Verwirrung eingeleitet hat die Einführung von Private Pc, einem KI-Assistenten zur Verwaltung lokaler Dateien, nativer Anwendungen und des Surfens im Web auf Mac-Geräten. Die Funktion ist für alle Perplexity Max-Abonnenten und Benutzer zugänglich, die sich nach ihrer Ankündigung im März auf der Warteliste eingetragen haben.

Das Unternehmen stellte Private Pc erstmals am 11. März während seiner Ask-Entwicklerkonferenz in San Francisco vor. CEO Aravind Srinivas erklärte: „Ein traditionelles Betriebssystem verarbeitet Befehle; ein KI-Betriebssystem konzentriert sich auf Ziele“ und betonte den Unterschied zwischen herkömmlichen Betriebssystemen und KI-zentrierten Systemen.

Perplexity eröffnete zunächst eine Warteliste, anstatt sofortigen Zugang zu gewähren. Jetzt, fünf Wochen später, hat Private Pc mit der Auslieferung an Abonnenten begonnen. Der Assistent lässt sich in die Perplexity Mac App integrieren, um die sichere Verwaltung der Dateien, Anwendungen und des Webbrowsens der Benutzer zu erleichtern.

Der Private Pc stellt eine sichere Verbindung zu jedem Ordner her, um Dateien lokal zu suchen, zu lesen und zu schreiben.

Es kann auf iMessage, Apple Mail, Kalender und andere native Mac-Apps zugreifen und mit diesen arbeiten. pic.twitter.com/lbWvJZmpdg

– Ratlosigkeit (@perplexity_ai) 16. April 2026

Private Pc sind für den kontinuierlichen Betrieb auf einem dedizierten Mac, insbesondere einem Mac mini, konzipiert. Es kann Dateien lokal suchen, lesen und schreiben und gleichzeitig mit Anwendungen wie iMessage, Apple Mail und Kalender interagieren. Benutzer haben die Möglichkeit, Aufgaben aus der Ferne von einem iPhone aus zu starten, wobei ein Zwei-Faktor-Authentifizierungsprozess für Sicherheit sorgt.

Das System nutzt etwa 20 fortschrittliche KI-Modelle, um Aufgaben an das für die erforderliche Arbeit am besten geeignete Modell zu leiten. Zu den Sicherheitsmaßnahmen gehören ein Kill-Schalter für sofortiges Herunterfahren, eine obligatorische Benutzerbestätigung für Aktionen und ein integrierter Prüfpfad.

Der Zugriff auf den Private Pc ist nur über das Perplexity Max-Abonnement möglich, das 200 US-Greenback professional Monat kostet. Der Perplexity Professional-Plan, der 20 US-Greenback professional Monat kostet, beinhaltet diese Funktion nicht, unterstützt aber Perplexity Pc, die Ende Februar eingeführte cloudbasierte Model. Zukünftige Unternehmensversionen von Private Pc werden ebenfalls erwartet.

Mit der Einführung von Private Pc positioniert sich Perplexity im Vergleich zu anderen KI-Systemen, insbesondere OpenClaw, und baut eine bedeutende Wettbewerbspräsenz in der Branche auf.

---

Hervorgehobener Bildnachweis

Was ist ein persönlicher Gesundheitsvertreter?

Großsprachenmodelle (LLMs) haben eine starke Leistung in verschiedenen Bereichen wie klinischem Denken, Entscheidungsunterstützung und Verbrauchergesundheitsanwendungen gezeigt. Die meisten vorhandenen Plattformen sind jedoch als einzelne Instrumente wie Symptomprüfer, digitale Coach oder Gesundheitsinformationsassistenten konzipiert. Diese Ansätze werden häufig nicht mit der Komplexität der realen Gesundheitsbedürfnisse eingehen, bei denen Einzelpersonen integrierte Argumentation über tragbare Streams, persönliche Gesundheitsakten und Labortestergebnisse benötigen.

Ein Forscherteam aus Google hat a vorgeschlagen Private Well being Agent (PHA) Rahmen. Das PHA ist als Multi-Agent-System Das vereint komplementäre Rollen: Datenanalyse, medizinisches Wissen und Gesundheitscoaching. Anstatt isolierte Ausgänge aus einem einzelnen Modell zurückzugeben, verwendet der PHA einen zentralen Orchestrator, um spezialisierte Subagenten zu koordinieren, ihre Ausgaben iterativ zu synthetisieren und kohärente, personalisierte Anleitung zu liefern.

Wie funktioniert das PHA -Framework?

