湖南人文科技学院怎么样,网站seo月报,网站 域名 空间 服务器,建设厅官方网站北京AutoGen是微软推出的一个全新工具#xff0c;它用来帮助开发者创建基于大语言模型(LLM)的复杂应用程序. AutoGen能让LLM在复杂工作流程启用多个角色代理来共同协作完成人类提出的任务。在我之前的一篇博客: AutoGen实战应用(一)#xff1a;代码生成、执行和调试 中我们通过一…
AutoGen是微软推出的一个全新工具它用来帮助开发者创建基于大语言模型(LLM)的复杂应用程序. AutoGen能让LLM在复杂工作流程启用多个角色代理来共同协作完成人类提出的任务。在我之前的一篇博客: AutoGen实战应用(一)代码生成、执行和调试 中我们通过一个简单案例为大家了介绍了如何在AutoGen中创建代理(agent)如何通过agent之间的相互沟通和协作来完成一个人类提出的任务。在这个博客的案例中我们创建了两个agent即UserProxyAgent和AssistantAgent然后通过这两个agent相互协作来完成一个简单的任务。通过两个agent相互协作来完成任务这属于AutoGen的最基础的应用今天我们来介绍更加复杂的应用: 多代理协作(Multi-Agent Collaboration)。
一、多代理协作(Multi-Agent Collaboration)
所谓多代理协作是指通过创建多个agent来完成复杂任务的一种agent的工作方式那为什么需要创建多个agent才能完成任务呢这取决于任务的复杂程度对于简单任务我们一般只需要创建2个agent(UserProxyAgent和AssistantAgent)即可。但是对于有些复杂的任务2个agent往往效率不高从而导致任务难以完成因此遇到复杂任务时我们往往需要创建多个agent通过多个agent一起协作才能更高效的完成任务下面我们首先回顾以下AutoGen中的常用的两种agent类型和作用:
UserProxyAgent: 用户代理(代表人类)它的职责是发布任务执行代码(包括执行AssistantAgent生成的代码) 将代码执行结果反馈给AssistantAgent。AssistantAgent助理代理(代表LLM), 它的职责是对问题进行分析、推理、归纳、总结同时生成解决问题的代码(如何需要)。
当遇到一个复杂问题时我们可能需要创建多个UserProxyAgent或者多个AssistantAgent那么如何让多个agent在一起顺畅的沟通交流呢那就需要我们创建一套多个agent之间相互沟通的机制下面我们就来介绍一种常见的多代理沟通机制: manager-broadcast, 即经理广播机制如下图所示 在manager-broadcast机制中我们会创建一个聊天组(GroupChat),然后我们将所有的agent都放入这个组中同时我们还需要创建一个manager,它将作为组的管理员负责收/发组成员(agents)的消息。当某个agent需要和别的agent交流时只需要向manager发送消息即可而manager则会将该消息广播给所有其他组成员这样就实现了agent之间的相互交流沟通如上图所示。下面我们就来通过一个例子来看看多个agent时如何通过manager-broadcast机制一起协作来完成任务的。
1.1 环境配置
首先请新建一个python 3.8 以上版本的虚拟环境并在命令行中执行以下安装命令:
pip install pyautogen
接下来我们需要导入autogen包,并配置openai的api_key:
import autogenconfig_list [{model: gpt-4,api_key: your_api_key,#输入用户自己的api_key}
]
我们需要说明一下的是这里我们将创建的AssistantAgent都是基于gpt-4模型因为gpt-4模型具有非常强大的分析和推理能力因此它更适合来解决复杂的任务。
1.2 任务说明
今天我们通过autogen来实现这样一个任务在arxiv上查找有关gpt-4的最新论文并从中找出它们的潜在应用场景。要实现这样一个任务一般情况下可能需要如下这些步骤
从论文网站arxiv上下载关于gpt-4的最新论文。然后读取这些论文的主要内容。根据论文内容罗列出关于gpt-4的潜在的应用场景。
1.3 构建agent
从上面这个任务内容上看该任务可能需要多个步骤因此我们需要创建多个agent:
llm_config {config_list: config_list, cache_seed: 42}#创建用户代理
user_proxy autogen.UserProxyAgent(nameUser_proxy,system_messageA human admin.,code_execution_config{last_n_messages: 2,work_dir: groupchat,use_docker: False,}, human_input_modeTERMINATE,
)
#创建程序员代理
coder autogen.AssistantAgent(nameCoder,llm_configllm_config,
)
#创建产品经理
