Skip to content

Latest commit

 

History

History
187 lines (135 loc) · 8.45 KB

README_FR.md

File metadata and controls

187 lines (135 loc) · 8.45 KB

PySpur

PySpur est un créateur d'agents d'IA en Python. Les ingénieurs en IA l'utilisent pour créer des agents, les exécuter étape par étape et inspecter les exécutions passées.

README in English 简体中文版自述文件 日本語のREADME README in Korean Deutsche Version der README Version française du README Versión en español del README

Documentation Rencontrez-nous Cloud Rejoignez notre Discord

hero.mp4

🕸️ Pourquoi PySpur ?

  • 🖐️ Glisser-déposer : Créez, testez et itérez en quelques secondes.
  • 🔄 Boucles : Appels d’outils itératifs avec mémoire.
  • 📤 Téléversement de fichiers : Téléchargez des fichiers ou collez des URL pour traiter des documents.
  • 📋 Sorties structurées : Éditeur d’interface utilisateur pour les schémas JSON.
  • 🗃️ RAG : Analyser, découper, intégrer et insérer ou mettre à jour des données dans une base de données vectorielle.
  • 🖼️ Multimodal : Support pour vidéos, images, audio, textes, code.
  • 🧰 Outils : Slack, Firecrawl.dev, Google Sheets, GitHub, et plus encore.
  • 🧪 Évaluations : Évaluez les agents sur des ensembles de données réelles.
  • 🚀 Déploiement en un clic : Publiez en tant qu’API et intégrez-le où vous le souhaitez.
  • 🐍 Basé sur Python : Ajoutez de nouveaux nœuds en créant un seul fichier Python.
  • 🎛️ Support multi-fournisseurs : >100 fournisseurs de LLM, intégrateurs et bases de données vectorielles.

⚡ Démarrage rapide

Option A : Utiliser le package Python pyspur

C'est la manière la plus rapide de commencer. Python 3.12 ou une version supérieure est requis.

  1. Installer PySpur :

    pip install pyspur

  2. Initialiser un nouveau projet :

    pyspur init my-project
cd my-project

    Cela va créer un nouveau répertoire avec un fichier .env.

  3. Démarrer le serveur :

    pyspur serve --sqlite

    Par défaut, cela démarrera l'application PySpur sur http://localhost:6080 en utilisant une base de données SQLite. Nous vous recommandons de configurer une URL d'instance Postgres dans le fichier .env pour une expérience plus stable.

  4. [Optionnel] Personnaliser votre déploiement : Vous pouvez personnaliser votre déploiement PySpur de deux façons :

    a. Via l'application (Recommandé) : - Naviguez vers l'onglet des clés API dans l'application - Ajoutez vos clés API pour divers fournisseurs (OpenAI, Anthropic, etc.) - Les modifications prennent effet immédiatement

    b. Configuration manuelle : - Éditez le fichier .env dans le répertoire de votre projet - Il est recommandé de configurer une base de données Postgres dans le fichier .env pour une meilleure fiabilité - Redémarrez l'application avec pyspur serve. Ajoutez --sqlite si vous n'utilisez pas Postgres

Option B : Utiliser Docker (Recommandé pour des systèmes évolutifs en production)

C'est la méthode recommandée pour les déploiements en production :

  1. Installer Docker : Tout d'abord, installez Docker en suivant le guide d'installation officiel pour votre système d'exploitation :

  2. Créer un projet PySpur : Une fois Docker installé, créez un nouveau projet PySpur avec :

    curl -fsSL https://raw.githubusercontent.com/PySpur-com/pyspur/main/start_pyspur_docker.sh | bash -s pyspur-project

    Cela va :

    • Démarrer un nouveau projet PySpur dans un nouveau répertoire nommé pyspur-project
    • Configurer les fichiers de configuration nécessaires
    • Démarrer automatiquement l'application PySpur avec une instance Docker Postgres locale

  3. Accéder à PySpur : Allez sur http://localhost:6080 dans votre navigateur.

  4. [Optionnel] Personnaliser votre déploiement :

    a. Via l'application (Recommandé) : - Naviguez vers l'onglet des clés API dans l'application - Ajoutez vos clés API pour divers fournisseurs (OpenAI, Anthropic, etc.) - Les modifications prennent effet immédiatement

    b. Configuration manuelle : - Éditez le fichier .env dans le répertoire de votre projet - Redémarrez les services avec : sh docker compose up -d

C'est tout ! Cliquez sur « New Spur » pour créer un workflow, ou commencez avec l'un des modèles de base.

✨ Avantages principaux

Déboguer au niveau des nœuds :

visualization.mp4

Multimodal (téléverser des fichiers ou coller des URL)

PDF, vidéos, audio, images, ...

multimodal.mp4

Boucles

Loops

RAG

Étape 1) Créer une collection de documents (découpage + analyse)

RAG_1.mp4

Étape 2) Créer un index vectoriel (intégration + insertion/mise à jour dans la base de données vectorielle)

RAG_2.mp4

Blocs modulaires

blocks.mp4

Évaluer la performance finale

evals.mp4

Bientôt : Auto-amélioration

optimization.mp4

🛠️ Configuration de développement de PySpur

[ Instructions pour le développement sur des systèmes de type Unix. Le développement sur Windows/PC n'est pas supporté ]

Pour le développement, suivez ces étapes :

  1. Cloner le dépôt :

    git clone https://github.com/PySpur-com/pyspur.git
cd pyspur

  2. Lancer en utilisant docker-compose.dev.yml :

    docker compose -f docker-compose.dev.yml up --build -d

    Cela démarrera une instance locale de PySpur avec le rechargement à chaud activé pour le développement.

  3. Personnaliser votre configuration : Modifiez le fichier .env pour configurer votre environnement. Par défaut, PySpur utilise une base de données PostgreSQL locale. Pour utiliser une base de données externe, modifiez les variables POSTGRES_* dans le fichier .env.

⭐ Soutenez-nous

Vous pouvez nous soutenir en laissant une étoile ! Merci !

star

Vos retours seront grandement appréciés. Veuillez nous faire part des fonctionnalités de cette liste que vous souhaitez voir prochainement ou proposer de toutes nouvelles fonctionnalités.