Перейти к содержимому
Chimera
Загрузка
Русский

Рецепты

Настоящие, готовые к запуску сценарии, которые от начала до конца делают что-то полезное встроенными инструментами. Любой запускается командой chimera workflow <файл> -w <рабочая папка>. Исходники целиком лежат в каталоге examples/.

Полностью локально, без ключа API (Ollama)

Запустите Chimera на модели, которая работает на вашей машине: ключа не нужно, ничего не покидает компьютер. Установите Ollama, скачайте модель и направьте на неё Chimera:

ollama pull llama3.1                     # or qwen2.5, mistral, phi3, …
export CHIMERA_MODEL=ollama/llama3.1     # the `ollama/` prefix = local, keyless
chimera run "Summarise this file in 3 bullets" -w .

Вот и всё — ни OPENROUTER_API_KEY, ни облака. Проверка учётных данных распознаёт ollama/… (и ollama_chat/…) как локальную среду и пропускает. Если Ollama работает на другой машине, задайте CHIMERA_OLLAMA_BASE_URL=http://host:11434 (по умолчанию http://localhost:11434).

Локальные модели меньше, поэтому это слабый конец диапазона золотой середины — хорошо подходит для chimera solve (план и «проверить или откатить» помогают слабой модели) и для приватности без сети, и хуже подходит для разового рассуждения уровня передовых моделей. Смешивайте: локальная модель по умолчанию и облачные CHIMERA_FALLBACK_MODELS для трудных вызовов.

Разбор почты

Прочитать входящие, разложить на URGENT / PERSONAL / NEWSLETTER / COLD-SALES и написать сводку на десять секунд чтения. Только чтение — ничего не удаляется, не переносится и не отправляется.

chimera workflow examples/email_triage/triage.yaml -w ./triage_workspace

Нужны учётные данные IMAP. Настройка и ежедневное расписание: examples/email_triage/README.md.

Ежедневная исследовательская сводка

На входе тема, на выходе сводка из 5 пунктов со ссылками и выжимка в 3 строки (arxiv всегда; веб-поиск, если задан ключ Tavily).

chimera workflow examples/research_brief/brief.yaml -w ./brief_workspace

Наблюдение за репозиторием

Прогнать набор тестов репозитория и написать отчёт о состоянии, назвав все упавшие тесты. Только чтение, кроме самого отчёта.

chimera workflow examples/repo_watchdog/watch.yaml -w /path/to/your/repo

Чтение документов (PDF, DOCX, XLSX…)

Обычный текст агент читает сразу. Для настоящих документов — PDF, Word, PowerPoint, Excel, HTML, CSV, EPUB — установите необязательное дополнение, и он получит инструмент read_document, превращающий любой из них в Markdown:

uv sync --extra documents      # or: pip install 'chimera-agent[documents]'

Затем направьте задачу на файл: «Изложи report.pdf в 5 пунктах». Без дополнения read_document возвращает однострочную подсказку об установке, а не падает.

Работа с вебом (переход, чтение и действия)

Инструмент browser встроен — он управляет настоящим Chromium, поэтому видит страницы, отрисованные JavaScript, которых простой http_get не видит. Playwright идёт вместе с Chimera; сам двоичный файл Chromium весом около 150 МБ скачивается автоматически при первом использовании браузера (разовый шаг, который pip за вас сделать не может). Отдельной установки не требуется:

# nothing to install — just use it. To turn the auto-download off and fetch it yourself:
#   CHIMERA_BROWSER_AUTO_INSTALL=0  +  playwright install chromium
# For clean Markdown out of read_text (instead of plain text), also add the documents extra:
uv sync --extra documents        # or: pip install 'chimera-agent[documents]'

У инструмента browser есть такие действия:

  • navigate / read — открыть адрес и перечислить интерактивные элементы страницы как [ref] role: name (ссылки, кнопки, поля), чтобы агент нажимал и печатал по ref, а не по пикселям.
  • read_text — полный отрисованный текст страницы, чтобы прочитать статью, документ или результат. С дополнением documents это чистый Markdown (заголовки, ссылки и списки сохраняются через MarkItDown); без него — обычный видимый текст. Необязательный url позволяет открыть и прочитать за один шаг.
  • find — поискать запрос в отрисованном тексте и получить обратно совпавшие строки.
  • click / type / back — управлять страницей по ref.

CHIMERA_BROWSER_HEADLESS=false запускает Chromium с окном, для отладки.

Содержимое страниц недоверенное: каждый результат обособляется как данные, а инструмент заражает запуск, поэтому при работе с вебом предпочитайте solve --taint --guard и вытягивайте структурированные поля через изолированный читатель, а не действуйте по сырому тексту страницы. Без дополнения documents read_text всё равно работает — просто выдаёт обычный текст вместо Markdown.