Das Private Well being Agent (PHA) basiert auf der Gemini 2.0 -Modellfamilie. Es folgt einer modularen Architektur, die aus drei Subagenten und einem Orchestrator besteht:

1. Knowledge Science Agent (DS)
   Der DS-Agent interpretiert und analysiert Zeitreihendaten aus Wearables (z. B. Schrittzahlen, Herzfrequenzvariabilität, Schlafmetriken) und strukturierte Gesundheitsakten. Es ist in der Lage, offene Benutzerfragen in formale Analysepläne zu zerlegen, statistisches Denken auszuführen und die Ergebnisse mit Referenzdaten auf Bevölkerungsebene zu vergleichen. Zum Beispiel kann es quantifizieren, ob körperliche Aktivität im vergangenen Monat mit Verbesserungen der Schlafqualität verbunden ist.
2. Area Professional Agent (DE)
   Der DE Agent liefert medizinisch kontextualisierte Informationen. Es integriert persönliche Gesundheitsakten, demografische Informationen und tragbare Signale, um Erklärungen zu generieren, die auf medizinischem Wissen beruhen. Im Gegensatz zu allgemeinen LLMs, die believable, aber unzuverlässige Ausgaben erzeugen können, folgt der DE-Agent einer iterativen Überprüfung der Überprüfung der Überprüfung der Begründung und kombiniert maßgebliche medizinische Ressourcen mit personenbezogenen Daten. Dies ermöglicht es ihm, evidenzbasierte Interpretationen bereitzustellen, z. B. ob eine bestimmte Blutdruckmessung für eine Individual mit einer bestimmten Erkrankung in einem sicheren Bereich liegt.
3. Well being Coach Agent (HC)
   Der HC-Agent befasst sich mit Verhaltensänderungen und langfristiger Zieleinstellung. Ausgestattet aus etablierten Teaching-Strategien wie Motivationsinterviews führt es Multi-Flip-Gespräche, identifiziert die Benutzerziele, klärt die Einschränkungen und generiert strukturierte, personalisierte Pläne. Beispielsweise kann es einem Benutzer durch die Festlegung eines wöchentlichen Trainingsplanes, die Anpassung an individuelle Hindernisse und die Einbeziehung von Suggestions aus der Fortschrittsverfolgung führen.
4. Orchestrator
   Der Orchestrator -koordiniert diese drei Agenten. Wenn eine Abfrage empfangen wird, weist sie einem primären Agenten zu, der für die Generierung der Hauptausgabe und unterstützenden Agenten verantwortlich ist, um kontextbezogene Daten oder Domänenwissen bereitzustellen. Nach dem Sammeln der Ergebnisse führt der Orchestrator eine aus iterative ReflexionsschleifeÜberprüfen Sie die Ausgänge auf Kohärenz und Genauigkeit, bevor Sie sie in eine einzige Antwort synthetisierten. Dies stellt sicher, dass die endgültige Ausgabe nicht nur eine Aggregation der Agentenreaktionen, sondern eine integrierte Empfehlung ist.

Wie wurde der PHA bewertet?

Das Forschungsteam führte bisher eine der umfassendsten Bewertungen eines Gesundheits -KI -Programs durch. Ihr Bewertungsrahmen beteiligte sich 10 Benchmark -AufgabenAnwesend Über 7.000 menschliche AnmerkungenUnd 1.100 Stunden Bewertung von Gesundheitsexperten und Endbenutzern.

Bewertung des Knowledge Science Brokers

Der DS -Agent wurde an seiner Fähigkeit bewertet, strukturierte Analysepläne zu erstellen und einen korrekten, ausführbaren Code zu erstellen. Im Vergleich zu Foundation -Gemini -Modellen zeigte es:

• Ein signifikanter Anstieg der Qualität der Analyseplan und eine Verbesserung der mittleren Bewertungswerte von 53,7% auf 75,6%.
• Eine Verringerung kritischer Datenbearbeitungsfehler von 25,4% auf 11,0%.
• Eine Verbesserung der Code-Passquoten von 58,4% auf 75,5% bei den ersten Versuchen mit weiteren Gewinnen unter iterativer Selbstkorrektur.

Bewertung des Area -Experten -Agenten

Der DE -Agent wurde über vier Funktionen hinweg vergleichbar: sachliche Genauigkeit, diagnostisches Denken, kontextbezogene Personalisierung und multimodale Datensynthese. Die Ergebnisse umfassen:

• Sachliches Wissen: Bei über 2.000 Prüfungsfragen im Vorstand über Endokrinologie, Kardiologie, Schlafmedizin und Health erreichte der DE-Agent eine Genauigkeit von 83,6% und übertriffte die Foundation-Gemini (81,8%).
• Diagnostisches Denken: Bei 2.000 selbst gemeldeten Symptomfällen erreichte es 46,1% der Prime-1-diagnostische Genauigkeit im Vergleich zu 41,4% für eine modernste Gemini-Basislinie.
• Personalisierung: In Benutzerstudien bevorzugten 72% der Teilnehmer die Antworten von DE -Agenten gegenüber Basisausgaben, wobei höhere Vertrauenswürdigkeit und kontextbezogene Relevanz angeführt werden.
• Multimodale Synthese: In Expertenklinikern Opinions zu den aus tragbaren, Labor- und Umfragedaten erzeugten Gesundheitsüberprüfungen wurden die Ergebnisse des DE -Agenten klinisch bedeutender, umfassender und vertrauenswürdiger als Basisausgaben.

