ExtensityAI/symbolicai

解决的问题

SymbolicAI 通过神经符号方法，提供了一种将传统 Python 编程与大型语言模型（LLMs）能力相结合的方式。它通过在 Python 代码中直接引入结构化验证和语义推理，解决了 LLM 幻觉和不可预测性的问题，使开发者能够构建更可靠、更可预测的 AI 应用程序。

工作原理

该框架围绕两个核心概念构建：原语 和 契约。

• 原语（符号）： 该项目引入了 Symbol 对象，可在两种模式下运行：语法模式（表现如标准 Python 值）和 语义模式（连接到神经符号引擎以理解意义和上下文）。用户可通过投影如 .sem 和 .syn，或调用语义函数如 .map() 在这两种模式间切换。
• 契约： 基于“契约式设计”原则，该系统使用装饰器对 LLM 的输入和输出施加约束。它利用 LLMDataModel（与 Pydantic 兼容）定义数据结构和验证规则。若契约被违反，框架可自动通过补救系统（预补救和后补救）尝试修复错误，并支持可配置的重试逻辑。
• 引擎： 该框架具有模块化设计，支持多种引擎，包括文本、语音、图像生成和网络搜索，通过原始 REST 请求通信，无需依赖特定提供商的 SDK。

适用人群

希望以更强的正确性保证、结构化数据输出以及更自然的 Python 式语义推理集成方式将 LLM 引入软件的 Python 开发者。

主要亮点

• 双模式符号： 在同一对象上无缝切换字面 Python 操作与 AI 驱动的语义操作。
• 契约式设计： 内置验证和自动补救系统，减少幻觉并确保类型验证的输出。
• 模块化引擎架构： 易于扩展的设计，支持本地托管引擎或与外部工具（如网络搜索、图像生成）集成。
• 供应商无关： 使用共享传输层，通过 REST 与各种 LLM 供应商（如 Anthropic、OpenAI、Gemini）交互。