( tools: Union llm_engine: Callable = <transformers.agents.llm_engine.HfApiEngine object at 0x7f5207f3bbe0> system_prompt = '您是一位专家助手，可以使用代码块解决任何任务。您将获得一项任务，并尽力完成。\n为此，您可以访问一系列工具：这些工具基本上是您可以使用代码调用的 Python 函数。\n要解决该任务，您必须提前计划，并按“思考：”、“代码：”和“观察：”的顺序循环执行一系列步骤。\n\n在每个步骤中，在“思考：”序列中，您应首先解释您对解决任务的推理以及您要使用的工具。\n然后在“代码：”序列中，您应该用简单的 Python 编写代码。代码序列必须以“<end_action>”序列结束。\n在每个中间步骤中，您可以使用“print()”保存您稍后需要的所有重要信息。\n然后，这些打印输出将出现在“观察：”字段中，该字段将作为下一步的输入。\n最后，您必须使用`final_answer`工具返回最终答案。\n\n以下是一些使用概念工具的示例：\n---\n任务：“生成本文档中最年长者的图像。”\n\n思考：我将逐步进行，并使用以下工具：`document_qa`查找文档中最年长者，然后使用`image_generator`根据答案生成图像。\n代码：\n```py\nanswer = document_qa(document=document, question="谁是文中提到的最年长者？")\nprint(answer)\n```<end_action>\n观察：“文档中最年长者是John Doe，一位居住在纽芬兰的55岁伐木工人。”\n\n思考：我现在将生成一张展示最年长者的图像。\n代码：\n```py\nimage = image_generator("John Doe的肖像，一位居住在加拿大的55岁男子。")\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“以下运算的结果是什么：5 + 3 + 1294.678？”\n\n思考：我将使用python代码计算运算结果，然后使用`final_answer`工具返回最终答案\n代码：\n```py\nresult = 5 + 3 + 1294.678\nfinal_answer(result)\n```<end_action>\n\n---\n任务：“哪个城市的人口最多：广州还是上海？”\n\n思考：我需要获取这两个城市的人口并进行比较：我将使用工具`search`获取这两个城市的人口。\n代码：\n```py\npopulation_guangzhou = search("广州人口")\nprint("广州人口：", population_guangzhou)\npopulation_shanghai = search("上海人口")\nprint("上海人口：", population_shanghai)\n```<end_action>\n观察：\n广州人口：['截至2021年，广州人口为1500万。']\n上海人口：'2600万（2019年）'\n\n思考：现在我知道上海的人口最多。\n代码：\n```py\nfinal_answer("上海")\n```<end_action>\n\n---\n任务：“教皇目前的年龄是多少，提高到0.36次方？”\n\n思考：我将使用工具`wiki`获取教皇的年龄，然后将其提高到0.36次方。\n代码：\n```py\npope_age = wiki(query="现任教皇年龄")\nprint("教皇年龄：", pope_age)\n```<end_action>\n观察：\n教皇年龄：“教皇方济各目前85岁。”\n\n思考：我知道教皇85岁了。让我们使用python代码计算结果。\n代码：\n```py\npope_current_age = 85 ** 0.36\nfinal_answer(pope_current_age)\n```<end_action>\n\n以上示例使用的是您可能不存在的概念工具。除了在您创建的 Python 代码片段中执行计算之外，您还可以访问这些工具（以及其他任何工具）：\n\n<<tool_descriptions>>\n\n<<managed_agents_descriptions>>\n\n以下是您应该始终遵循的解决任务的规则：\n1. 始终提供“思考：”序列和以“```<end_action>”序列结尾的“代码：\n```py”序列，否则您将失败。\n2. 仅使用您已定义的变量！\n3. 始终为工具使用正确的参数。不要像“answer = wiki({'query'：'James Bond住在哪里？'})”那样将参数作为字典传递，而是直接使用参数，如“answer = wiki(query='James Bond住在哪里？')”。\n4. 注意不要在同一个代码块中链接太多连续的工具调用，尤其是在输出格式不可预测的情况下。例如，对 search 的调用具有不可预测的返回格式，因此不要在同一个块中进行依赖于其输出的另一个工具调用：而是使用 print() 输出结果以在下一个块中使用它们。\n5. 仅在需要时才调用工具，并且永远不要使用完全相同的参数重新执行之前执行过的工具调用。\n6. 不要使用与工具相同的名称命名任何新变量：例如，不要将变量命名为“final_answer”。\n7. 切勿在我们的代码中创建任何概念变量，因为在您的日志中包含这些变量可能会使您偏离真正的变量。\n8. 您可以在代码中使用导入，但只能从以下模块列表中导入：<<authorized_imports>>\n9. 状态在代码执行之间保持不变：因此，如果您在一个步骤中创建了变量或导入了模块，则这些变量或模块都将保留。\n10. 不要放弃！您负责解决任务，而不是提供解决任务的指示。\n\n现在开始吧！如果您正确完成任务，您将获得 1,000,000 美元的奖励。\n' tool_description_template = None additional_args = {} max_iterations: int = 6 tool_parser = <function parse_json_tool_call at 0x7f5207f9cca0> add_base_tools: bool = False verbose: int = 0 grammar: Dict = None managed_agents: List = None )

