Tekoäly

Microsoft AutoGen: Moniagenttinen AI-työkalu edistyneellä automaatiolla

Published November 6, 2024

Updated April 27, 2026

Aayush Mittal Mittal

Microsoft Research esitteli AutoGenin syyskuussa 2023 avoimena Python-kehyksenä, jolla voidaan luoda monimutkaisiin tehtäviin kykeneviä AI-välejä. AutoGen on jo saavuttanut suosiota tutkijoiden, kehittäjien ja organisaatioiden keskuudessa, joilla on yli 290 osallistujaa GitHubissa ja lähes 900 000 latausta toukokuussa 2024. Tämän menestyksen myötä Microsoft julkaisi AutoGen Studion, joka on matalan koodin rajapinta, joka mahdollistaa kehittäjille nopean prototyyppien luomisen ja kokeilemisen AI-välineillä.

Tämä kirjasto on tarkoitettu älymäisten, modulaaristen välineiden kehittämiseen, jotka voivat toimia yhdessä monimutkaisten tehtävien ratkaisemiseksi, päätöksenteon automatisoimiseksi ja koodin suorittamiseksi tehokkaasti.

Microsoft on myös esitteli AutoGen Studion, joka yksinkertaa AI-välineiden kehittämisen tarjoamalla interaktiivisen ja käyttäjäystävällisen alustan. Toisin kuin edeltäjänsä, AutoGen Studio vähentää laajan koodauksen tarvetta tarjoamalla graafisen käyttöliittymän, jossa käyttäjät voivat vetää ja pudottaa välineitä, konfiguroida työvirran ja testata AI-ohjattuja ratkaisuja vaivattomasti.

Mikä tekee AutoGenista ainutlaatuisen?

Ymmärtäminen AI-välineistä

AI:ssa väline on itsenäinen ohjelmakomponentti, joka pystyy suorittamaan tiettyjä tehtäviä, usein luonnollisen kielen prosessoinnin ja koneoppimisen avulla. Microsoftin AutoGen-kehys parantaa perinteisten AI-välineiden kykyjä, mahdollistaen niiden osallistumisen monimutkaisiin, rakenteellisiin keskusteluihin ja jopa yhteistyöhön muiden välineiden kanssa yhteisten tavoitteiden saavuttamiseksi.

AutoGen tukee laajaa valikoimaa välineitä ja keskustelumalleja. Tämä joustavuus mahdollistaa sen, että se automatisoi työvirran, joka aikaisemmin vaati ihmisen väliintuloa, mikä tekee siitä ihanteellisen sovelluksille erilaisilla aloilla, kuten rahoituksessa, mainonnassa, ohjelmistosuunnittelussa ja monilla muilla aloilla.

Keskustelu- ja mukautuvat välineet

AutoGen esittelee “keskustelu”-välineiden käsitteen, jotka on suunniteltu prosessoimaan viestejä, generoimaan vastauksia ja suorittamaan toimia luonnollisen kielen ohjeiden mukaan. Nämä välineet eivät ainoastaan kykene osallistumaan rikkaaseen dialogiin, vaan ne voidaan myös mukauttaa parantamaan suorituskykyä tiettyjä tehtäviä varten. Tämä modulaarinen suunnittelu tekee AutoGenista voimakkaan työkalun sekä yksinkertaisille että monimutkaisille AI-projekteille.

Avainvälineet:

Avustaja-väline: LLM-pohjainen avustaja, joka pystyy suorittamaan tehtäviä, kuten koodausta, virheenkorjausta tai monimutkaisten kysymysten vastaamista.
Käyttäjän edustaja-väline: Simuloi käyttäjän käyttäytymistä, mahdollistaen kehittäjille testata vuorovaikutuksia ilman, että todellinen käyttäjä osallistuu. Se voi myös suorittaa koodia itsenäisesti.
Ryhmäkeskustelu-välineet: Välineiden kokoelma, joka toimii yhteistyössä, ihanteellinen tilanteissa, joissa vaaditaan useita taitoja tai näkökulmia.