Evaluierung des Gesundheitstrainers

Der HC -Agent wurde durch Experteninterviews und Benutzerstudien entworfen und bewertet. Experten betonten die Notwendigkeit von sechs Teaching-Funktionen: Zielidentifizierung, aktives Zuhören, Kontextklärung, Ermächtigung, intelligente (spezifische, messbare, erreichbare, relevante, zeitgebundene) Empfehlungen und iterative Suggestions-Einbeziehung.

Bei Auswertungen zeigte der HC -Agent im Vergleich zu Basismodellen einen verbesserten Konversationsfluss und Benutzerbindung. Es hat vorzeitige Empfehlungen und stattdessen ausgewogene Informationen zum Sammeln von Informationen mit umsetzbaren Ratschlägen vermieden, wodurch die Ausgaben in Übereinstimmung mit Experten -Teaching -Praktiken erzeugt wurden.

Bewertung des integrierten PHA -Programs

Auf Systemebene wurden der Orchestrator und drei Mittel zusammen in offenen, multimodalen Gesprächen getestet, die realistische Gesundheitsszenarien widerspiegeln. Sowohl Experten als auch Endbenutzer bewerteten den integrierten Private Well being Agent (PHA) signifikant höher als die Foundation-Gemini-Systeme für Genauigkeit, Kohärenz, Personalisierung und Vertrauenswürdigkeit.

Wie trägt die PHA zur Gesundheits -KI bei?

Die Einführung eines Multi-Agent-PHA befasst sich mit mehreren Einschränkungen bestehender Gesundheits-KI-Systeme:

• Integration heterogener Daten: Tragbare Signale, Krankenakten und Labortestergebnisse werden eher gemeinsam als isoliert analysiert.
• Arbeitsteilung: Jedes Subagent ist auf eine Domäne spezialisiert, in der einzelne monolithische Modelle häufig unterdurchschnittlich, z. B. numerische Argumentation für DS, klinische Grundlage für DE und Verhaltensbindung für HC.
• Iterative Reflexion: Der Überprüfungszyklus des Orchestrators reduziert Inkonsistenzen, die häufig auftreten, wenn mehrere Ausgänge einfach verkettet sind.
• Systematische Bewertung: Im Gegensatz zu den meisten früheren Arbeiten, die sich auf kleine Fallstudien stützten, wurde der Private Well being Agent (PHA) mit einem großen multimodalen Datensatz (der Put on-Me-Studie) und einem umfangreichen Expertenbeteiligung validiert.

Was ist die größere Bedeutung des PHA -Blaupauses von Google?

Die Einführung von Private Well being Agent (PHA) zeigt, dass Well being AI über Einzelpur-Anwendungen hinausgehen kann Modulare, orchestrierte Systeme in der Lage, über multimodale Daten hinweg zu argumentieren. Es zeigt, dass das Einteilen von Aufgaben in spezialisierte Subagenten zu messbaren Verbesserungen der Robustheit, Genauigkeit und Benutzervertrauen führt.

Es ist wichtig zu beachten, dass diese Arbeit ist Ein Forschungskonstrukt, kein kommerzielles Produkt. Das Forschungsteam betonte, dass das PHA -Design explorativ ist und dass die Bereitstellung die Behebung von regulatorischen, Datenschutz- und ethischen Überlegungen erfordern würde. Dennoch stellen die Rahmen- und Bewertungsergebnisse einen signifikanten Fortschritt in den technischen Grundlagen der persönlichen Gesundheits -KI dar.

Abschluss

Das Rahmenwerk des Private Well being Agent bietet ein umfassendes Design für die Integration tragbarer Daten, Gesundheitsakten und Verhaltenscoaching durch ein von einem Orchestrator koordinierter Mehrunternehmersystem. Die Bewertung über 10 Benchmarks unter Verwendung von Tausenden von Annotationen und Expertenbewertungen zeigt konsistente Verbesserungen gegenüber Baseline -LLMs in Bezug auf statistische Analyse, medizinisches Denken, Personalisierung und Teaching -Interaktionen.

Durch die Strukturierung von Gesundheits -KI als koordiniertes System spezialisierter Wirkstoffe und nicht als monolithisches Modell zeigt die PHA, wie Genauigkeit, Kohärenz und Vertrauen in persönlichen Gesundheitsanwendungen verbessert werden können. Diese Arbeit bildet eine Grundlage für weitere Forschungen zu Agentengesundheitssystemen und hebt einen Weg zu integrierten, zuverlässigen Instrumenten für das Gesundheitsministerium hervor.

---

Schauen Sie sich das an Papier hier. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Das AFM -Group von Apple Basis Fashions (AFM) hat in letzter Zeit einen Verlust der Mitarbeiter erlebt, da sich die Strategie für künstliche Intelligenz erheblich verändert hat. Die Scenario umfasst die Abweichung von Schlüsselpersonal zu Meta sowie die Bewertung der Integration von großartigen Großsprachenmodellen (LLMs) von Apple in seine bevorstehenden SIRI-Updates.

