更新了English readme。
2024年10月，启动了AutoPlan2，极大的降低了AutoPlan的数据构造成本，致力于冷启动构造专业领域复杂Agent数据。
2024年9月，做出了高质量冷启动的function call数据构造
本项目主要完成了在军事领域下基于大模型的复杂任务规划和执行，使用到了改进的react技术进行长链条的agent执行。本仓库要感谢尹俊希老帅哥的大力支持，为本项目做出了非常大的帮助
本项目第一版原理如下图，
第二版将第一版进行了数据蒸馏，将上图中两个模型合并到一个较小模型中，解决了第一版存在的多轮对话能力缺失，显存占用过高、推理效率低，简单任务复杂化和日常对话功能缺失等不够完善的地方。
分为训练任务规划数据集（用于第一版）或者训练蒸馏后的完整数据集（用于第二版）两种
train_plan.json和test_plan.json分别为进行任务规划的训练数据集和测试数据集。可以放入qwen1/qwen1.5中训练，训练后qwen模型可获得任务规划能力。
将main.py文件中allparams_split_task_chain的default值改为训练后的任务规划qwen模型。将execute_model_path改为qwen72b的的模型地址，execute_reflexion改为false。其他不变，运行即可获得任务规划和执行能力。
train_react.josn和test_react.json分别为对任务规划和任务执行两个模型蒸馏出来的数据，并且进行人工标注的数据，其中同时包括了任务规划和任务执行步骤。
将train_react.json放到qwen1/qwen1.5内进行训练，可将任务规划和任务执行能力导入同一个模型，建议使用qwen1.5 14b进行训练.
训练完成后将main.py文件中allparams_split_task_chain的default值改为false。将execute_model_path改为以上模型训练的模型地址，execute_reflexion改为false。
推理可得一个模型同时获得任务规划和任务执行两个效果。
续上
