Microsoft AutoGen: Víceagentní AI Workflows s Pokročilou Automatizací

Microsoft Research představil AutoGen v září 2023 jako open-source Python framework pro vytváření AI agentů schopných komplexní, víceagentové spolupráce. AutoGen již získal popularitu mezi výzkumníky, vývojáři a organizacemi, s více než 290 přispěvateli na GitHub a téměř 900 000 staženími od května 2024. Na základě tohoto úspěchu Microsoft představil AutoGen Studio, low-code rozhraní, které umožňuje vývojářům rychle vytvářet a experimentovat s AI agenty.

Tato knihovna je určena pro vývoj inteligentních, modulárních agentů, kteří mohou interagovat bezproblémově za účelem řešení složitých úkolů, automatizace rozhodování a efektivní realizace kódu.

Microsoft nedávno představil AutoGen Studio, který zjednodušuje vývoj AI agentů poskytováním interaktivní a uživatelsky přívětivé platformy. Na rozdíl od svého předchůdce AutoGen Studio minimalizuje potřebu rozsáhlého kódování, nabízí grafické uživatelské rozhraní (GUI), kde uživatelé mohou přetahovat agenty, konfigurovat pracovní postupy a testovat AI poháněná řešení bez úsilí.

Co dělá AutoGen jedinečným?

Pochopení AI Agentů

V kontextu AI je agent autonomní softwarový komponent schopný provádět specifické úkoly, často pomocí zpracování přirozeného jazyka a strojového učení. Microsoftův framework AutoGen rozšiřuje schopnosti tradičních AI agentů, umožňující jim zapojit se do komplexních, strukturovaných konverzací a dokonce spolupracovat s jinými agenty za účelem dosažení společných cílů.

AutoGen podporuje širokou škálu typů agentů a konverzačních vzorců. Tato všestrannost umožňuje automatizovat pracovní postupy, které dříve vyžadovaly lidskou intervenci, což z něj dělá ideální řešení pro aplikace v různých odvětvích, jako je finance, reklama, softwarové inženýrství a další.

Konverzační a přizpůsobitelní agenti

AutoGen představuje koncept “konverzačních” agentů, kteří jsou navrženi pro zpracování zpráv, generování odpovědí a provádění akcí na základě přirozeného jazykového instrukcí. Tyto agenty jsou nejen schopny zapojit se do bohatých dialogů, ale mohou být také přizpůsobeny pro zlepšení jejich výkonu na specifických úkolech. Tento modulární design dělá AutoGen mocným nástrojem pro jednoduché i komplexní AI projekty.

Klíčové typy agentů:

• Asistent Agent: LLM-poháněný asistent, který může zpracovat úkoly, jako je kódování, ladění nebo odpovědi na komplexní dotazy.
• Uživatel Proxy Agent: Simuluje chování uživatele, umožňující vývojářům testovat interakce bez zapojení skutečného uživatele. Může také autonomně spouštět kód.
• Skupinový Chat Agent: Sbírka agentů, kteří spolupracují, ideální pro scénáře, které vyžadují více dovedností nebo perspektiv.

Víceagentová spolupráce

Jednou z nejpozoruhodnějších funkcí AutoGen je jeho podpora víceagentové spolupráce. Vývojáři mohou vytvořit síť agentů, každý se specializovanými rolemi, za účelem efektivnějšího řešení složitých úkolů. Tyto agenty mohou komunikovat mezi sebou, vyměňovat informace a společně rozhodovat, což zjednodušuje procesy, které by jinak byly časově náročné nebo náchylné k chybám.

Jádrové funkce AutoGen

1. Víceagentový framework

AutoGen usnadňuje vytváření sítí agentů, kde každý agent může pracovat nezávisle nebo ve spolupráci s ostatními. Framework poskytuje flexibilitu pro návrh pracovních postupů, které jsou plně autonomní nebo zahrnují lidský dohled, pokud je to nutné.

Vzorce konverzace zahrnují:

• Jedna na jednu konverzace: Jednoduché interakce mezi dvěma agenty.
• Hierarchické struktury: Agenti mohou delegovat úkoly na sub-agenty, což usnadňuje řešení složitých problémů.
• Skupinové konverzace: Víceagentové skupinové chaty, kde agenti spolupracují na řešení úkolu.

2. Spuštění kódu a automatizace

Na rozdíl od mnoha AI frameworků AutoGen umožňuje agentům generovat, spouštět a ladit kód automaticky. Tato funkce je nepostradatelná pro úkoly softwarového inženýrství a analýzy dat, protože minimalizuje lidskou intervenci a urychluje vývojové cykly. Uživatel Proxy Agent může identifikovat spustitelné bloky kódu, spustit je a dokonce i autonomousně vylepšit výstup.

3. Integrace s nástroji a API

Agenti AutoGen mohou interagovat s externími nástroji, službami a API, což významně rozšiřuje jejich schopnosti. Bez ohledu na to, zda se jedná o načtení dat z databáze, provedení webového požadavku nebo integraci se službami Azure, AutoGen poskytuje robustní ekosystém pro vytváření funkcionalit bohatých aplikací.