Monivälineyhteistyö

Yksi AutoGenin vaikuttavimmista ominaisuuksista on sen tuki monivälineyhteistyölle. Kehittäjät voivat luoda välineverkon, jossa kunkin välineen on erikoistunut rooli, jotta voidaan suorittaa monimutkaisia tehtäviä tehokkaammin. Nämä välineet voivat viestiä toistensa kanssa, vaihtaa tietoja ja tehdä yhteisiä päätöksiä, sujuvoittaen prosesseja, jotka muuten olisivat aikaa vieviä tai altis virheille.

AutoGenin ydinominaisuudet

1. Monivälinekehys

AutoGen mahdollistaa välineverkkojen luomisen, joissa kunkin välineen voi toimia joko itsenäisesti tai muiden välineiden kanssa. Kehys tarjoaa joustavuuden suunnitella työvirran, joka on täysin itsenäinen tai sisältää ihmisen valvontaa, kun tarve vaatii.

Keskustelumallit sisältävät:

Yksilökeskustelut: Yksinkertaiset vuorovaikutukset kahden välineen välillä.
Hierarkkiset rakenteet: Välineet voivat delegoida tehtäviä alivälineille, helpottaen monimutkaisten ongelmien käsittelyä.
Ryhmäkeskustelut: Monivälineinen ryhmäkeskustelu, jossa välineet yhteistyössä ratkaisevat tehtävän.

2. Koodin suorittaminen ja automaatio

Toisin kuin monet AI-kehykset, AutoGen sallii välineiden generoida, suorittaa ja virittää koodia automaattisesti. Tämä ominaisuus on arvokas ohjelmistosuunnittelun ja data-analytiikan tehtävissä, koska se vähentää ihmisen väliintuloa ja nopeuttaa kehityskierroksia. Käyttäjän edustaja-väline voi tunnistaa suoritettavan koodin lohkoja, suorittaa ne ja jopa parantaa tulosta itsenäisesti.

3. Integraatio työkalujen ja API:en kanssa

AutoGen-välineet voivat vuorovaikuttaa ulkoisten työkalujen, palvelujen ja API:en kanssa, laajentaen merkittävästi heidän kykyjään. Riippumatta siitä, onko kyse tietojen hakemisesta tietokannasta, web-pyynnöistä tai integroinnista Azure-palvelujen kanssa, AutoGen tarjoaa vahvan ekosysteemin monipuolisten sovellusten luomiseksi.

4. Ihmisen osallistuminen ongelmanratkaisuun

Tilanteissa, joissa ihmisen syöttäminen on välttämätöntä, AutoGen tukee ihmisen ja välineen vuorovaikutusta. Kehittäjät voivat konfiguroida välineitä pyytämään ohjausta tai hyväksyntää ihmiskäyttäjältä ennen tiettyjen tehtävien suorittamista. Tämä ominaisuus varmistaa, että kriittiset päätökset tehdään tarkoituksenmukaisesti ja oikealla tasolla valvontaa.

AutoGenin toimintaperiaate: Syväanalyysi

Välineiden alkuasetukset ja konfigurointi

Ensimmäinen vaihe AutoGenin kanssa työskentelemisessä on välineiden asettaminen ja konfigurointi. Kunkin välineen voidaan räätälöidä suorittamaan tiettyjä tehtäviä, ja kehittäjät voivat mukauttaa parametreja, kuten LLM-mallia, käytettäviä taitoja ja suorituskokoonpanoa.

