Merge Llama support for release.

doc/QuickStart zh-CN.md

@@ -72,11 +72,60 @@ P.S:
 
 
 ## （可选）安装本地LLM内核
-首次快速体验OpenDAN,我们强烈的推荐你使用GPT4，虽然它很慢，也很贵，但它也是目前最强大和稳定的LLM内核。OpenDAN在架构设计上，允许不同的Agent选择不同的LLM内核（但系统里至少要有一个可用的LLM内核），如果你因为各种原因无法使用GPT4，可以是用下面方法安装Local LLM.
-目前我们只适配了基于Llama.cpp的Local LLM，用下面方法安装
+首次快速体验OpenDAN,我们强烈的推荐你使用GPT4，虽然它很慢，也很贵，但它也是目前最强大和稳定的LLM内核。OpenDAN在架构设计上，允许不同的Agent选择不同的LLM内核（系统里至少要有一个可用的LLM内核），如果你因为各种原因无法使用GPT4，可以是用下面方法安装Local LLM让系统能跑起来。OpenDAN是面向未来设计的系统，我们相信今天GPT4的能力一定会是未来所有LLM的下限。但目前的现实情况，其它的LLM不管是效果还是功能和GPT4都还有比较明显的差距，所以要完整体验OpenDAN，在一定时间内，我们还是推荐使用GPT4.
+
+目前我们只完成了基于Llama.cpp的Local LLM的适配，为OpenDAN适配新的LLM内核并不是复杂的工作，有需要的工程师朋友可以自行扩展（记得给我们PR~）。Llama.cpp的Compute Node 用下面方法安装:
 
 ### 安装LLaMa ComputeNode
-OpenDAN支持分布式计算资源调度，因此你可以把LLaMa的计算节点安装在不同的机器上。在本地运行LLaMa根据模型的大小需要相当的算力支持，请根据自己的机器配置量力而行。我们使用llama.cpp构建LLaMa LLM ComputeNode,llama.cpp也是一个正在高速演化的项目，请阅读llamap.cpp的项目
+OpenDAN支持分布式计算资源调度，因此你可以把LLaMa的计算节点安装在和OpenDAN不同的机器上。根据模型的大小需要相当的算力支持，请根据自己的机器配置量力而行。我们使用llama.cpp构建LLaMa LLM ComputeNode,llama.cpp也是一个正在高速演化的项目，正致力降低LLM的运行需要的设备门槛，提高运行速度。请阅读llamap.cpp的项目了解其支持的各个模型的最低系统要求。
+
+
+安装LLama.cpp 总共分两步：
+1. 下载LLama.cpp的模型，有3个选择：7B-Chat,13B-Chat,70B-Chat. 我们的实践经验最少需要13B的才能工作。LLaMa2 目前官方的模型并不支持inner function call,而目前OpenDAN的很多Agent都高度依赖inner function call.所以我们推荐您下载通过Fine-Tune 的 13B模型：
+```
+https://huggingface.co/Trelis/Llama-2-13b-chat-hf-function-calling
+```
+
+2. 运行llama-cpp-python镜像
+```
+docker run --rm -it -p 8000:8000 -v /path/to/models:/models -e MODEL=/models/llama-2-13b-chat.gguf ghcr.io/abetlen/llama-cpp-python:latest
+```
+
+完成上述步骤后，可以运行xxx测试一下，如果输出如下，说明LLaMa已经正常运行了
+```
+```
+
+### 将LLama.cpp ComputeNode增加到OpenDAN中
+ComputeNode是OpenDAN的底层组件，而且可能不会与OpenDAN运行在同一个机器上。因此从依赖关系的角度，OpenDAN并没有“主动检测”ComputeNode的能力，需要用户（或系统管理员）在OpenDAN的命令行中通过下面命令手工添加
+
+```
+/node add Llama-2-13b-chat http://localhost:8000
+```
+上面添加的是运行在本地的13b模型，如果你使用的是其它模型，或则跑在了不同的机器上。请修改上述命令中的模型名和端口号。
+
+### 配置Agent使用LLaMa
+
+
+
+OpenDAN的Agent可以选择最适合其职责的LLM-Model，我们内置了一个Agent叫Lachlan的私人英语老师Agent，已经被配置成了使用LLaMa-2-13b-chat模型。你可以通过下面命令与其聊天：
+```
+/open Lachlan
+```
+
+
+因此添加了一个新的LLM后，需要手工修改Agent的配置，才能让其使用新的LLM。比如我们的私人英文老师Tracy，其配置文件是`/opt/aios/agents/Tracy/Agent.toml`，修改配置如下：
+```
+llm_model_name="Llama-2-13b-chat"
+max_token_size = 4000
+```
+然后重新启动OpenDAN,你就可以让Tracy使用LLaMa了(你也可以通过该方法查看其它内置的Agent使用了哪些LL模型)
+
+Tracy是未指定LLM模型选择配置的Agent，因此其使用OpenDAN的默认LLM模型。你可以通过下面命令修改系统的默认LLM模型(请谨慎！)
+```
+
+```
+
+
 
