抽象语法树（AST）表示，提高数据的可读性和实用性。

训练与推理：提供工具用于模型的训练和推理，支持日志记录和保存中间检查点。

使用教程

1. 环境设置：确保Python 3.8已安装，并根据requirements.txt安装所有依赖。

2. 数据预处理：运行preprocess/Convert_ShortCut_to_Python.py脚本来将.plist或.shortcut文件转换为Python兼容格式。

3. 训练模型：执行scripts/train.sh脚本来开始训练模型，提供基础模型路径和数据路径作为参数。

4. 运行推理：模型训练完成后，使用scripts/infer.sh运行推理，提供训练好的模型检查点路径。

5. 查看结果：分析模型的输出，评估工作流编排的效果。

6. 微调和优化：根据实验结果对模型进行微调，以适应特定的工作流需求。