Välineiden vuorovaikutuksen orkesterointi

AutoGen käsittelee välineiden välisen keskustelun järjestelmällisesti. Tyypillinen työvirta saattaa näyttää tältä:

Tehtävän esittely: Käyttäjä tai väline esittää kysymyksen tai tehtävän.
Välineiden prosessointi: Asianmukaiset välineet analysoivat syötteen, generoivat vastauksia tai suorittavat toimia.
Välineiden välinen viestintä: Välineet jakavat tietoja ja näkemyksiä, yhteistyössä tehtävän suorittamiseksi.
Tehtävän suorittaminen: Välineet suorittavat koodia, hakevat tietoja tai vuorovaikuttavat ulkoisten järjestelmien kanssa tarpeen mukaan.
Päättäminen: Keskustelu päättyy, kun tehtävä on valmis, virhetaso saavutetaan tai päättämisehdot täyttyvät.

Virheiden käsittely ja itseparantaminen

AutoGenin välineet on suunniteltu käsittelemään virheitä älykkäästi. Jos tehtävä epäonnistuu tai tuottaa virheellisen tuloksen, väline voi analysoida ongelman, yrittää korjata sen ja jopa iteroida ratkaisunsa. Tämä itseparantamiskyky on olennainen luotettavien AI-järjestelmien luomiseksi, jotka voivat toimia itsenäisesti pitkän ajan yli.

Edellytykset ja asennus

Ennen AutoGenin kanssa työskentelemistä varmistathan, että sinulla on vankka ymmärrys AI-välineistä, orkesterointikehyksistä ja Python-ohjelmoinnin perusteista. AutoGen on Python-pohjainen kehys, ja sen täysi potentiaali toteutuu, kun se yhdistetään muihin AI-palveluihin, kuten OpenAI:n GPT-malleihin tai Microsoft Azure AI:hin.

Asenna AutoGen käyttäen pip:

Lisäominaisuuksien, kuten optimoidun hakutoiminnon tai integroinnin ulkoisten kirjastojen kanssa:

Ympäristön määrittely

AutoGen vaatii, että ympäristömuuttujat ja API-avaimet on määritetty turvallisesti. Käydään läpi perusaskelten, joita tarvitaan työtilan alustamiseen ja konfiguroimiseen:

Ympäristömuuttujien lataaminen: Tallenna herkät API-avaimet .env-tiedostoon ja lataa ne dotenv:n avulla ylläpitämään turvallisuutta. (api_key = os.environ.get(“OPENAI_API_KEY”))
Kielen mallikonfiguraation valinta: Päätä, mitä LLM:ää aiot käyttää, kuten GPT-4 OpenAI:sta tai muuta haluamaasi mallia. Konfiguraatio-asetukset, kuten API-päätepisteet, mallinimet ja avaimet, on määriteltävä selkeästi, jotta välineiden välinen viestintä olisi vaivatonta.

Rakentaminen AutoGen-välineitä monimutkaisiin skenaarioihin

Monivälinejärjestelmän luomiseksi on määriteltävä välineet ja määriteltävä, miten ne toimivat. AutoGen tukee erilaisia välineitä, joilla kullakin on omat roolinsa ja kykynsä.

Avustaja- ja käyttäjän edustaja-välineiden luominen: Määrittele välineet, joilla on monimutkaiset konfiguraatiot koodin suorittamiseen ja käyttäjien vuorovaikutuksiin:

[koodi kielen=”PYTHON”]
from autogen import AssistantAgent, UserProxyAgent

# Määritä LLM-konfiguraatio
llm_config = {
“malli”: “gpt-4”,
“api_avain”: api_avain
}

# Luo avustaja-väline monimutkaisiin koodaus- ja analyysitehtäviin
avustaja = AssistantAgent(
nimi=”koodausavustaja”,
llm_config=llm_config
)

# Käyttäjän edustaja-väline käyttäjien vuorovaikutuksiin ja koodin suorittamiseen
kayttajan_edustaja = UserProxyAgent(
nimi=”kayttajan_edustaja”,
koodin_suorittamisen_konfiguraatio={
“suorittaja”: autogen.koodaus.LocalCommandLineCodeExecutor(tyo_dir=”koodaus_työtila”)
}
)

[/koodi]

