大模型LLM对话模拟器Dialogue Simulator Visualization可视化工具

伴随着生成式人工智能技术发展,进2年涌现出大语言模型LLM/Agent系统/AI推理等众多方向的技术项目和论文。其中对话系统,智能体交互是用户通过UX界面和AI系统进行交互,这种交互有时候也是多模态(用户输入文字/语音/图像)等等。今天未大家介绍一个在线的"对话模拟器"可视化的工具 (Online Dialogue Visualization Tool),方便产品经理,算法研发,学术研究过程中可视化多智能体多轮对话 ( Multi-Agent Multi-TurnDialogue Visualization)。用户只用把多轮对话的Json数据输入,前端渲染的图片和分享H5 链接可以方便加到产品原型文档,学术论文,技术博客中。

工具地址 DeepNLP Dialogue Visualization Tool:http://www.deepnlp.org/workspace/dialogue_visualization

来源:http://www.deepnlp.org/blog/dialogue-agent-multimodal-visualization-tools-for-ai-systems

Multi Agent Dialogue Simulator


1. 以一个多轮对话为例

产出Json数据:

我们定义3个对话角色:老板(Agent),同事A(Agent),Human(用户)。

多轮数据:我们输入的多轮对话的Json格式如下,放到 "messages" 这个key下面,对话数据和在线调用 OpenAI/ Qwen等大模型API Key的对话格式保持一致,每个对话包含的 "role", "content" 连个字段外,"id" 字段会自动关联到 角色的avatar图片地址。

多智能体:Multi-Agent中每个角色的ID放到 "agent" 这个key下面,包含两个字段:id,avatar,方便用户更改对话模拟器的Agent头像的URL。

例如我们网上搜到的icon:
特朗普Avatar: https://t11.baidu.com/it/u=1413379684,507496555&fm=58
马斯克Avatar: https://t11.baidu.com/it/u=2978706694,1411251294&fm=58

对话数据:

{
  "agent": {
    "老板": {
      "id": "老板",
      "avatar": "https://t11.baidu.com/it/u=2978706694,1411251294&fm=58"
    },
    "同事A": {
      "id": "同事A",
      "avatar": "https://t11.baidu.com/it/u=1413379684,507496555&fm=58"
    },
    "Human": {
      "id": "Human",
      "avatar": "/scripts/img/dialogue_visualization/male_icon_1.webp"
    }
  },
  "messages": [
    {
      "timestamp": "2024-09-19 17:06:11",
      "id": "老板",
      "content": "你为什么刚刚离开工位了10分钟",
      "role": "ai"
    },
    {
      "timestamp": "2024-09-19 17:07:11",
      "id": "Human",
      "content": "我去一趟卫生间",
      "role": "human"
    },
    {
      "timestamp": "2024-09-19 17:06:19",
      "id": "同事A",
      "content": "是吗? 你今天可已经去了不下5次了,我们都在忙着出报表,你还真是闲哈",
      "role": "ai"
    },
    {
      "timestamp": "2024-09-19 17:07:11",
      "id": "Human",
      "content": "小仙男!",
      "role": "human"
    },
    {
      "timestamp": "2024-09-19 17:08:19",
      "id": "老板",
      "content": "好了我们还是要专业一些,不要内斗影响团队战斗力",
      "role": "ai"
    },
    {
      "timestamp": "2024-09-19 17:09:19",
      "id": "同事A",
      "content": "那要看这个人了。。。",
      "role": "ai"
    }
  ]
}


点击可视化Visualize
接下来就可以调整对话中文本,点击 Visualize 按钮,可以在右边产出对应的多轮对话截图和效果了。


分享
点击Share按钮,产出了H5的分享链接,例如
http://www.deepnlp.org/workspace/share/dialogue/temp_1edb9199/9ad4332198094ed49956bde25f8f0bea

http://www.deepnlp.org/workspace/share/dialogue/temp_311f0e28/7618a8b59be44831b362ef2cbc4072e8

