Vollständige Anleitung zur Installation und Nutzung
Diese technische Dokumentation führt Sie durch die Installation, Konfiguration und Nutzung von Ironscan AI. Folgen Sie den Anweisungen sorgfältig, um eine optimale Leistung zu gewährleisten.
git clone https://github.com/starpig1129/DATAGEN.gitconda create -n data_assistant python=3.10conda activate data_assistantpip install -r requirements.txtBenennen Sie .env Beispiel in .env um und füllen Sie alle Werte aus:
# Ihr Datenspeicherpfad (erforderlich) DATA_STORAGE_PATH=./data_storage/ # Anaconda Installationspfad (erforderlich) CONDA_PATH=/home/user/anaconda3 # Conda Umgebungsname (erforderlich) CONDA_ENV=envname # Pfad zur ChromeDriver Ausführungsdatei (erforderlich) CHROMEDRIVER_PATH=./chromedriver-linux64/chromedriver # Firecrawl API-Schlüssel (optional) # Hinweis: Wenn dieser Schlüssel fehlt, können die Abfragefunktionen eingeschränkt sein FIRECRAWL_API_KEY=XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX # OpenAI API-Schlüssel (erforderlich) # Warnung: Dieser Schlüssel ist entscheidend; das Programm wird ohne ihn nicht ausgeführt OPENAI_API_KEY=XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX # LangChain API-Schlüssel (optional) # Verwendet für die Überwachung der Verarbeitung LANGCHAIN_API_KEY=XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
YourDataName.csv in data_storagemain.ipynbuserInput in der letzten Zelle andata_storage abpython main.pyUm einen anderen Datensatz zu analysieren, ändern Sie die Variable user_input in der Funktion main():
user_input = ''' datapath:YourDataName.csv Verwenden Sie maschinelles Lernen zur Durchführung von Datenanalysen und zum Schreiben vollständiger grafischer Berichte '''
Generiert Forschungshypothesen
Überwacht den gesamten Forschungsprozess
Erstellt Datenvisualisierungen
Schreibt Datenanalysecode
Führt Literatur- und Websuchen durch
Schreibt Forschungsberichte
Führt Qualitätsprüfungen durch
Protokolliert den Forschungsprozess
Das System verwendet LangGraph, um einen Zustandsgraphen zu erstellen, der den gesamten Forschungsprozess verwaltet. Der Workflow umfasst folgende Schritte:
Automatische Erstellung von Forschungshypothesen basierend auf den Eingabedaten
Fortsetzung oder Neugenerierung der Hypothese
Einschließlich Datenanalyse, Visualisierung, Suche und Berichterstellung
Automatische Überprüfung der Ergebnisqualität
Automatische Verbesserung basierend auf Qualitätsprüfung
Sie können das Systemverhalten anpassen, indem Sie die Agentenerstellung und Workflow-Definition inmain.ipynb ändern.
Hinweis: Erweiterte Anpassungen erfordern Kenntnisse in Python und LangGraph.
API-Guthaben: Stellen Sie sicher, dass Sie ausreichend OpenAI API-Guthaben haben, da das System mehrere API-Aufrufe tätigt.
Verarbeitungszeit: Das System kann je nach Komplexität der Aufgabe einige Zeit benötigen, um den gesamten Forschungsprozess abzuschließen.
WARNUNG: Das Agentensystem kann die analysierten Daten ändern. Es wird dringend empfohlen, Ihre Daten vor der Verwendung dieses Systems zu sichern.
Pull Requests sind willkommen. Für größere Änderungen öffnen Sie bitte zuerst ein Issue, um zu diskutieren, was Sie ändern möchten.
Wir freuen uns, unsere bevorstehende strategische Partnerschaft mit CTL GROUP anzukündigen, einer innovativen KI-gestützten Crypto Intelligence Plattform, die sich derzeit in der Entwicklung befindet. Diese Zusammenarbeit vereint fortschrittliche KI-Forschungsfähigkeiten mit Krypto-Marktintelligenz.