Esimerkki 1: Monimutkainen data-analyysi ja visualisointi Oletetaan, että sinun on automaattisesti suoritettava tehtävä, jossa AI-väline hakee taloudellisia tietoja, suorittaa tilastollisen analyysin ja visualisoi tulokset. Tässä on, miten AutoGen voi helpottaa tätä:
- Työvirta: Avustaja-väline saa tehtäväksi hakea historialliset osakekurssit, laskea avainsuorituskykyindeksejä ja generoida visualisointikaavioita.
- Suoritusvirta: Käyttäjän edustaja-väline tarkistaa ja suorittaa avustaja-välineen generoiman koodin.
Esimerkki 2: Automaattinen tutkimusavustaja akateemisille artikkeleille Tilanteessa, jossa tarvitset avustajaa, joka tiivistää tutkimusartikkeleita, AutoGen-välineet voivat tehokkaasti yhteistyössä saavuttaa tämän:
- Tutkimuksen hakeminen: Yksi väline hakee ja parsii asiaankuuluvia akateemisia artikkeleita verkkokäyttäytymisen avulla.
- Tiivistäminen: Toinen väline tiivistää keskeiset löydökset ja generoi konsiisen yhteenveto.
- Viittauksen hallinta: Apuväline hallinnoi viittauksia ja muotoilee bibliografian.

Monivälineyhteistyön toteuttaminen

AutoGenin voima piilee sen kyvyssä koordinoida useita välineitä tehtävän suorittamiseksi. Tutustumme skenaarioon, jossa toteutetaan Opettaja-Opiskelija-Arviointi-malli:

Opettaja-väline: Tarjoaa selityksiä ja ohjeita tietyistä aiheista.
Opiskelija-väline: Esittää kysymyksiä ja suorittaa harjoituksia vahvistaakseen ymmärryksensä.
Arviointi-väline: Arvioi opiskelijan työtä ja antaa palautetta.

Tämä malli voidaan soveltaa koulutukseen, jossa välineet vuorovaikuttavat itsenäisesti edistääkseen oppimista.

Alku-esimerkki:

[koodi kielen=”PYTHON”]
from autogen import AssistantAgent, UserProxyAgent

# Määritä välineet koulutusvirtaan
opettaja = AssistantAgent(nimi=”opettaja”, llm_config=llm_config)
opiskelija = AssistantAgent(nimi=”opiskelija”, llm_config=llm_config)
arviointi = AssistantAgent(nimi=”arviointi”, llm_config=llm_config)

# Määritä keskusteluvirta välineiden välillä
opettaja.lähetä_viesti(“Tänään aiheena on differentiaaliyhtälöt. Tutustumme niihin.”)
opiskelija.lähetä_viesti(“Voitko selittää derivaatan käsitteen?”)
opettaja.lähetä_viesti(“Derivaatta edustaa funktion muutosnopeutta. Tässä on yksinkertainen selitys…”)

[/koodi]

Edistyneet käsitteet: Tehtävän suorittaminen ja koodin generointi

AutoGen tukee monimutkaisten työvirtojen suorittamista, joissa välineet eivät ainoastaan generoi, vaan myös suorittavat ja virittävät koodia. Tutustumme tapaukseen, jossa välineet yhteistyössä työskentelevät ohjelmistokehitystehtävissä:

Skenaario: Sinun on automaattisesti suoritettava tehtävä, jossa luot ohjelmistoa, testaat sitä ja virittäät sitä.
Välineiden roolit:
- Koodin generoija-väline: Kirjoittaa koodia käyttäjän määrittelemän mukaisesti.
- Testaaja-väline: Suorittaa automaattisia testejä validoidakseen generoidun koodin.
- Virittäjä-väline: Tunnistaa ja korjaa ongelmat itsenäisesti.

Suoritusvirta-esimerkki:

Koodin generoija-väline kirjoittaa Python-koodin ominaisuuden toteuttamiseksi.
Testaaja-väline suorittaa yksikkötestit ja raportoi virheet, jos sellaisia ilmenee.
Virittäjä-väline analysoi virheet, parantaa koodia ja suorittaa testit uudelleen, kunnes koodi menee läpi.