 ## Hello, Jarvis!
 配置完成后，你会进入一个AIOS Shell,这和linux bash 和相似，这个界面的含义是：
@@ -119,14 +168,6 @@ Jarvis是运行在OpenDAN上的Agent,当OpenDAN退出后，其活动也会被终
 
 我们正在进行的很多研发工作，其中有很大一部分的目标，就是能让你轻松的拥有一个搭载AIOS的Personal Server.相对PC，我们将把这个新设备叫PI(Personal Intelligence)，OpenDAN是面向PI的首个OS。
 
-## 更新OpenDAN的镜像
-现在OpenDAN还处在早期阶段，因此我们会定期更新OpenDAN的镜像，因此你可能需要定期更新你的OpenDAN镜像。更新OpenDAN的镜像非常简单，只需要执行下面的命令就可以了
-```
-docker stop aios
-docker rm aios
-docker pull paios/aios:latest
-docker run -v /your/local/myai/:/root/myai --name aios -it paios/aios:latest 
-```
 
 
 ## 你的私人管家 Jarvis 前来报道！
@@ -174,6 +215,15 @@ Jarvis,请添加我的朋友Alic到我的联系人中，他的telegram username
 Jarvis能够理解你的意图，并完成添加联系人的工作。
 添加联系人后，你的朋友就可以和你的私人管家Jarvis进行交流了。
 
+## 更新OpenDAN的镜像
+现在OpenDAN还处在早期阶段，因此我们会定期发布OpenDAN的镜像来修正一些BUG。因此你可能需要定期更新你的OpenDAN镜像。更新OpenDAN的镜像非常简单，只需要执行下面的命令就可以了
+```
+docker stop aios
+docker rm aios
+docker pull paios/aios:latest
+docker run -v /your/local/myai/:/root/myai --name aios -it paios/aios:latest 
+```
+
 
 ## Agent可以通过OpenDAN进一步访问你的信息 （Coming soon）
 你已经知道Jarvis可以通过OpenDAN帮你管理一些重要的个人信息。但这些信息都是“新增信息”。在上世纪80年代PC发明以后，我们的一切都在高速的数字化。每个人都有海量的数字信息，包括你通过智能手机拍摄的照片，视频，你工作中产生的邮件文档等等。过去我们通过文件系统来管理这些信息，在AI时代，我们将通过Knowledge Base来管理这些信息，进入Knowlege Base的信息能更好的被AI访问，让你的Agent更理解你，更好的为你服务，真正成为你的专属私人管家。
@@ -182,7 +232,7 @@ Knowlege Base是OpenDAN里非常重要的一个基础概念，也是我们为什
 