Исследование темы (поиск и чтение)

Соедините веб-поиск с read_text браузера, чтобы изучить вопрос и получить сводку со ссылками: web_search (нужен CHIMERA_TAVILY_API_KEY) находит страницы, browser read_text читает каждую (в том числе тяжёлые на JavaScript), а deliver пишет сводку:

uv run chimera solve "Research 'on-device small language models 2026': web_search for sources, \
  open the top 3 with the browser and read_text each, then write a 5-bullet sourced brief to brief.md" \
  --taint --verify "test -s brief.md"

Готовый вариант с исполняемой проверкой на каждом шаге смотрите в examples/research_brief — он сразу использует arxiv_search и web_search, а с установленным дополнением browser агент может ещё и делать read_text целых страниц, а не останавливаться на выдержках из поиска.

Сбор данных и безопасное структурное извлечение

Два встроенных инструмента превращают любую страницу в чистые данные, готовые для модели, и устанавливать для этого ничего не нужно:

  • scrape — забрать адрес и вернуть чистый Markdown с метаданными. Он идёт по каскаду, знающему цену: сначала обычный HTTP GET, с подъёмом к встроенному браузеру (отрисовка JavaScript), если страница вернулась пустой, и — только если вы задали FIRECRAWL_API_KEY — с откатом к Firecrawl для страниц с тяжёлой защитой от ботов. render=http|browser|firecrawl заставляет использовать конкретный движок; include_links дополнительно возвращает ссылки страницы.
  • extract — безопасно вытащить нужные поля как проверенный JSON. Дайте ему url (или content) и список fields (например, ["title", "price", "author"]), и он вернёт только эти поля. Важно, что он читает страницу через изолированный читатель Chimera — модель без инструментов, чей вывод проверяется по схеме, — поэтому спрятанные в странице инструкции не могут перехватить агента. Это та гарантия безопасности, которой Firecrawl и ScrapeGraphAI вам не дают: враждебная страница в худшем случае вернёт неверное значение, но никогда — новую инструкцию. Большие страницы режутся на части и сливаются, с досрочной остановкой, как только заполнены все поля, чтобы ограничить стоимость. Для известного шаблона страницы передайте selectors (поле → CSS, например {"price": ".price", "link": "a.more::attr(href)"}), и эти поля извлекутся детерминированно — бесплатно, без модели, а безопасная модель будет применена только к полям, которые селектор не заполнил.
uv run chimera run "scrape https://news.ycombinator.com and summarize the top 5 stories"
uv run chimera run "extract the fields title, price, availability from https://example.com/product --taint"

Для целых сайтов есть ещё два действия:

  • map — дёшево перечислить адреса сайта (читает карту сайта, если она есть, иначе просматривает ссылки страницы). Есть необязательный фильтр search по ключевому слову. Запускайте это, чтобы очертить сайт перед обходом.
  • crawl — идти по ссылкам от начального адреса и возвращать чистый Markdown каждой страницы. Ограничивается limit и max_depth, по умолчанию не выходит за домен и учитывает robots.txt (соблюдает Disallow и Crawl-delay). include и exclude — это шаблоны адресов. Долгие обходы возобновляемы: очередь сохраняется на диск после каждой страницы, поэтому обход, прерванный на странице N, при следующем запуске продолжится с N+1 (resume=true по умолчанию).
uv run chimera run "map https://docs.example.com then crawl the /guide section (max 20 pages) and summarize it"

Всё обособляется как данные и заражает запуск (это недоверенное содержимое из веба), поэтому безопасный способ действовать на его основе — solve --taint --guard. Необязательный откат к Firecrawl используется только тогда, когда встроенный движок не смог забрать страницу и задан ключ: подавляющую часть веба Chimera собирает сама, без внешних сервисов.

Звук: речь в текст (расшифровка)

Chimera умеет превращать речь в текст — это симметричная пара к её генерации изображений и синтезу речи. Она управляет моделью Whisper (а не обучает её): инструмент transcribe_audio использует локальный faster-whisper, если вы поставите дополнение stt (без сети, приватно), иначе — облачный Whisper API от OpenAI (нужен ключ OpenAI):

uv sync --extra stt      # optional: local, offline transcription (heavier — downloads a model)
uv run chimera run "transcribe meeting.m4a and give me 5 bullet-point action items"

Замечание об охвате, в честном духе этого проекта: Chimera — агент, а не модель. Она может пользоваться распознаванием речи, генерацией изображений, компьютерным зрением или классическим машинным обучением, вызывая API или запуская библиотеку в своей песочнице кода, — но она не переписывает Whisper, Stable Diffusion, PyTorch или OpenCV, да и не могла бы разумно этого делать. Для анализа данных и машинного обучения песочница execute_code уже позволяет агенту писать и запускать Python поверх scikit-learn, pandas, OpenCV и прочего. Оркестрация умножает агента; переписывание дало бы лишь копию помедленнее.