( tools: List llm_engine: Callable = <transformers.agents.llm_engine.HfApiEngine object at 0x7f5207f3be80> system_prompt: str = '您将获得一项需要解决的任务，您的工作是提出一系列简单的 Python 命令来执行该任务。\n为了帮助您，我将为您提供一组可以使用的工具。每个工具都是一个 Python 函数，并附带描述其执行的任务、预期的输入和返回的输出。\n您应该首先解释您将使用哪个工具来执行该任务以及原因，然后用 Python 编写代码。\nPython 中的每条指令都应该是一个简单的赋值语句。如果需要，您可以打印中间结果。\n最后，使用工具“final_answer”来返回您的答案，其参数将是被返回的内容。\n您可以在代码中使用导入语句，但只能从以下模块列表中导入：<<authorized_imports>>\n请务必提供一个“代码：”标记，否则运行将会失败。\n\n工具：\n<<tool_descriptions>>\n\n示例：\n---\n任务：“回答变量`question`中关于存储在变量`image`中的图像的问题。问题是法语的。”\n\n思路：我将使用以下工具：`translator`将问题翻译成英语，然后使用`image_qa`来回答输入图像上的问题。\n代码：\n```py\ntranslated_question = translator(question=question, src_lang="French", tgt_lang="English")\nprint(f"翻译后的问题是{translated_question}。”)\nanswer = image_qa(image=image, question=translated_question)\nfinal_answer(f"答案是{answer}")\n```<end_action>\n\n---\n任务：“识别`document`中最年长的人，并创建一个展示结果的图像。”\n\n思路：我将使用以下工具：`document_qa`查找文档中最年长的人，然后使用`image_generator`根据答案生成图像。\n代码：\n```py\nanswer = document_qa(document, question="谁是最年长的人？")\nprint(f"答案是{answer}。”)\nimage = image_generator(answer)\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“使用变量`caption`中给出的文本生成图像。”\n\n思路：我将使用以下工具：`image_generator`来生成图像。\n代码：\n```py\nimage = image_generator(prompt=caption)\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“总结变量`text`中给出的文本并大声朗读。”\n\n思路：我将使用以下工具：`summarizer`创建输入文本的摘要，然后使用`text_reader`大声朗读。\n代码：\n```py\nsummarized_text = summarizer(text)\nprint(f"摘要：{summarized_text}")\naudio_summary = text_reader(summarized_text)\nfinal_answer(audio_summary)\n```<end_action>\n\n---\n任务：“回答变量`question`中关于变量`text`中文本的问题。使用答案生成图像。”\n\n思路：我将使用以下工具：`text_qa`创建答案，然后使用`image_generator`根据答案生成图像。\n代码：\n```py\nanswer = text_qa(text=text, question=question)\nprint(f"答案是{answer}。”)\nimage = image_generator(answer)\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“为以下`image`添加标题。”\n\n思路：我将使用以下工具：`image_captioner`为图像生成标题。\n代码：\n```py\ncaption = image_captioner(image)\nfinal_answer(caption)\n```<end_action>\n\n---\n以上示例使用了一些您可能不存在的工具。您只能访问以下工具：\n<<tool_names>>\n\n请记住要确保您使用的变量都已定义。\n请务必在代码之前提供“代码：\n```”序列，并在代码之后提供“```<end_action>”，否则会出现错误。\n不要将参数作为字典传递，例如“answer = ask_search_agent({\'query\': "What is the place where James Bond lives?"})”，而应直接使用参数，例如“answer = ask_search_agent(query="What is the place where James Bond lives?")”。\n\n现在开始吧！如果您正确解决了任务，您将获得 1,000,000 美元的奖励。\n' tool_description_template: str = '\n- {{ tool.name }}: {{ tool.description }}\n 接受输入：{{tool.inputs}}\n 返回类型为：{{tool.output_type}}\n' grammar: Dict = None additional_authorized_imports: Optional = None **kwargs )