pm autogen.AssistantAgent(nameProduct_manager,system_messageCreative in software product ideas.,llm_configllm_config,
)
#创建聊天组
groupchat autogen.GroupChat(agents[user_proxy, coder, pm],messages[], max_round12)
#创建组管理员
manager autogen.GroupChatManager(groupchatgroupchat, llm_configllm_config)
这里我们创建了一个UserProxyAgent和两个AssistantAgent下面我们对它们的功能做一下说明
user_proxy 用户代理它的职责是发布任务执行coder生成的代码 并将代码执行结果反馈给coder和pm。coder: 程序员代理,负责按要求生成完成任务所需要的代码并根据user_proxy反馈的代码执行结果修改和完善代码直到代码被user_proxy成功执行。pm: 产品经理代理, 它对user_proxy成功执行代码后的结果进行归纳和总结并生成最终的结果。
这里我们看到user_proxy继承自autogen的UserProxyAgent类而coder和pm继承自autogen的AssistantAgent类也就是说user_proxy它代表了人类,因此它可以发布任务执行代码反馈结果等功能而coder和pm则代表了大模型gpt-4, 因此它们具备生成代码、推理、总结归纳相关内容等强大能力。
对于创建user_proxy 时使用的各种参数大家可以参考官方文档这里再做一个简要的介绍如下图所示 下面是创建AssistantAgent时的参数说明同样大家也可以参考官方文档 这里有一个重要的参数system_message需要说明一下当我们在创建agent时一般都会设置一个system_message参数该参数的作用是让LLM了解当前agent扮演什么角色它的职能是什么。下面我们看一下user_proxy、coder、pm的system_message参数
user_proxy“A human admin.” 意思为人类管理员让llm知道user_proxy代表人类管理员。pm: “Creative in software product ideas.” 意思为为软件产品提供创意让llm知道pm可以为软件产品提供创意。coder: 无。
这里我们看到coder虽然没有设置system_message参数但是llm也能够从coder的name(Coder)中推断出coder的角色和职能即coder代表一个编码员(程序员)。
当我们创建了以上3个agent之后我们又创建了一个聊天组groupchat 同时我们将所有的agent都放入了这个组中下面是官网文档中对GroupChat类的参数的说明 当创建GroupChat以后我们还需要创建一个manager它用来收/发所有组成员的消息这里需要说明的是manager具有广播的功能即当某个agent想和其他agent对话时只需要将消息放送给manager而manager则负责将该消息广播给其他所有的agent, 这样就完成了不同agent之间的信息交流。
1.5 执行任务
当我们完成了三个agent以及groupchat和manager的创建接下来就可以开始执行任务了在执行任务时我们首先让user_proxy 发布一个人类的具体任务
user_proxy.initiate_chat(manager,message在arxiv上查找有关gpt-4的最新论文并从中找出它们的潜在应用场景。
) 从上面的代码中我们看到 user_proxy 是向manager发送了一个message,该message包含了任务的具体内容接下来是任务执行的具体过程 从上面的执行过程中我们看到所有的agent都是给manager发送消息manager则起到了广播消息的作用并且我们观察到代理们执行任务的流程大致分为以下这些步骤
第一步user_proxy 发布一个任务第二步: Coder 生成 获取gpt4论文内容的python代码第三步: user_proxy 在本地执行Coder生成的代码并打印相关论文的title和Summary等信息第四步Product_manager 根据论文title和Summary总结出若干条关于GPT-4应用场景的内容。第五步: Coder 对Product_manager给出的相关内容给与评价并在结尾处打上任务完成标记“TERMINATE” 表示任务完成。
总结
在今天介绍了AutoGEN中的多代理协作(Multi-Agent Collaboration)的基本原理即当我们遇到较为复杂的任务时我们可以创建多个agent并且为每个agent赋予不同的角色如(user_proxy, coder,pm)等并且每个角色都要有角色说明(system_message)通过角色说明可以让LLM充分了解当前agent的作用同时我们还创建了一个GroupChat组和组管理员manager并且将所有的agent都放入GroupChat组中这样通过manager的广播机制就可以实现不同agent之间的相互沟通并且互相协作来完成一个较为复杂的任务希望今天的内容对大家学习AutoGen有所帮助.