Meta hat gemietet Away Vier Apple AI -Mitarbeiter im vergangenen Monat. Diese Reihe von Abflugs begann mit Metas Wilderei von Apple’s Head of Basis -Modellen. Zu diesem ersten Verlust folgten auch zwei bedeutende Kollegen des ehemaligen Leiters der Stiftungsmodelle, wobei ebenfalls Meta beigetreten struggle. Der Pattern setzte sich fort, da ein viertes Mitglied des Basis Fashions -Groups Berichten zufolge zu Metas neuem „Superintelligence“ -Group wechselte.

Bowen Zhang, ein bemerkenswerter multimodaler KI -Forscher bei Apple, verließ das Unternehmen am Freitag. Mark Gurman von Bloomberg berichtete über diese Entwicklung und stellte fest, dass Zhang voraussichtlich für das neu etablierte Superintelligence -Group von Meta beitreten soll. Gurman erklärte: „Bowen Zhang, ein wichtiger multimodaler KI -Forscher bei Apple, hat das Unternehmen am Freitag verlassen und soll laut Personen, die mit der Angelegenheit vertraut waren, mit der Angelegenheit von META beitreten. Zhang struggle Teil der Apple Basis Fashions Group (AFM), die die Kerntechnologie hinter der AI -Plattform des Unternehmens aufgebaut hat.“ Zhangs Experience konzentrierte sich in der AFM -Gruppe von Apple, die eine entscheidende Rolle bei der Entwicklung der grundlegenden Technologie zur Unterstützung der AI -Plattform von Apple spielt.

---

Apples KI -Kopfsprungschiff nach Meta

---

Während Apple Anpassungen vorgenommen hat, um seine AFM -Mitarbeiter zu kompensieren, waren diese Bemühungen nicht ganz erfolgreich. Gurman bemerkte, dass Apple „die Bezahlung seiner AFM -Mitarbeiter geringfügig erhöht hat“, aber die aktualisierte Vergütung „blass im Vergleich zu den von Rivalen“. Dieser Unterschied in der Lohnskalen kann dazu beitragen, Talente innerhalb des AFM -Groups zu behalten.

Apple untersucht derzeit die Möglichkeit, LLMs von Drittanbietern zu nutzen, um seine bevorstehenden SIRI-Updates und andere potenzielle Apple Intelligence-Funktionen zu verbessern. Das Unternehmen hat begonnen, Alternativen zu AFM -Modellen für die nächste Iteration seines Siri -Sprachassistenten zu erwägen. Diese Erkundung umfasst die potenzielle Integration von OpenAIs Chatgpt oder der Claude -Modelle von anthropischer PBC in die Funktionalität von Siri. Gleichzeitig entwickelt Apple eine konkurrierende Model von Siri, die sich auf seine eigenen neuen AFM -Modelle stützt. Das Unternehmen hat noch keine endgültige Entscheidung darüber getroffen, welchen Ansatz zur Umsetzung. Diese Unsicherheit in Bezug auf die zukünftige Richtung von Siris Entwicklung hat Berichten zufolge innerhalb des AFM -Groups Unbehagen geschaffen.

---

Ausgewähltes Bildnachweis

Viele Menschen haben leidenschaftlich ins Fitnessstudio gegangen und glauben, dass sie auf dem richtigen Weg sind, um ihre Fitnessziele zu erreichen. Die Ergebnisse sind jedoch nicht aufgrund schlechter Diätplanung und mangelnder Richtung vorhanden. Die Einstellung eines Private Trainers zusammen mit einem teuren Fitnessstapel ist nicht immer eine Choice. Aus diesem Grund habe ich diesen Weblog -Beitrag erstellt, um Ihnen zu zeigen, wie Sie Ihren Health -Coach mit der Kraft von Langchain aufbauen können. Damit können Sie jetzt mit minimalen Kosten ein Trainings- und Ernährungsberat an Ihre Ziele angepasst. Lassen Sie uns mit der Einbeziehung von toller Technik beginnen und es in Ihren Health-Co-Pilot verwandeln!

Warum Langchain verwenden?

Mit Langchain können Sie beim Erstellen erweiterter KI -Anwendungen viel mehr tun, indem Sie große Sprachmodelle (LLMs) mit Instruments, Datenquellen und Speicher kombinieren. Anstatt die aufzurufen Llm Mit einer einfachen Textaufforderung können Sie Agenten erstellen, die Funktionen aufrufen, Informationen abfragen und Gespräche mit dem Zustand verwalten. Für einen Health -Coach können Sie LLM -Intelligenz mit benutzerdefinierter Logik kombinieren – z.

Voraussetzungen

Um Ihren Health -Coach mit Langchain zu erstellen, benötigen Sie:

• Ein OpenAI -API -Schlüssel zum Zugriff auf Sprachmodelle
• Ein Schlüssel für den Serpapi -Dienst, um die Net -Suche zu nutzen
• Grundkenntnisse von Python

Das ist alles, du bist jetzt bereit, loszulegen.

Wie baue ich Ihren Fitnesstrainer auf?