 Knowlege Base功能已经默认开启了，将自己的数据放入Knowlege Base有两种方法
 1）把要放入KnowlegeBase的数据复制到 `~myai/data`` 文件夹中
-2）通过输入`/knowlege add $dir` 将$dir目录下的数据加入到Knowlege Base中，注意OpenDAN默认运行在容器中，因此$dir是相对于容器的路径，如果你想要加入本地的数据，需要先把本地数据挂载到容器中。
+2）通过输入`/knowlege add dir` ，系统会要求你输入将$dir目录下的数据加入到Knowlege Base中，注意OpenDAN默认运行在容器中，因此$dir是相对于容器的路径，如果你想要加入本地的数据，需要先把本地数据挂载到容器中。
 
 测试时请不要放大量文件，或有非常敏感信息的文件。OpenDAN会在后台不断扫描该文件夹中的文件并加入到Knowlege Base中。
 目前能识别的文件格式有限，我们支持的文件类型有文本文件、图片、短视频等。
@@ -200,7 +250,7 @@ Knowlege Base功能已经默认开启了，将自己的数据放入Knowlege Base
 ```
 
 
-### (可选)启用本地Embeding
+### 本地Embeding Pipeline
 Knowlege Base扫描并读取文件，产生Agent可以访问的信息的过程被称作Embeding.这个过程需要一定的计算资源，因此我们默认使用OpenAI的Embeding服务来完成这个工作。`这意味着加入Knowlege Base的文件会被上传到OpenAI的服务进行处理`，虽然OpenAI的信誉现在不错，但这依旧有潜在的隐私泄露风险。如果你有足够的本地算力（这个要求比Local LLM低很多），我们推荐你在本地启用Embeding的功能，更好的保护自己的隐私
 
 （Coming soon）

rootfs/agents/Lachlan/agent.toml

@@ -0,0 +1,12 @@
+instance_id = "Lachlan"
+fullname = "Lachlan"
+llm_model_name="Llama-2-13b-chat"
+max_token_size=4000
+
+
+[[prompt]]
+role = "system"
+content = """
+Your name is Lachlan, and you are my advanced private Spanish tutor.
+You are also a local guide familiar with the history of the Inca Empire. While teaching me Spanish, you will introduce some related historical and cultural origins.
+"""

rootfs/agents/ai_bash/agent.toml

@@ -6,14 +6,15 @@ max_token_size = 16000
 [[prompt]]
 role = "system"
 content = """
-## Your name is ai_bash, and you're a very experienced Linux system administrator. 
+## Your name is ai_bash
+You are a very experienced system administrator,You are proficient in system administration and contextual commands for all mainstream operating systems. 
 
 I understand some Linux, but I don't remember the bash commands very clearly.
 I will give you the following types of inputs:
-
-1. Standard Linux bash commands. If you think these commands are correct and executable on the current system, then you can execute them directly.
+I will give you standard console commands, and you will try to execute them directly based on the type of the current system.
+1. Standard console (bash/DOS/PowerShell) commands. If you think these commands are correct and executable on the current system, then you can execute them directly.
 2. If my command is incorrect, or the command may be harmful to the system, you need to adjust these commands. First, tell me the adjusted commands. After I confirm, you can execute the correct commands.
-3. If the information I give you is not a Linux bash operation, but some requirements. You can try to understand and then give a set of commands to implement these requirements. After I confirm, execute them.
+3. If the information I give you is not a console command, but some requirements. You can try to understand and then give a set of commands to implement these requirements. After I confirm, execute them.
 4. For other information, please do your best to execute from your professional perspective.
 5. After each command execution, tell me the result.
 """

src/aios_kernel/__init__.py

@@ -24,6 +24,6 @@ from .workspace_env import WorkspaceEnvironment
 from .local_stability_node import Local_Stability_ComputeNode
 from .stability_node import Stability_ComputeNode
 from .local_st_compute_node import LocalSentenceTransformer_Text_ComputeNode,LocalSentenceTransformer_Image_ComputeNode
-
+from .compute_node_config import ComputeNodeConfig
 AIOS_Version = "0.5.1, build 2023-9-28"
 

src/aios_kernel/compute_kernel.py

@@ -52,6 +52,7 @@ class ComputeKernel:
                 task = await self.task_queue.get()
                 logger.info(f"compute_kernel get task: {task.display()}")
                 c_node: ComputeNode = self._schedule(task)
+                if c_node:
                     await c_node.push_task(task)
 
             logger.warn("compute_kernel is stoped!")
@@ -62,6 +63,7 @@ class ComputeKernel:
         # find all the node which supports this task
         support_nodes = []
         total_weights = 0
+
         for node in self.compute_nodes.values():
             if node.is_support(task) is True:
                 support_nodes.append({
@@ -70,6 +72,10 @@ class ComputeKernel:
                 })
                 total_weights += node.weight()
 
+        if len(support_nodes) < 1:
+            logger.warning(f"task {task.display()} is not support by any compute node")
+            return None
+        
         # hit a random node with weight
         hit_pos = random.randint(0, total_weights - 1)
         for i in range(min(len(support_nodes) - 1, hit_pos), -1, -1):

src/service/aios_shell/aios_shell.py

@@ -139,6 +139,11 @@ class AIOS_Shell:
             return False
         ComputeKernel.get_instance().add_compute_node(open_ai_node)
 
+        llama_nodes = ComputeNodeConfig.get_instance().initial()
+        for llama_node in llama_nodes:
+            llama_node.start()
+            ComputeKernel.get_instance().add_compute_node(llama_node)
+
         if await AIStorage.get_instance().is_feature_enable("llama"):
             llama_ai_node = LocalLlama_ComputeNode()
             if await llama_ai_node.initial() is True:
@@ -379,6 +384,46 @@ class AIOS_Shell:
                 image = Image.open(io.BytesIO(image_data))
                 image.show()
 
+    async def handle_node_commands(self, args):
+        show_text = FormattedText([("class:title", "sub command not support!\n" 
+                              "/node add llama $model_name $url\n"
+                              "/node rm llama $model_name $url\n"
+                              "/node list\n")])
+        if len(args) < 1:
+            return show_text
+        sub_cmd = args[0]
+        if sub_cmd == "add":
+            if len(args) < 2:
+                return show_text
+            if args[1] == "llama":
+                if len(args) < 4:
+                    return show_text
+                
+                model_name = args[2]
+                url = args[3]
+                ComputeNodeConfig.get_instance().add_node("llama", url, model_name)
+                ComputeNodeConfig.get_instance().save()
+                node = LocalLlama_ComputeNode(url, model_name)
+                node.start()
+                ComputeKernel.get_instance().add_compute_node(node)
+            else:
+                return show_text
+        elif sub_cmd == "rm":
+            if len(args) < 2:
+                return show_text
+            if args[1] == "llama":
+                if len(args) < 4:
+                    return show_text
+                
+                model_name = args[3]
+                url = args[4]
+                ComputeNodeConfig.get_instance().remove_node("llama", url, model_name)
+                ComputeNodeConfig.get_instance().save()
+            else:
+                return show_text
+        elif sub_cmd == "list":
+            print_formatted_text(ComputeNodeConfig.get_instance().list())
+
     async def call_func(self,func_name, args):
         match func_name:
             case 'send':
@@ -504,10 +549,12 @@ class AIOS_Shell:
                         format_texts.append(("",f"\n-------------------\n"))
                     return FormattedText(format_texts)
                 return FormattedText([("class:title", f"chatsession not found")])
+            case 'node':
+                return await self.handle_node_commands(args)
             case 'exit':
                 os._exit(0)
             case 'help':
-                return FormattedText([("class:title", f"help~~~")])
+                return FormattedText([("class:title", f"GO to https://github.com/fiatrete/OpenDAN-Personal-AI-OS/issues ^_^")])
 
 
 ##########################################################################################################################
@@ -693,7 +740,8 @@ async def main():
                                '/set_config $key',
                                '/enable $feature',
                                '/disable $feature',
-                               '/list_config',
+                               '/node add llama $model_name $url',
+                               '/node rm llama $model_name $url',
                                '/show',
                                '/exit',
                                '/help'], ignore_case=True)