hero.mp4
blocks.mp4
visualization.mp4
evals.mp4
optimization.mp4
- Facile à modifier, par exemple on peut ajouter de nouveaux nœuds de flux de travail en créant simplement un fichier Python.
- Configurations JSON des graphes de flux, permettant un partage et un contrôle de version aisés.
- Léger avec un minimum de dépendances, évitant les frameworks LLM trop lourds.
Vous pouvez démarrer PySpur en trois étapes simples :
-
Cloner le dépôt :
git clone https://github.com/PySpur-com/PySpur.git cd pyspur
-
Démarrez les services Docker :
sudo docker compose up --build -d
Cela lancera une instance locale de PySpur qui stockera les spurs et leurs exécutions dans un fichier SQLite local.
-
Accédez au portail :
Rendez-vous sur
http://localhost:6080/
dans votre navigateur.Entrez
pyspur
/canaryhattan
comme nom d'utilisateur/mot de passe. -
Ajoutez les clés de votre fournisseur de LLM :
Allez dans le menu des paramètres en haut à droite du portail
Sélectionnez l'onglet "API keys"
Entrez la clé de votre fournisseur et cliquez sur "save" (le bouton "save" apparaîtra après l'ajout/modification d'une clé)
La configuration est terminée. Cliquez sur "New Spur" pour créer un nouveau flux de travail, ou commencez avec l'un des modèles existants.
- Canvas (toile)
- Exécution asynchrone/lot (Async/Batch)
- Évaluations (Evals)
- Spur API
- Nouveaux nœuds
- Nœuds LLM
- Si-Sinon (If-Else)
- Fusionner les branches (Merge Branches)
- Outils (Tools)
- Boucles (Loops)
- Optimisation du pipeline via DSPy et méthodes associées
- Modèles (Templates)
- Compiler les Spurs en code
- Support multimodal
- Conteneurisation des vérificateurs de code
- Tableau de classement (Leaderboard)
- Générer des Spurs via l'IA
Vos retours sont grandement appréciés.
Veuillez nous dire quelles fonctionnalités de cette liste vous souhaitez voir apparaître en priorité, ou proposez-en de totalement nouvelles.