🚧 翻譯進行中 - 本文件正在從英文翻譯中。

📖 Read in English | 閱讀英文版

其他語言版本: 🇨🇳 简体中文 | 🇪🇸 Español | 🇫🇷 Français | 🇩🇪 Deutsch | 🇯🇵 日本語 | 🇰🇷 한국어 | 🇮🇳 हिन्दी | 🇸🇦 العربية | 🇮🇹 Italiano | 🇧🇷 Português | 🇷🇺 Русский | 🇧🇩 বাংলা

GraphBit 是一個開源的智慧體 AI 框架，專為需要確定性、並行和低開銷執行的開發者設計。

效率決定誰能擴展規模。GraphBit 專為需要確定性、並行和超高效 AI 執行而無需額外開銷的開發者而建構。

GraphBit 採用 Rust 核心和最小化的 Python 層，與其他框架相比，CPU 使用率降低高達 68 倍，記憶體佔用降低 140 倍，同時保持相同或更高的吞吐量。

它支援並行執行的多智慧體工作流程，跨步驟持久化記憶體，從故障中自我恢復，並確保 100% 的任務可靠性。GraphBit 專為生產工作負載而建構，從企業 AI 系統到低資源邊緣部署。

• 工具選擇 - LLM 根據描述智慧選擇工具
• 型別安全 - 每個執行層都有強型別
• 可靠性 - 斷路器、重試策略、錯誤處理和故障恢復
• 多 LLM 支援 - OpenAI、Azure OpenAI、Anthropic、OpenRouter、DeepSeek、Replicate、Ollama、TogetherAI 等
• 資源管理 - 並行控制和記憶體最佳化
• 可觀測性 - 內建追蹤、結構化日誌和效能指標

GraphBit 為大規模效率而構建，不是理論聲明，而是實測結果。

我們的內部基準測試套件在相同工作負載下將 GraphBit 與領先的基於 Python 的智慧體框架進行了比較。

GraphBit 在 LLM 呼叫、工具呼叫和多智慧體鏈中始終提供生產級效率。

觀看 GraphBit 基準測試演示

如果您需要以下功能，請選擇 GraphBit：

• 不會在負載下崩潰的生產級多智慧體系統
• 類型安全的執行和可重現的輸出
• 用於混合或串流 AI 應用的即時編排
• Rust 級別的效率和 Python 級別的人體工程學

如果您正在擴展原型之外或關心執行時確定性，GraphBit 適合您。

建議使用虛擬環境。

pip install graphbit

觀看透過 PyPI 安裝 GraphBit | 完整範例和執行指南教學

設定您想在專案中使用的 API 金鑰：

# OpenAI（選用 – 如果使用 OpenAI 模型則需要）
export OPENAI_API_KEY=your_openai_api_key_here

# Anthropic（選用 – 如果使用 Anthropic 模型則需要）
export ANTHROPIC_API_KEY=your_anthropic_api_key_here

安全提示：切勿將 API 金鑰提交到版本控制。始終使用環境變數或安全的金鑰管理。

import os

from graphbit import LlmConfig, Executor, Workflow, Node, tool

# 初始化和配置
config = LlmConfig.openai(os.getenv("OPENAI_API_KEY"), "gpt-4o-mini")

# 建立執行器
executor = Executor(config)

# 建立具有清晰描述的工具以供 LLM 選擇
@tool(_description="取得任何城市的當前天氣資訊")
def get_weather(location: str) -> dict:
    return {"location": location, "temperature": 22, "condition": "sunny"}

@tool(_description="執行數學計算並返回結果")
def calculate(expression: str) -> str:
    return f"Result: {eval(expression)}"

# 建立工作流程
workflow = Workflow("Analysis Pipeline")

# 建立智慧體節點
smart_agent = Node.agent(
    name="Smart Agent",
    prompt="What's the weather in Paris and calculate 15 + 27?",
    system_prompt="You are an assistant skilled in weather lookup and math calculations. Use tools to answer queries accurately.",
    tools=[get_weather, calculate]
)

processor = Node.agent(
    name="Data Processor",
    prompt="Process the results obtained from Smart Agent.",
    system_prompt="""You process and organize results from other agents.

    - Summarize and clarify key points
    - Structure your output for easy reading
    - Focus on actionable insights
    """
)

# 連接和執行
id1 = workflow.add_node(smart_agent)
id2 = workflow.add_node(processor)
workflow.connect(id1, id2)

result = executor.execute(workflow)
print(f"Workflow completed: {result.is_success()}")
print("\nSmart Agent Output: \n", result.get_node_output("Smart Agent"))
print("\nData Processor Output: \n", result.get_node_output("Data Processor"))

GraphBit Tracer 以最小配置捕獲和監控 LLM 呼叫和 AI 工作流程。它包裝 GraphBit LLM 客戶端和工作流程執行器，以追蹤提示、回應、令牌使用、延遲和錯誤，而無需更改您的程式碼。

觀看 GraphBit 可觀測性與追蹤教學

三層設計確保可靠性和效能：

• Rust 核心 - 工作流程引擎、智慧體和 LLM 提供商
• 編排層 - 專案管理和執行
• Python API - PyO3 綁定，支援非同步

GraphBit 提供豐富的 Python API 用於建立和整合智慧體工作流程：

• LLM 客戶端 - 多提供商 LLM 整合（OpenAI、Anthropic、Azure 等）
• 工作流程 - 定義和管理具有狀態管理的多智慧體工作流程圖
• 節點 - 智慧體節點、工具節點和自訂工作流程元件
• 執行器 - 具有配置管理的工作流程執行引擎
• 工具系統 - 智慧體工具的函式裝飾器、註冊表和執行框架
• 工作流程結果 - 帶有中繼資料、時間和輸出存取的執行結果
• 嵌入 - 用於語義搜尋和檢索的向量嵌入
• 工作流程上下文 - 工作流程執行過程中的共享狀態和變數
• 文件載入器 - 從多種格式載入和解析文件（PDF、DOCX、TXT、JSON、CSV、XML、HTML）
• 文字分割器 - 將文件分割成塊（字元、令牌、句子、遞迴）

有關類別、方法和使用範例的完整清單，請參閱 Python API 參考。

完整文件請造訪：https://docs.graphbit.ai/

GraphBit 的模組化架構支援外部整合：

擴展由社群開發和維護。

觀看使用 GraphBit 建立智慧體工作流程教學

我們歡迎貢獻。要開始，請參閱 Contributing 檔案以了解開發設定和指南。

GraphBit 由一個優秀的研究人員和工程師社群建立。

如果您發現安全漏洞，請透過 GitHub Security 或電子郵件負責任地報告，而不是建立公開問題。

詳細報告程序和回應時間表，請參閱我們的 Security Policy。

GraphBit 採用三層授權模式：模式 A（免費使用） 適用於個人、學術機構和小型團隊（最多 10 名員工/使用者），模式 B（免費試用） 適用於 30 天評估，模式 C（企業版） 適用於商業/生產使用。未經明確的企業授權，所有模式下均禁止重新分發。

完整條款和條件，請參閱 Full License。

Copyright © 2023–2025 InfinitiBit GmbH. All rights reserved.

注意: 此翻譯由社群維護。如果您發現任何錯誤或想要改進翻譯，請提交 Pull Request。