In diesem Abschnitt werde ich demonstrieren, wie Sie Ihren Health -Coach mit einem Langchain -Agenten herstellen. Stellen Sie sicher, dass Sie alles nach den Voraussetzungen vorbereitet haben. Ich werde Sie durch den Schritt-für-Schritt-Prozess des Aufbaus der Lösung führen und die Rolle, die jeder Schritt bei der Erzielung des Ergebnisses spielt, erklären.

Fitcoach AI ist ein Gesprächsfitnesscoach, der Benutzerdaten konsequent sammelt und personalisierte Trainings- und Ernährungspläne mit Langchain -Agenten mit OpenAI generiert.

Kernabhängigkeiten

Führen Sie den folgenden Befehl in Ihrer Befehlszeile aus:

pip set up gradio langchain openai serper-dev python-doten

Sobald alle Abhängigkeiten vorhanden sind, importieren wir zunächst alle relevanten Module für die Aufgabe:

import os
import gradio as gr
import traceback
import datetime
from typing import Record, Tuple, Optionally available

from langchain_openai import ChatOpenAI
from langchain.reminiscence import ConversationBufferMemory
from langchain.brokers import initialize_agent, AgentType
from langchain.instruments import BaseTool
import json
import requests
import dotenv

# Load surroundings variables
dotenv.load_dotenv()

Serpersearchtool -Klasse

Funktionalität: Bietet die Möglichkeit, Net-Suchfunktionen in Echtzeit für aktuelle Informationen zu Health-/Ernährungsinformationen zu erhalten.

Hauptmerkmale:

• Integriert sich in die Serper -API, um Google -Suchergebnisse zu erhalten
• Gibt die Prime 5 formatierten Suchergebnisse zurück, die Titel, Snippet und URL enthalten
• Hat akzeptable Fehlermodi mit Zeitüberschreitungsschutz
• Unterstützt sowohl Synchronisation als auch Asynchronisation

# ----------- SERPER SEARCH TOOL ------------

class SerperSearchTool(BaseTool):
    title: str = "search_web"
    description: str = "Searches the net for real-time data and returns structured outcomes"

    def _run(self, question: str) -> str:
        """Search the net utilizing Serper API"""
        attempt:
            api_key = os.getenv("SERPER_API_KEY")
            if not api_key:
                return "Error: SERPER_API_KEY not present in surroundings variables"

            url = "https://google.serper.dev/search"
            payload = json.dumps({"q": question})
            headers = {
                'X-API-KEY': api_key,
                'Content material-Sort': 'software/json'
            }

            response = requests.put up(url, headers=headers, knowledge=payload, timeout=10)
            response.raise_for_status()
            search_results = response.json()

            # Extract and format natural outcomes
            outcomes = ()
            if 'natural' in search_results:
                for merchandise in search_results('natural')(:5):  # Restrict to prime 5 outcomes
                    outcomes.append({
                        "title": merchandise.get('title', ''),
                        "hyperlink": merchandise.get('hyperlink', ''),
                        "snippet": merchandise.get('snippet', '')
                    })

            # Format leads to a readable approach
            if outcomes:
                formatted_results = "Search Outcomes:nn"
                for i, lead to enumerate(outcomes, 1):
                    formatted_results += f"{i}. {outcome('title')}n"
                    formatted_results += f"   {outcome('snippet')}n"
                    formatted_results += f"   URL: {outcome('hyperlink')}nn"
                return formatted_results
            else:
                return "No search outcomes discovered."

        besides requests.exceptions.RequestException as e:
            return f"Error performing search - Community subject: {str(e)}"
        besides Exception as e:
            return f"Error performing search: {str(e)}"

    async def _arun(self, question: str) -> str:
        """Async model of search"""
        return self._run(question)

UserDatatracker -Klasse

Funktionalität: Erhalten Sie alle erforderlichen Informationen, bevor Sie Fitnesspläne erstellen

Required Knowledge Fields (so as):
Health aim (weight reduction, muscle acquire, and so forth.)
Age (in vary 10-100 validation)
Gender (male/feminine/different)
Weight (in items, - kg/lbs)
Top (in cm or toes/inches)
Exercise Degree (5 predefined ranges)
Food plan Preferences (vegetarian, vegan, and so forth.)
Food plan Restrictions/allergy
Exercise-Preferencing & limitations

Hauptmerkmale:

• Feldvalidierung: Jede Eingabe wird mit benutzerdefinierten Validierungsfunktionen validiert.
• Sequentieller Fluss: Niemand kann voranspringen.
• Fehlerbehandlung: Geben Sie spezifische Fehlermeldungen für ungültige Eingaben an.