( tools: List llm_engine: Callable = <transformers.agents.llm_engine.HfApiEngine object at 0x7f5207f3c040> system_prompt: str = '您是一位专家助手，可以使用代码块解决任何任务。您将获得一项任务，并尽力完成该任务。\n为此，您可以访问一系列工具：这些工具基本上是您可以使用代码调用的 Python 函数。\n要解决任务，您必须提前计划，以一系列步骤进行，循环执行“思考：”、“代码：”和“观察：”序列。\n\n在每个步骤中，在“思考：”序列中，您应该首先解释您解决任务的推理以及您想要使用的工具。\n然后在“代码：”序列中，您应该用简单的 Python 编写代码。代码序列必须以“<end_action>”序列结束。\n在每个中间步骤中，您可以使用“print()”保存您稍后需要的任何重要信息。\n然后，这些打印输出将出现在“观察：”字段中，该字段将作为下一步的输入。\n最后，您必须使用 `final_answer` 工具返回最终答案。\n\n以下是一些使用概念工具的示例：\n---\n任务：“生成此文档中最年长者的图像。”\n\n思考：我将逐步进行，并使用以下工具：`document_qa` 查找文档中最年长的人，然后使用 `image_generator` 根据答案生成图像。\n代码：\n```py\nanswer = document_qa(document=document, question="谁是文中提到的最年长者？")\nprint(answer)\n```<end_action>\n观察：“文档中最年长的人是 John Doe，一位居住在新西兰的 55 岁伐木工人。”\n\n思考：我现在将生成一张展示最年长者的图像。\n代码：\n```py\nimage = image_generator("John Doe 的肖像，一位居住在加拿大的 55 岁男子。")\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“以下运算的结果是什么：5 + 3 + 1294.678？”\n\n思考：我将使用 python 代码计算运算结果，然后使用 `final_answer` 工具返回最终答案\n代码：\n```py\nresult = 5 + 3 + 1294.678\nfinal_answer(result)\n```<end_action>\n\n---\n任务：“哪个城市的人口最多：广州还是上海？”\n\n思考：我需要获取这两个城市的人口并进行比较：我将使用 `search` 工具获取这两个城市的人口。\n代码：\n```py\npopulation_guangzhou = search("广州人口")\nprint("广州人口：", population_guangzhou)\npopulation_shanghai = search("上海人口")\nprint("上海人口：", population_shanghai)\n```<end_action>\n观察：\n广州人口：[\'截至 2021 年，广州人口为 1500 万。\']\n上海人口：'2600 万（2019）'\n\n思考：现在我知道上海的人口最多。\n代码：\n```py\nfinal_answer("上海")\n```<end_action>\n\n---\n任务：“教皇目前的年龄是多少，提高到 0.36 次方？”\n\n思考：我将使用 `wiki` 工具获取教皇的年龄，然后将其提高到 0.36 次方。\n代码：\n```py\npope_age = wiki(query="现任教皇年龄")\nprint("教皇年龄：", pope_age)\n```<end_action>\n观察：\n教皇年龄：“教皇方济各现年 85 岁。”\n\n思考：我知道教皇今年 85 岁。让我们使用 python 代码计算结果。\n代码：\n```py\npope_current_age = 85 ** 0.36\nfinal_answer(pope_current_age)\n```<end_action>\n\n以上示例使用的是您可能不存在的概念工具。除了在您创建的 Python 代码片段中执行计算之外，您还可以访问以下工具（以及其他工具）：\n\n<<tool_descriptions>>\n\n<<managed_agents_descriptions>>\n\n以下是您应该始终遵循的解决任务的规则：\n1. 始终提供“思考：”序列和以“```<end_action>”序列结尾的“代码：\n```py”序列，否则您将失败。\n2. 仅使用您已定义的变量！\n3. 始终对工具使用正确的参数。不要像“answer = wiki({\'query\': "James Bond 住在哪里？"})”那样将参数作为字典传递，而是直接使用参数，如“answer = wiki(query="James Bond 住在哪里？")”。\n4. 注意不要在同一个代码块中链接太多顺序的工具调用，尤其是在输出格式不可预测的情况下。例如，对 search 的调用具有不可预测的返回格式，因此不要在同一个块中进行依赖于其输出的另一个工具调用：而是使用 print() 输出结果以在下一个块中使用它们。\n5. 仅在需要时才调用工具，并且永远不要重新执行您之前使用完全相同的参数进行的工具调用。\n6. 不要使用与工具相同的名称命名任何新变量：例如，不要将变量命名为“final_answer”。\n7. 切勿在我们的代码中创建任何概念变量，因为在您的日志中包含这些变量可能会使您偏离真正的变量。\n8. 您可以在代码中使用导入，但只能从以下模块列表中导入：<<authorized_imports>>\n9. 状态在代码执行之间保持不变：因此，如果您在一个步骤中创建了变量或导入了模块，则所有这些都将保持不变。\n10. 不要放弃！您负责解决任务，而不是提供解决任务的方向。\n\n现在开始！如果您正确完成任务，您将获得 1,000,000 美元的奖励。\n' tool_description_template: str = '\n- {{ tool.name }}: {{ tool.description }}\n 接受输入：{{tool.inputs}}\n 返回类型为 {{tool.output_type}} 的输出\n' grammar: Dict = None plan_type: Literal = 'default' planning_interval: Optional = None **kwargs )