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/147883.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

MySQL高阶1919-兴趣相同的朋友

题目 请写一段SQL查询获取到兴趣相同的朋友。用户 x 和 用户 y 是兴趣相同的朋友,需满足下述条件: 用户 x 和 y 是朋友,并且用户 x and y 在同一天内听过相同的歌曲,且数量大于等于三首. 结果表 无需排序 。注意:返…

用最通俗易懂的语言和例子讲解三维点云

前言: 我整体的学习顺序是看的按B站那“唯一”的三维点云的视频学习的(翻了好久几乎没有第二个...)对于深度学习部分,由于本人并没有进行学习,所以没有深究。大多数内容都进行了自己的理解并找了很多网络的资源方便理解…

论文阅读:A Generalization of Transformer Networks to Graphs

论文阅读:A Generalization of Transformer Networks to Graphs 1 摘要2 贡献Graph TransformerOn Graph Sparsity(图稀疏)On Positional Encodings(位置编码)3 Graph Transformer Architecture(架构&#…

阿里HPN-用于大型语言模型训练的数据中心网络

阿里巴巴HPN:用于大型语言模型训练的数据中心网络 探索大规模语言模型训练新方法:阿里巴巴HPN数据中心网络论文。 摘要 本文介绍了阿里云用于大型语言模型(LLM)训练的数据中心网络HPN。由于LLM和一般云计算之间的差异(例如,在流量模式和容错性方面)&…

一份热乎的阿里25届数据分析面试题

目录 阿里巴巴25届数分面试题 想要获取答案,想进一步了解SQL这门艺术语言的,可以订阅我的专栏数字化建设通关指南,将在该专栏进行详细解析。 专栏 原价99,现在活动价39.9,按照阶梯式增长,还差3个名额将上…

如何备份SqlServer数据库

第一步:登录你要备份的服务器数据库ssms 第二步:选择你要备份的数据库 此处已PZ-SJCS 数据库为例 右键该数据库-->任务-->备份 第三步:选择你备份的类型备份组件等,目标磁盘 ,点击添加选择将你备份的文件备份那…

kubernetes网络(一)之calico详解

摘要 本文介绍Kubernetes最流行的网络解决方案calico。 kubernetes中不同宿主上的pod需要相互通信,如果按TCP/IP协议分层进行分类: 二层方案:flannel的udp和vxlan模式 三层方案:flannel的host-gw模式;calico的IPIP模…

pod介绍与配置

1、pod概念介绍 Pod 是 kubernetes 基本调度单位。每个 Pod 中可以运 行一个或多个容器,共享 Pod 的文件系统、IP 和网络等资源,每个 Pod 只有一个 IP。 2、使用 yaml或json 文件创建 Pod 声明式文件方式创建 Pod,支持 yaml 和 json 1&…

【Fastapi】参数获取,json和query

【Fastapi】参数获取,json和query 前言giteegithub query形式json传递同步方法使用json 前言 花了半个月的时间看了一本小说,懈怠了…今天更新下fastapi框架的参数获取 gitee https://gitee.com/zz1521145346/fastapi_frame.git github https://git…

【网络通信基础与实践番外一】多图预警之图解UDP和TCP前置知识

参考大佬的文章https://www.cnblogs.com/cxuanBlog/p/14059379.html 一、宏观架构中的传输层 在计算机中,任何一个可以交换信息的介质都可以称为端系统。计算机网络的运输层则负责把报文从一端运输到另一端,运输层实现了让两个互不相关的主机进行了逻辑…

【洛谷】P10417 [蓝桥杯 2023 国 A] 第 K 小的和 的题解

【洛谷】P10417 [蓝桥杯 2023 国 A] 第 K 小的和 的题解 题目传送门 题解 CSP-S1 补全程序,致敬全 A 的答案,和神奇的预言家。 写一下这篇的题解说不定能加 CSP 2024 的 RP 首先看到 k k k 这么大的一个常数,就想到了二分。然后写一个判…

