其实TaskWeaver和AutoGen差不多同时间出的，但是一时瑜亮，AutoGen现在火的不要不要的，Git上都快3万星了
它呢？
才5000星。。。
其实公司里人估计玩它的也不多，正好客户想了解一下，我就顺道写一篇
先说它是干啥的，它也是agent framework，也是根正苗红的multi-agent（不过这个好像真是后改的架构，现在属于2.0了，1.0我也找不到了）
它面对的场景和用途就和AutoGen这种通用场景不太一样，day-1就是奔着跟code相关，其实准确说是跟DI相关
DI data intelligence，一个不新不旧的概念，我第一次玩是在MetaGPT上玩的
当时其实很惊艳，但是无奈太早了，LLM当时不太具备这个能力（一年以前吧），所以demo看着好玩，实际使用起来挺垃圾，Taskweaker也是大概9个月左右之前出的，所以它出来没什么声音也是正常的，毕竟Agent这个东西，你设计再好，理念再好，还是更依仗LLM的能力。
现在不一样了，LLM对数据和表单的处理早就进入到指玄境界了，所以Task Weaver又觉得它行了，最近密集更新一波。。。
先看一下它的架构逻辑
TaskWeaver 是一个以代码为核心的代理框架，旨在无缝地规划和执行数据分析任务。让我们分析一下图中各个组件的作用和它们之间的交互方式：
用户查询：流程从用户提交查询开始，这个查询可能是一个问题或任务。查询会被传递给规划器（Planner）。
规划器（Planner）：
LLM（大型语言模型）：规划器使用 LLM 来理解用户查询，并制定执行该任务的计划。
示例（Examples）：根据已有的示例，规划器生成一个任务计划（Plan），即如何将用户的查询分解为可执行的子任务。
计划（Plan）：
计划会将任务拆解成多个子任务（Sub-tasks），并生成任务查询（Task Query），然后将这些子任务传递给代码解释器（Code Interpreter）进行进一步处理。
代码解释器（Code Interpreter）：
代码生成器（Code Generator）：代码生成器使用 LLM 和插件（Plugins）来生成代码，并结合现有的示例进行自我反思（Self-reflection），从而优化代码生成的过程。
有状态代码执行器（Stateful Code Executor）：生成的代码通过有状态的 Python 执行器执行，得到执行结果。
内存（Memory）：系统中的内存模块负责存储中间结果或上下文信息，确保整个任务执行过程中数据和状态的延续性。
结果反馈：代码执行器将结果返回给规划器，规划器再将最终的执行结果或回复反馈给用户。
它有哪些特色呢？（它自己写了很多，我就挑几条实际的）
丰富的数据结构：TaskWeaver 支持在 Python 中使用丰富的数据结构，比如列表（Lists）、字典（Dictionaries）或 Pandas 数据帧（DataFrames），而不仅仅局限于文本字符串。这使得用户能够处理更加复杂和多样化的数据形式。
自定义算法：TaskWeaver 允许用户将自己的算法或函数封装成插件（Python 函数形式），并将其编排以实现复杂任务。这使得 TaskWeaver 在任务处理上具有高度的灵活性和可扩展性。说白了想学AutoGen，玩生态，也能理解
有状态对话：TaskWeaver 支持有状态的对话功能，用户可以在多轮对话中与内存中的数据进行交互。这确保了任务执行过程中上下文的持续性。
代码验证：TaskWeaver 在执行代码之前会进行代码验证。它可以检测生成代码中的潜在问题并自动修复，从而提高代码执行的安全性和可靠性。
其实主要是有状态对话，和代码验证这块，这都是因为它深度引入了Self-Reflection的机制，也就是反思，对这块不懂的，可以看我以前的文章，描述了Agent系统的长短期记忆和反思的机制。
也正因为有状态性的对话机制（够长）和代码验证机制，加上现在LLM变强，才能让它想做的DI的活儿重新浮出水面。
技术侧没什么太多可讲的，Agent的核心也就是tools，反思，记忆和prompt engineeriing（懂得自然懂）
我们直接开整，看看它实力
git clone https://github.com/microsoft/TaskWeaver.git进入project的这个目录，vim相关的配置
askweaver_config.json 这个文件
我 用的Azure 的Openai服务，国内也不用梯，另外可以docker部署，我没用，默认是docker因为各种ban，所以我也选择不用docker了，直接选择local模式，也是不用梯的原因
在文件的主目录下，执行下面命令，直接可以在shell下就cli运行了
python -m taskweaver -p ./project/这也是够有个性的，我问它how are you，还特么挺横，直接不给我好脸色
当然这一切都源于planer的prompt，感兴趣的大家自己可以去看一下
通过CLI界面看的不太清楚，也可以开一个web界面
它的web是通过chainlit来实现的（当然也可以自己随便拿什么实现都行）
进了web界面，先整个小活儿，我让它写100个随机数，就random array就完了呗
如上图，planer开始它的计划，就2个，一个是生成100个随机数，第二是做完check给user，然后这个需求就发给CodeInterpreter了
这快值得讲一下，不同于AutoGen的设定
AutoGen的multi-agent设计里面，用户其实的对话接口是user proxy，如果你把用户干预关了，其实就一开头给个指令，然后user proxy即是命令接受和传递者（传给assistant），然后它也是code interpreter
Task weaver不是这样的，用户的对话是planer，它同时也是assistant的角色（但是只负责计划，不管代码，autogen是assistant给代码让user proxy执行），而执行者就是code interpreter，它也不跟人交互，就负责设计（没错初始的代码设计也是它）和执行代码就完事了，你要说这两种设计谁好，我觉得都差不多，但是Autogen，由于可以设计人工干预，所以执行的时候理论上自由度大一点。
我们继续，codeInterpreter就生成了100个随机数，并把这个消息给到了Planer
最后planer会调用TaskWeaver的主接口来回复给用户，我让它给我plot出来这些数字的分布
还是能用的
稍微上点强度整个老演员波士顿房价dataset
web界面支持upload 文件，我把这个csv传上去了，让它给我做个EDA分析
这次因为稍微复杂点所以出错了
和AutoGen一样，它也自我纠错，其实大家使用multi-agent的最方便的事也就是这个，互相监督，自修改
最后就执行出结果
相关矩阵和散点矩阵也都给我画出来了，肯定是能用
然后我找了一个北京市4-10到4-19的天气情况
结果给我出来一条直线，我勒个去，我去查了一下，lineregression太简单了，换个模型
换啥也白扯，换随机森林也没用，数据太少了，这点我还挺欣慰的，TaskWeaver会把它缺失的可能需要补齐的东西和猜测的原因告诉user
总之能用，Task weaver还是挺好玩的，但是其实此刻运行MetaGPT的DI也是一样，用AutoGen，自己写擅长DI的Role也是一样的道理，他们的核心能力还是取决于LLM的智能，另外有兄弟会提出疑问，LLM可以做这些分析吗？尤其是带有时序的数据（比如天气）
其实你如果仔细看就会明白LLM在DI这种业务里做了什么，其实它就是代码生成者，那你的结果对与错，取决于代码的质量，和真正代码写的模型，和数据，所以并不是LLM在分析数据，而是LLM生成的代码和模型（比如线性回归和随机森林）在分析，你要是详细python做数据分析，就应该详细DI，所以从这个道理上来讲，目前只要是代码能力可以的LLM，来做DI，准确度什么的，你是不需要担心的。