# ----------- USER DATA TRACKER CLASS ------------

class UserDataTracker:
    def __init__(self):
        self.knowledge = {}
        # Outline required fields with their validation capabilities and query prompts
        self.required_fields = {
            'fitness_goal': {
                'query': "What's your major health aim? (e.g., weight reduction, muscle acquire, basic health)",
                'validate': self._validate_fitness_goal
            },
            'age': {
                'query': "How previous are you? (Should be between 10-100)",
                'validate': self._validate_age
            },
            'gender': {
                'query': "What's your gender? (male/feminine/different)",
                'validate': self._validate_gender
            },
            'weight': {
                'query': "What's your present weight? (e.g., 150 lbs or 68 kg)",
                'validate': self._validate_weight
            },
            'peak': {
                'query': "What's your peak? (e.g., 5'10" or 178 cm)",
                'validate': self._validate_height
            },
            'activity_level': {
                'query': "What's your exercise stage? (sedentary, flippantly energetic, reasonably energetic, very energetic, extraordinarily energetic)",
                'validate': self._validate_activity_level
            },
            'dietary_preferences': {
                'query': "Do you observe any particular food regimen? (e.g., vegetarian, vegan, keto, none)",
                'validate': self._validate_dietary_preferences
            },
            'dietary_restrictions': {
                'query': "Any meals allergic reactions or dietary restrictions? (e.g., nuts, dairy, gluten, none)",
                'validate': self._validate_dietary_restrictions
            },
            'workout_preferences': {
                'query': "What are your exercise preferences? (e.g., gymnasium, house exercises, gear obtainable, any accidents?)",
                'validate': self._validate_workout_preferences
            },

        }
        self.current_step = 0

Langchain Agent -Konfiguration

Agenteninitialisierung:

• Modell: GPT-4-MINI mit Temperatur 0,3 für die Konsistenz.
• Erinnerung: ConversationBuffermemory für Kontextkonstanz.
• Werkzeuge: Websuche, um den Agenten in Echtzeitinformationen nachzuschlagen.

Der initialize_fitcoach_agent Operate Configures Fitcoach, ein Langchain -Konversationsagent, der als virtueller Health- und Ernährungscoach dient. Es verbindet sich mit dem Sprachmodell GPT-4O-Miniwird möglicherweise durch Net -Search -Instruments erweitert und verfolgt den Konversationsgedächtnis für den Kontext. Der Agent folgt einer strengen, regelbasierten Dialog-Kontinuität: Er stellt den Benutzern unter anderem spezifische Fragen nacheinander, um alle wichtigen Informationen zu Fitnesszielen, Alter, Körpermetriken, Lebensmittelgewohnheiten und Krankengeschichte zu extrahieren. Erst nach allem, was Sie wissen mussten, wurde der Agent verpflichtet, keine Health- oder Diätpläne zu erstellen. Auf diese Weise ermöglicht der Agent die sicheren, genauen und personalisierten Anweisungen, die Benutzer in einem Agenten erwarten. Sobald alle notwendigen Informationen gesammelt wurden, generiert Fitcoach umfassende Trainingsroutinen und Speisepläne, die auf dem Benutzer basieren, und bietet gleichzeitig einen interaktiven und ansprechenden Teaching -Plan an.

# ----------- LANGCHAIN AGENT SETUP ------------

def initialize_fitcoach_agent():
    """Initialize the FitCoach agent with error dealing with"""
    attempt:
        # Examine for OpenAI API key
        openai_key = os.getenv("OPENAI_API_KEY")
        if not openai_key:
            elevate ValueError("OPENAI_API_KEY not present in surroundings variables")

        # Initialize the language mannequin with right mannequin title
        llm = ChatOpenAI(
            mannequin="gpt-4o-mini",
            temperature=0.3,
            openai_api_key=openai_key
        )

        # Initialize instruments
        instruments = ()
        attempt:
            if os.getenv("SERPER_API_KEY"):
                search_tool = SerperSearchTool()
                instruments.append(search_tool)
                print("✅ Search software initialized efficiently")
            else:
                print("⚠ SERPER_API_KEY not discovered - search performance shall be restricted")
        besides Exception as e:
            print(f"⚠ Couldn't initialize search software: {e}")

        # Initialize reminiscence
        reminiscence = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

Gradio Chatbot Logic

• IS_PLAN_CONTENT: Ermittelt, ob ein bestimmter Textual content einen detaillierten Health- oder Ernährungsplan hat, indem Sie mehrere Schlüsselwörter wie die Woche der Woche, Essensnamen und Trainingsvergleiche überprüfen. Hilft, Pläne von informellen Gesprächen um Health zu trennen.
• format_plan_for_text: Formatiert rohe Fitnessplan -Texte in sauberere Abschnitte, während sie Überschriften, Hear und Absätze beibehalten, um die Lesbarkeit und Eignung für das Teilen in Chat oder E -Mail zu verbessern.
• chat_function: Verwaltet den Fitcoach -Chat -Fluss. Sammelt Informationen vom Benutzer in Schritten (Benutzer -Health -Ziel, Mahlzeitpräferenzen), ruft den AI -Agenten auf, um einen benutzerdefinierten Trainings- und Speiseplan zu erstellen, und behandelt Fehler sicher, um den Chat -Fluss ununterbrochen zu halten.