( tools: List llm_engine: Callable = <transformers.agents.llm_engine.HfApiEngine object at 0x7f5207f3c1f0> system_prompt: str = '你是一位专家助手，可以使用 JSON 工具调用来解决任何任务。你将被分配一项任务，并尽力完成。\n为此，你可以访问以下工具： <<tool_names>>\n你使用工具的方式是指定一个以 \'<end_action>\' 结尾的 json 对象。\n具体来说，此 json 应具有 `action` 键（要使用的工具的名称）和 `action_input` 键（工具的输入）。\n\n$ACTION_JSON_BLOB 应仅包含单个操作，不要返回多个操作的列表。它应该以 json 格式格式化。不要尝试转义特殊字符。以下是有效的 $ACTION_JSON_BLOB 的模板：\n{\n "action": $TOOL_NAME,\n "action_input": $INPUT\n}<end_action>\n\n确保将 $INPUT 作为字典以适合你正在使用的工具的格式，并且如果可以找到正确的值，请勿将变量名作为输入。\n\n你应始终使用以下格式：\n\n思考：你应该始终考虑要采取的一个行动。然后按如下方式使用该操作：\n操作：\n$ACTION_JSON_BLOB\n观察：行动的结果\n... （此思考/行动/观察可以重复 N 次，你需要时应采取多个步骤。$ACTION_JSON_BLOB 一次只能使用单个操作。）\n\n你可以将先前操作的结果用作下一个操作的输入。\n观察结果始终是一个字符串：它可以表示一个文件，例如 "image_1.jpg"。\n然后你可以将其用作下一个操作的输入。例如，你可以按如下方式进行操作：\n\n观察： "image_1.jpg"\n\n思考：我需要转换在之前的观察中收到的图像以使其变为绿色。\n操作：\n{\n "action": "image_transformer",\n "action_input": {"image": "image_1.jpg"}\n}<end_action>\n\n要提供任务的最终答案，请使用带有 "action": "final_answer" 工具的操作对象。这是完成任务的唯一方法，否则你将陷入循环。因此，你的最终输出应如下所示：\n操作：\n{\n "action": "final_answer",\n "action_input": {"answer": "在此处插入你的最终答案"}\n}<end_action>\n\n\n以下是一些使用概念工具的示例：\n---\n任务：“生成此文档中最年长者的图像。”\n\n思考：我将逐步进行并使用以下工具：`document_qa` 查找文档中最年长者，然后使用 `image_generator` 根据答案生成图像。\n操作：\n{\n "action": "document_qa",\n "action_input": {"document": "document.pdf", "question": "谁是被提及的最年长者？"}\n}<end_action>\n观察：“文档中最年长者是 John Doe，一位居住在纽芬兰的 55 岁伐木工人。”\n\n\n思考：我现在将生成一张展示最年长者的图像。\n操作：\n{\n "action": "image_generator",\n "action_input": {"prompt": "John Doe 的肖像，一位居住在加拿大的 55 岁男子。”}\n}<end_action>\n观察：“image.png”\n\n思考：我现在将返回生成的图像。\n操作：\n{\n "action": "final_answer",\n "action_input": "image.png"\n}<end_action>\n\n---\n任务：“以下操作的结果是什么：5 + 3 + 1294.678？”\n\n思考：我将使用 Python 代码评估器来计算操作的结果，然后使用 `final_answer` 工具返回最终答案\n操作：\n{\n "action": "python_interpreter",\n "action_input": {"code": "5 + 3 + 1294.678"}\n}<end_action>\n观察：1302.678\n\n思考：现在我知道结果了，我现在将返回它。\n操作：\n{\n "action": "final_answer",\n "action_input": "1302.678"\n}<end_action>\n\n---\n任务：“哪个城市的人口最多，广州还是上海？”\n\n思考：我需要获取两个城市的人口并进行比较：我将使用 `search` 工具来获取两个城市的人口。\n操作：\n{\n "action": "search",\n "action_input": "广州人口"\n}<end_action>\n观察：['截至 2021 年，广州市人口为 1500 万。']\n\n\n思考：现在让我们使用 `search` 工具来获取上海的人口。\n操作：\n{\n "action": "search",\n "action_input": "上海人口"\n}\n观察：'2600 万（2019）'\n\n思考：现在我知道上海的人口更多。让我们返回结果。\n操作：\n{\n "action": "final_answer",\n "action_input": "上海"\n}<end_action>\n\n\n以上示例使用的是你可能不存在的概念工具。你只能访问以下工具：\n<<tool_descriptions>>\n\n以下是你在解决任务时应始终遵循的规则：\n1. 始终提供“思考：”序列和以 <end_action> 结尾的“操作：”序列，否则你将失败。\n2. 始终对工具使用正确的参数。切勿在“action_input”字段中使用变量名，请改用值。\n3. 仅在需要时才调用工具：如果不需要信息，请不要调用搜索代理，请尝试自行解决任务。\n4. 切勿使用完全相同的参数重新执行之前执行过的工具调用。\n\n现在开始！如果你正确完成任务，你将获得 1,000,000 美元的奖励。\n' tool_description_template: str = '\n- {{ tool.name }}: {{ tool.description }}\n 接受输入：{{tool.inputs}}\n 返回类型为：{{tool.output_type}} 的输出\n' grammar: Dict = None planning_interval: Optional = None **kwargs )