Скачать видео или его звук

Инструмент download_media вытягивает видео (или только его звук) с YouTube и ещё тысячи с лишним сайтов в рабочую папку. Он оборачивает yt-dlp (активно поддерживается и справляется с чехардой шифров, форматов и возрастных ограничений, на которой ломаются односайтовые сборщики вроде pytube). Включается по желанию; для извлечения звука нужен ещё ffmpeg в PATH:

uv sync --extra media-dl
uv run chimera run "download the audio of https://youtu.be/… then transcribe it and summarize"

Естественно сочетается с transcribe_audio выше: скачать → расшифровать → изложить, всё за один запуск.

Анализ данных и машинное обучение (навык data_analysis)

Chimera не переписывает scikit-learn — она пишет правильный код на pandas и sklearn и запускает его в песочнице execute_code. Навык data_analysis даёт этой способности имя: дайте ему задачу и набор данных, и он выдаст самодостаточный скрипт (загрузить → изучить → построить модель → оценить), который агент затем выполнит.

uv sync --extra data     # pandas + scikit-learn for the generated code
uv run chimera run "use the data_analysis skill: predict churn from customers.csv and report accuracy"

Генерация изображений (в облаке или полностью локально)

generate_image по умолчанию использует API изображений OpenAI. Для работы без сети и приватно задайте CHIMERA_IMAGE_BACKEND=local и поставьте (тяжёлое, требующее GPU) дополнение imagegen-local — тогда Chimera запускает FLUX.1-schnell (Apache-2.0) локально через diffusers. Значение auto (по умолчанию) использует локальный путь только при отсутствии ключа OpenAI.

uv sync --extra imagegen-local     # pulls torch + diffusers; downloads multi-GB weights on first use
CHIMERA_IMAGE_BACKEND=local uv run chimera run "generate an image of a fox in a snowy forest"

Тот же честный охват, что и выше: здесь Chimera запускает диффузионную модель, но не обучает её. Генерация видео (например, CogVideo) намеренно не встроена — это тяжёлая обученная модель, а не то, что агент должен носить в своей основе; если она вам понадобится, берите облачный API. Компьютерному зрению (OpenCV) отдельный инструмент не нужен — агент и так делает import cv2 в песочнице кода.

Графики и визуализация данных

Два взаимодополняющих способа построить график — оба честны относительно охвата (Chimera пользуется библиотеками рисования, а не переписывает matplotlib, plotly или bokeh):

1. Навык data_visualization — написать код графика и выполнить его в песочнице. Покрывает всё (свои и публикационные рисунки, трёхмерные, что угодно): навык выдаёт самодостаточный скрипт на matplotlib и seaborn (статичный PNG или SVG) либо на plotly (интерактивный HTML), с уже встроенной дисциплиной безоконного движка (matplotlib.use("Agg")) и сохранения в рабочую папку.

uv sync --extra viz     # matplotlib + seaborn + plotly for the generated code
uv run chimera run "use data_visualization: line chart of revenue.csv over time, save revenue.png"

2. Инструмент render_chart — безопасная декларативная спецификация Vega-Lite. Спецификация Vega-Lite — это инертные данные JSON, а не код: их можно осмотреть, они имеют форму схемы и их можно отрисовать заново. Для стандартных графиков, которые покрывает Vega-Lite (столбики, линии, точки, гистограммы, тепловые карты, панели), это более сильная история управления, чем выполнение порождённого кода. Для вывода в HTML дополнений не нужно (спецификация встраивается вместе с CDN Vega); PNG и SVG используют необязательное дополнение viz-vega (vl-convert-python).

uv run chimera run "build a Vega-Lite bar chart of {A:5,B:8,C:3} and render_chart it to chart.html"
uv sync --extra viz-vega   # optional: static PNG/SVG rendering (heavy — Rust+V8 binary)

Честно об охвате: plotly оборачивает plotly.js, bokeh примерно наполовину написан на TypeScript, отрисовщик matplotlib — на C++, а seaborn — тонкий слой поверх matplotlib. Всё это каркасы, которые агенту следует вызывать, а не переписывать. Песочница кода уже их импортирует; навык лишь даёт способности имя и разбирается с подводными камнями безоконного режима. Vega-Lite — исключение, заслуживающее отдельного инструмента, потому что его артефакт — безопасные декларативные данные.

Поставить любой из них на расписание

Каждый рецепт может работать по расписанию и доставлять результат в чат:

chimera cron add "morning brief" "0 7 * * *" "Research X; write a 5-bullet brief."
chimera serve   # runs jobs; with a bot configured, delivers to Discord/Telegram/Slack

О шлюзе мессенджеров и круглосуточной работе смотрите Развёртывание.

Изменить эту страницу на GitHub