使用场景

开发者使用ProactiveAgent在编程时自动推荐代码片段和修复建议。

数据科学家利用ProactiveAgent在数据分析中自动提出数据预处理步骤。

研究者使用ProactiveAgent在实验中自动监控实验进度并提出调整建议。

产品特色

环境感知：通过Activity Watcher收集环境场景和用户活动，自动推荐任务。

协助标注：提供平台标注代理生成的响应，以符合人类标注结果。

动态生成：动态数据生成管道，用户反馈影响后续事件。

构建管道：包含环境Gym、Proactive Agent和奖励模型的生成管道，奖励模型测试集F1分数达到0.918。

数据集和评估脚本：提供完整的数据收集和生成管道、数据集和相应的评估脚本。

LLM微调：提供微调大型语言模型的提示，以训练主动式代理。

使用教程

1. 克隆仓库并导航到ProactiveAgent文件夹。

2. 安装Python环境和依赖包。

3. 安装Activity Watcher并检查是否正确安装。

4. 配置private.toml文件，修改为个人设置。

5. 运行Proactive Agent并根据提示进行交互。

6. 可选连接奖励模型以过滤代理消息。

7. 通过接受、拒绝或忽略代理的提案来与其互动。