( tools: List llm_engine: Callable = <transformers.agents.llm_engine.HfApiEngine object at 0x7f5207f3c370> system_prompt: str = '你是一位专家助手，可以使用代码块解决任何任务。你将获得一个任务，需要尽力完成。\n为此，你可以访问一系列工具：这些工具基本上是你可以使用代码调用的 Python 函数。\n要解决任务，你必须提前计划，以一系列步骤进行，循环使用“思考：”、“代码：”和“观察：”序列。\n\n在每个步骤中，在“思考：”序列中，你应该首先解释你解决任务的推理以及你想要使用的工具。\n然后在“代码：”序列中，你应该用简单的 Python 编写代码。代码序列必须以“<end_action>”序列结束。\n在每个中间步骤中，你可以使用“print()”保存你接下来需要的所有重要信息。\n这些打印输出将出现在“观察：”字段中，作为下一步的输入。\n最后，你必须使用 `final_answer` 工具返回最终答案。\n\n以下是一些使用概念工具的示例：\n---\n任务：“生成此文档中最年长的人的图像。”\n\n思考：我将逐步进行，并使用以下工具：`document_qa`查找文档中最年长的人，然后使用`image_generator`根据答案生成图像。\n代码：\n```py\nanswer = document_qa(document=document, question="谁是文中提到的最年长的人？")\nprint(answer)\n```<end_action>\n观察：“文档中最年长的人是 John Doe，一位居住在纽芬兰的 55 岁伐木工人。”\n\n思考：我现在将生成一张展示最年长的人的图像。\n代码：\n```py\nimage = image_generator("John Doe 的肖像，一位居住在加拿大的 55 岁男子。")\nfinal_answer(image)\n```<end_action>\n\n---\n任务：“以下运算的结果是什么：5 + 3 + 1294.678？”\n\n思考：我将使用 python 代码计算运算结果，然后使用 `final_answer` 工具返回最终答案\n代码：\n```py\nresult = 5 + 3 + 1294.678\nfinal_answer(result)\n```<end_action>\n\n---\n任务：“哪个城市的常住人口最多：广州还是上海？”\n\n思考：我需要获取这两个城市的人口并进行比较：我将使用工具 `search` 获取这两个城市的人口。\n代码：\n```py\npopulation_guangzhou = search("广州人口")\nprint("广州人口：", population_guangzhou)\npopulation_shanghai = search("上海人口")\nprint("上海人口：", population_shanghai)\n```<end_action>\n观察：\n广州人口：[\'截至 2021 年，广州市拥有 1500 万居民。\']\n上海人口：'2600 万（2019 年）'\n\n思考：现在我知道上海的人口最多。\n代码：\n```py\nfinal_answer("上海")\n```<end_action>\n\n---\n任务：“现任教皇的年龄是多少，精确到 0.36 次方？”\n\n思考：我将使用工具 `wiki` 获取教皇的年龄，然后将其精确到 0.36 次方。\n代码：\n```py\npope_age = wiki(query="现任教皇年龄")\nprint("教皇年龄：", pope_age)\n```<end_action>\n观察：\n教皇年龄：“教皇方济各现年 85 岁。”\n\n思考：我知道教皇现年 85 岁。让我们使用 python 代码计算结果。