 ----------- GRADIO CHATBOT LOGIC ------------

def is_plan_content(textual content: str) -> bool:
    """Examine if the textual content incorporates a health plan with detailed content material"""
    if not textual content or len(textual content.strip()) < 100:  # Too quick to be a whole plan
        return False

    # Examine for frequent plan indicators
    plan_indicators = (
        'exercise plan', 'train routine', 'coaching program',
        'meal plan', 'vitamin plan', 'food regimen plan', 'weekly schedule',
        'monday', 'tuesday', 'wednesday', 'thursday', 'friday', 'saturday', 'sunday',
        'units x reps', 'relaxation between units', 'heat up', 'quiet down',
        'day 1', 'day 2', 'day 3', 'day 4', 'day 5', 'day 6', 'day 7',
        'breakfast', 'lunch', 'dinner', 'snacks', 'meals', 'vitamin',
        'train', 'exercise', 'coaching', 'routine', 'program', 'plan'
    )

    # Examine for a number of indicators to scale back false positives
    text_lower = textual content.decrease()
    matching_indicators = (ind for ind in plan_indicators if ind in text_lower)

    # Require a minimum of 3 matching indicators to contemplate it a plan
    return len(matching_indicators) >= 3

Hinweis: Ich habe nur Teile des Codes im Artikel angezeigt. Mein vollständiger Code ist verfügbar Hier.

Benutzeroberfläche

Wenn es um die Benutzeroberfläche geht, können Sie Lösungen wie Streamlit oder Gradio verwenden, um sie einfach zu halten. Ich habe Gradio verwendet, da ich es mir ermöglicht, eine polierte Net -App mit benutzerdefiniertem Design, automatischen Updates und einer schnellen, reaktionsschnellen Schnittstelle zu erstellen, die Gesundheits- und Fitnessanwendungen entspricht. Klicken Hier um den Quellcode anzuzeigen.

Anwendungsfälle für Langchain

• Kundensupport -Bots: Erstellen Sie einen Assistenten, der Wissensunterstützungskenntnisse durch die Kundenunterstützung durchsucht, um Antworten auf Kundenfragen zu finden.
• Chatbots für Suche nach Suchdaten: Fluchkarten zu Quellen für Echtzeitwissen wie Google und Wikipedia.
• Q & A Dokument: Ermöglichen Sie dem Benutzer, eine PDF hochzuladen und automatisch genaue Antworten mit Zitaten abzurufen.
• Datenmanipulationsassistenten: Ermöglichen Sie den Benutzern, Daten in einer Tabelle hochzuladen und zu erkunden, während Sie Fragen zu den Daten stellen.
• Instruments für die Inhaltsgenerierung: Generieren Sie Inhalte, einschließlich Blogs, E -Mails oder Social -Media -Posts.
• Multi-Agent-Systeme: Erstellen von Systemen, in denen KI -Agenten zusammenarbeiten oder sich auf die Aufgabe spezialisieren können.

Abschluss

Wenn alles gesagt und getan ist, geht es bei AI nicht nur um Technologie. Es geht um das Innenleben, wie man Technologie als Kraft nutzt, um unseren Alltag zu verbessern! Egal, ob es ist, in Kind zu kommen, intestine zu essen oder motiviert zu bleiben, Ihr eigener einzigartiger persönlicher Health -Coach zu entwerfen, ist ein perfektes Beispiel dafür, wie KI unterstützen und motivieren kann und uns dennoch für unsere Handlungen zur Rechenschaft ziehen kann, um unsere Ziele zu erreichen. Und das Beste daran ist, dass Sie kein Tech -Assistent sein müssen, um Ihre Bewerbung aufzubauen! Es gibt eine Reihe von Instruments wie Langchain für die Entwicklung, OpenAI für KI -Funktionen und Gradio für die Bereitstellung Ihrer intelligenten Anwendung, nur um einige zu erwähnen, die jedem helfen können, intelligente und einzigartige Anwendungen für sich selbst aufzubauen. Die Zukunft der Health sowie in vielen anderen Lebensbereichen steht uns zur Verfügung!

AI hat so viele Aspekte unseres Lebens revolutioniert. Roshni Verma, Autor von ABC Information, gibt an, dass einer seiner neuesten und größten Einflüsse warfare in der Welt der Health. Immer mehr Menschen verwenden jetzt AI -Health -Apps, um ihr Coaching zu planen.

Mit der Explosion künstlicher Intelligenz (KI), Health -Apps und tragbarer Technologie stellt viele angehende und aktuelle Private Coach eine ernsthafte Frage: Wird die KI schließlich die Private Coach insgesamt ersetzen? Und im weiteren Sinne, im weiteren Sinne, Ist die persönliche Ausbildung noch eine tragfähige Karriere?

Die kurze Antwort lautet nein – aber das vollständige Bild ist nuancierter. Während KI sicherlich verändert, wie wir Exercises verfolgen und Gesundheitsdaten personalisieren, wird der Private Coach nicht veraltet. Das persönliche Coaching ist immer noch eine tragfähige Karriere, wobei Daten darauf hindeuten, dass sich die Rolle eines PT weiterentwickelt – nicht verschwinden. Dies ist nur eine der Möglichkeiten, mit denen KI hilft Die gesunde Datenrevolution.