Netty系列-4 Pipeline和Handler

背景 Netty将IO事件按照流向划分为两个部分:Inbound入站事件和Outbound出站事件。入站事件由外部触发,包括通道注册(register)、通道激活(active)、数据可读(read)、通道异常(exceptionCaught)等;出站事件由程序主动触发,如连接的…

人工智能不是人工“制”能

文/孟永辉 如果你去过今年在上海举办的世界人工智能大会,就会知道当下的人工智能行业在中国是多么火爆。 的确,作为第四次工业革命的重要组成部分,人工智能愈发引起越来越多的重视。 不仅仅是在中国,当今世界的很多工业强国都在将…

828华为云征文|云服务器Flexus X实例|MacOS系统-宝塔部署Nuxt项目

文章目录 1. Flexus云服务器X实例1.1 与Flexus应用服务器L实例相比具备以下优势1.2 服务器的详细配置 2.宝塔部署Nuxt项目2.1 登录实例2.1 宝塔面板 3. Nuxt 项目与部署3.1 Nuxt3.2创建Nuxt项目3.3 部署3.4 部署成功 4.结语 1. Flexus云服务器X实例 华为云的Flexus云服务是为中…

C++高精度计时方法总结(测试函数运行时间)

文章目录 一、clock()函数——毫妙级二、GetTickCount()函数(精度16ms左右)——毫妙级三、高精度时控函数QueryPerformanceCounter()——微妙级四、高精度计时chrono函数——纳妙级五、几种计时比较六、linux下的计时函数gettimeofday()-未测试参考文献 …

typedef的用法

typedef只有一种用法&#xff0c;那就是&#xff1a; 1,代替各种类型或某类&#xff08;结构体&#xff09;成员。 比如下列代码&#xff1a; #include <iostream> #include <string> int main() {typedef int i;i e3;int f3;std::string t_or_f(ef)?"tru…

OpenAI的O1模型达到AGI二级,类人推理能力被提示危险,细思极恐!

大家好&#xff0c;我是Shelly&#xff0c;一个专注于输出AI工具和科技前沿内容的AI应用教练&#xff0c;体验过300款以上的AI应用工具。关注科技及大模型领域对社会的影响10年。关注我一起驾驭AI工具&#xff0c;拥抱AI时代的到来。 今天让我们一起来聊聊最近科技圈的大新闻—…

利士策分享,家庭内耗:隐形的风暴,无声的侵蚀

利士策分享&#xff0c;家庭内耗&#xff1a;隐形的风暴&#xff0c;无声的侵蚀 在温馨的灯光下&#xff0c;家本应是我们心灵的港湾&#xff0c;是疲惫时最坚实的依靠。 然而&#xff0c;当家庭内部出现裂痕&#xff0c;无形的内耗便如同冬日里的寒风&#xff0c;悄无声息地…

SpringBoot 3.4.0还没来之前,又又又更新啦!SpringBoot 3.3.4版本依赖升级,性能与稳定性再提升!

为什么要使用SpringBoot在现代开发中&#xff0c;高效与灵活性是每个开发团队追求的核心目标。然而&#xff0c;如何在不牺牲灵活性的前提下&#xff0c;快速构建复杂的应用程序&#xff0c;常常成为开发者的难题。SpringBoot的出现&#xff0c;正是为了解决这个矛盾。它以“约…

Spring Boot技术在高校心理辅导系统中的应用研究

3 系统分析 3.1可行性分析 在进行可行性分析时&#xff0c;我们通常根据软件工程里方法&#xff0c;通过四个方面来进行分析&#xff0c;分别是技术、经济、操作和法律可行性。因此&#xff0c;在基于对目标系统的基本调查和研究后&#xff0c;对提出的基本方案进行可行性分析。…