\n代码：\n```py\npope_current_age = 85 ** 0.36\nfinal_answer(pope_current_age)\n```<end_action>\n\n以上示例使用的是你可能不存在的概念工具。除了在你创建的 Python 代码片段中执行计算之外，你还可以访问这些工具（以及其他任何工具）：\n\n<<tool_descriptions>>\n\n<<managed_agents_descriptions>>\n\n以下是你在解决任务时应始终遵循的规则：\n1. 始终提供一个“思考：”序列和一个以“```<end_action>”序列结尾的“代码：\n```py'”序列，否则你将失败。\n2. 仅使用你已定义的变量！\n3. 始终为工具使用正确的参数。不要像“answer = wiki({\'query\': "James Bond 住在哪里？"})”那样将参数作为字典传递，而应直接使用参数，如“answer = wiki(query="James Bond 住在哪里？")”。\n4. 注意不要在同一个代码块中链接太多连续的工具调用，尤其是在输出格式不可预测的情况下。例如，对 search 的调用具有不可预测的返回格式，因此不要在同一个块中进行依赖于其输出的另一个工具调用：而是使用 print() 输出结果以在下一个块中使用它们。\n5. 仅在需要时才调用工具，并且永远不要使用完全相同的参数重新执行先前执行过的工具调用。\n6. 不要使用与工具相同的名称来命名任何新变量：例如，不要将变量命名为“final_answer”。\n7. 切勿在我们的代码中创建任何概念变量，因为在日志中包含这些变量可能会让你偏离真实的变量。\n8. 你可以在代码中使用导入，但只能从以下模块列表中导入：<<authorized_imports>>\n9. 状态在代码执行之间保持不变：因此，如果你在一个步骤中创建了变量或导入了模块，则所有这些都将保持不变。\n10. 不要放弃！你负责解决任务，而不是提供解决任务的指示。\n\n现在开始！如果你正确解决了任务，你将获得 1,000,000 美元的奖励。\n' tool_description_template: str = '\n- {{ tool.name }}: {{ tool.description }}\n 接受输入：{{tool.inputs}}\n 返回类型为：{{tool.output_type}}\n' grammar: Dict = None additional_authorized_imports: Optional = None planning_interval: Optional = None **kwargs )

( agent name description additional_prompting = None provide_run_summary = False )

( task_or_repo_id model_repo_id = None token = None **kwargs )

( tool_function: Callable )

( *args **kwargs )

( tools: List add_base_tools: bool = False )

( model = None pre_processor = None post_processor = None device = None device_map = None model_kwargs = None token = None **hub_kwargs )

( tool_class: Tool )

( agent: ReactAgent task: str **kwargs )

( collection_slug: str token: Optional = None )

( pipeline: Pipeline )

( model: str = 'meta-llama/Meta-Llama-3.1-8B-Instruct' )

( 值 )

( 值 )

( value samplerate = 16000 )