4. Řešení problémů s lidskou intervencí

V scénářích, kde je nutná lidská intervence, AutoGen podporuje lidsko-agentní interakce. Vývojáři mohou konfigurovat agenty, aby vyžadovaly pokyny nebo schválení od lidského uživatele před provedením specifických úkolů. Tato funkce zajišťuje, že kritická rozhodnutí jsou učiněna uvážlivě a s odpovídající úrovní dohledu.

Jak AutoGen funguje: Podrobný pohled

Inicializace a konfigurace agentů

Prvním krokem při práci s AutoGen je nastavení a konfigurace vašich agentů. Každý agent může být přizpůsoben pro provádění specifických úkolů a vývojáři mohou přizpůsobit parametry, jako je model LLM, povolené dovednosti a prostředí spuštění.

Orchestrace interakcí agentů

AutoGen zpracovává tok konverzace mezi agenty strukturovaným způsobem. Typický pracovní postup by mohl vypadat takto:

1. Úvod úkolu: Uživatel nebo agent představí dotaz nebo úkol.
2. Zpracování agentem: Relevantní agenti analyzují vstup, generují odpovědi nebo provádějí akce.
3. Inter-agentní komunikace: Agenti sdílejí data a informace, spolupracují na dokončení úkolu.
4. Spouštění úkolu: Agenti spouští kód, načítají informace nebo interagují s externími systémy podle potřeby.
5. Ukončení: Konverzace končí, když je úkol dokončen, dosažen práh chyby nebo aktivována podmínka ukončení.

Zpracování chyb a sebezdokonalování

Agenti AutoGen jsou navrženi pro inteligentní zpracování chyb. Pokud úkol selže nebo vyprodukuje nesprávný výsledek, agent může analyzovat problém, pokusit se jej opravit a dokonce i iterovat na svém řešení. Tato schopnost sebezdokonalování je zásadní pro vytváření spolehlivých AI systémů, které mohou fungovat autonomně po delší dobu.

Předpoklady a instalace

Před prací s AutoGen zajistěte, že máte pevné pochopení AI agentů, orchestrace frameworků a základů programování v Pythonu. AutoGen je Pythonový framework a jeho plný potenciál je realizován, když je kombinován s dalšími AI službami, jako jsou OpenAI GPT modely nebo Microsoft Azure AI.

Instalujte AutoGen pomocí pip:

Pro další funkce, jako je optimalizovaná vyhledávací schopnost nebo integrace s externími knihovnami:

Nastavení vašeho prostředí

AutoGen vyžaduje, abyste konfigurovali proměnné prostředí a API klíče bezpečně. Projděme základní kroky potřebné pro inicializaci a konfiguraci vašeho pracovního prostoru:

1. Načtení proměnných prostředí: Uložte citlivé API klíče do souboru .env a načtěte je pomocí dotenv pro udržení zabezpečení. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Výběr konfigurace jazykového modelu: Rozhodněte se, který LLM budete používat, jako je GPT-4 z OpenAI nebo jakýkoli jiný preferovaný model. Konfigurační nastavení, jako jsou API koncové body, názvy modelů a klíče, musí být jasně definovány pro umožnění bezproblémové komunikace mezi agenty.

Vytváření AutoGen agentů pro komplexní scénáře

Pro vytvoření víceagentního systému je nutné definovat agenty a specifikovat, jak by se měli chovat. AutoGen podporuje různé typy agentů, každý se specifickými rolemi a schopnostmi.

Vytvoření asistentních a uživatelských proxy agentů: Definujte agenty se sofistikovanými konfiguracemi pro spouštění kódu a řízení uživatelských interakcí:

from autogen import AssistantAgent, UserProxyAgent

# Definujte konfiguraci LLM
llm_config = {
"model": "gpt-4",
"api_key": api_key
}

# Vytvořte asistentního agenta pro komplexní kódování a analýzu
assistant = AssistantAgent(
name="coding_assistant",
llm_config=llm_config
)

# Uživatel Proxy Agent pro zpracování uživatelských interakcí a spouštění kódu
user_proxy = UserProxyAgent(
name="user_proxy",
code_execution_config={
"executor": autogen.coding.LocalCommandLineCodeExecutor(work_dir="coding_workspace")
}
)

from autogen import AssistantAgent, UserProxyAgent

# Definujte agenty pro vzdělávací pracovní postup
teacher = AssistantAgent(name="teacher", llm_config=llm_config)
student = AssistantAgent(name="student", llm_config=llm_config)
evaluator = AssistantAgent(name="evaluator", llm_config=llm_config)

# Definujte tok konverzace mezi agenty
teacher.send_message("Dnešní téma je kalkulus. Pustíme se do diferenciálních rovnic.")
student.send_message("Můžete vysvětlit koncept derivace?")
teacher.send_message("Derivace reprezentuje míru změny funkce. Zde je jednoduché vysvětlení...")