Der Aufstieg der KI in der Health

Von Smartwatches und Apps zu AI-generierten TrainingsplänenDigitale Health -Instruments waren noch nie fortgeschritten oder zugänglich. Diese Instruments können Ihre Wiederholungen zählen, Ihre Herzfrequenz überwachen, Übungspläne empfehlen und sogar vorschlagen, was Sie nach einem Coaching essen sollten. Einige Apps verwenden maschinelles Lernen, um Exercises basierend auf Ihrer vergangenen Leistung anzupassen, und versprechen „personalisierte“ Erfahrungen zu einem Bruchteil der Kosten eines Pt.

Laut einem Bericht von Statista wird der globale Markt für Health-Apps voraussichtlich bis 2026 über 30 Milliarden US-Greenback überschreiten, was auf die Nachfrage der Verbraucher nach Lösungen vor Ort zurückzuführen ist. Dies wirft verständlicherweise Bedenken für Private Coach auf, die sich auf Eins-zu-Eins-Sitzungen, Arbeiten im Fitnessstudio oder sogar auf On-line-Teaching verlassen.

Das menschliche Factor: Was AI kann nicht ersetzen

Während AI Sprünge in der Personalisierung gemacht hat, gibt es immer noch einige wichtige Elemente von Health -Teaching, die sie einfach nicht replizieren kann:

• Emotionale Intelligenz– Ein guter Private Coach versteht nicht nur, was ihr Klient körperlich braucht, sondern auch, wie sie sich emotional fühlen. Motivation, Körperbildprobleme, Stress und Angst vor Verletzungen sind keine Bereiche, in denen KI in Echtzeit Empathie oder Ermutigung bieten kann.

• Anpassungsfähigkeit & Nuance – Kein Algorithmus kann der Fähigkeit eines PT entsprechen, eine Sitzung sofort anzupassen, basierend darauf, wie sich ein Kunde an diesem Tag fühlt. Verletzungsflackern, Stimmungsveränderungen und Energieverletzungen erfordern ein menschliches Urteilsvermögen.

• Rechenschaftspflicht und Beziehung – Viele Kunden bleiben wegen der Beziehung bei ihrer PT. Sie trainieren härter, tauchen konsequenter auf und fühlen sich stärker unterstützt. Eine App oder ein Chatbot kann diese Verbindungsstufe nicht replizieren.

• Berührung, Technik und Formkorrektur -Physikalisches Suggestions erfordert immer noch eine menschliche Präsenz, sei es ein sanftes Stichwort, eine Haltungskorrektur oder eine praktische Bewegungsdemo.

Was die Daten über Karriereaussichten aussagen

Die britische Fitnessbranche wächst weiter stetig. Entsprechend IbisworldDie Beschäftigung im Bereich Private Coaching in Großbritannien ist in den letzten fünf Jahren jährlich um 5,4% gestiegen. Die Nachfrage nach persönlicher persönlicher Ausbildung ist bei älteren Erwachsenen, vielbeschäftigten Fachleuten und solchen mit speziellen Bedürfnissen (z. B. nach der Natal, Reha für die psychische Gesundheit) besonders stark.

Darüber hinaus haben KI- und Health -Apps dieses Wachstum nicht verlangsamt – sie haben das potenzielle Publikum erweitert. Mehr Menschen werden sich der Health, der Verfolgung des Fortschritts und dem Wenden zu menschlichen PTs bewusst, wenn sie ein Plateau treffen oder eine maßgeschneiderte Anleitung wünschen.

Wie Private Coach related bleiben können

Anstatt ersetzt zu werden, sind Private Coach in einer großartigen Place, um KI und Technik zu nutzen, um ihre Karriere auszubauen:

• Verwenden Sie Apps als Instruments-Integrieren Sie die Monitoring-Apps und Wearables in Ihr Teaching, um ein datenreicheres Erlebnis zu bieten.

• Bieten Sie Hybrid-Teaching an-kombinieren Sie persönliche und On-line-Sitzungen. Sie können Ihr Geschäft skalieren, Distant -Kunden unterstützen und dennoch die menschliche Notice behalten.

• Spezialisiert-Kunden suchen eher einen menschlichen Experten, wenn sie spezifische Ziele haben: Vor-/postnataler Health, Sportleistung, Reha für Verletzungen usw.

• Investieren Sie in CPD – Bleiben Sie weiter, indem Sie neue Technologien, Anatomie, Ernährung und Teaching -Strategien kennenlernen. Je mehr Wissen Sie haben, desto mehr Wert bieten Sie an.

Schlussfolgerung: AI ist ein Werkzeug, keine Bedrohung

KI ist nicht hier, um Private Coach zu ersetzen, sondern um sie zu unterstützen. Die wirkliche Bedrohung ist keine Technologie. Es steht noch in einer sich schnell bewegenden Branche. Diejenigen, die Innovationen annehmen, Kundenbetreuung bleiben und spezielle Fähigkeiten entwickeln, werden nicht nur praktikabel, sondern auch gedeihen.

Für aufstrebende PTs ist dies immer noch eine lohnende und wachsende Karriere. Und für aktuelle PTs ist die Zukunft hell – sofern Sie sich mit der Zeit entwickeln und nie vergessen, dass die menschliche Verbindung im Herzen der Health steht.