Tämä automaattinen sykli vähentää kehitysaikaa ja parantaa koodin luotettavuutta.

Virheiden käsittely ja jatkuva parantaminen

AutoGen on varustettu voimakkailla virheenkäsittelymekanismeilla. Välineet voidaan ohjelmoida diagnosoimaan ongelmia, yrittämään tehtäviä uudelleen tai pyytämään ihmisen väliintuloa, kun tarve vaatii. Tämä itseparantamiskyky varmistaa, että jopa monimutkaiset työvirrat voidaan suorittaa sulavasti yli ajan.

Esimerkki: Itseparantava työvirta

Jos väline kohtaa koodin suorittamisvirheen, se voi:
- Analysoida virhelokin.
- Muokata koodia virheen korjaamiseksi.
- Suorittaa tehtävän uudelleen varmistamaan korjauksen.

Tämä iteratiivinen lähestymistapa tekee AutoGenista voimakkaan työkalun sovelluksiin, joissa luotettavuus ja tarkkuus ovat kriittisiä.

AutoGenin potentiaali

Perinteisten automaatiotyökalujen muuttaminen

AutoGenin lähestymistapa automatisoida työvirtoja välineyhteistyön kautta on merkittävä parannus perinteisiin Robotic Process Automation (RPA) -työkaluihin. Hyödyntämällä LLM:itä ja edistyneitä AI-tekniikoita, AutoGen pystyy käsittelemään monimutkaisempia tehtäviä ja sopeutumaan dynaamisiin ympäristöihin tehokkaammin kuin staattiset RPA-botit.

AutoGenin rooli pilvi-alkuperäisissä strategioissa

AutoGen-välineet on suunniteltu toimimaan tilattomasti konteinereissa, mikä tekee niistä ihanteellisia käyttöön cloud-alkuperäisissä ympäristöissä. Tämä kyky mahdollistaa helpon skaalautumisen, koska organisaatiot voivat käyttää tuhansia identtisiä välineitä käsitelläkseen vaihtelevia työkuormia.

Vertailu muihin kehyksiin

Vaikka on olemassa useita monivälinekehyksiä markkinoilla, AutoGenin sulava integrointi Microsoftin ekosysteemin (Azure, Microsoft 365 jne.) kanssa antaa sille erityisen etun. Tämä integrointi mahdollistaa yhdenmukaisemman työvirran, erityisesti yrityksille, jotka ovat jo Microsoftin ympäristössä.

Haasteet ja huomioon otettavat seikat

Vaikka AutoGen ja AutoGen Studio tarjoavat voimakkaat työkalut AI-kehitykseen, on tärkeää huomioida haasteita:

Turva: Itsenäisten välineiden suorittaminen, jotka voivat suorittaa koodia, sisältää sisäänrakennettuja riskejä. Kehittäjien on toteutettava vahvat turvallisuustoimenpiteet estämään epäviralliset toimet.
Skaalautuvuus: Vaikka AutoGen on suunniteltu jakeluun, sovelluksen skaalauttaminen, jossa on tuhansia välineitä, voi olla resursseja vaativaa ja edellyttää huolellista infrastruktuurin suunnittelua.
Eettiset huolenaiheet: Kuten minkä tahansa AI-teknologian kanssa, on eettisiä huolenaiheita, erityisesti kun otetaan käyttöön välineitä, jotka vuorovaikuttavat itsenäisesti yleisön kanssa.

Johtopäätös

AutoGen-kehys avaa uusia tapoja älymäisten, monivälinejärjestelmien luomiseen. Sen kyky automatisoida monimutkaisia työvirtoja, vahva yhteisö, koodin suorittaminen ja välineiden yhteistyön helpottaminen erottaa sen muista AI-kehyksistä.

Aayush Mittal

Olen viettänyt viimeiset viisi vuotta uppoutumassa kiinnostavaan koneoppimisen ja syväoppimisen maailmaan. Intohimoni ja asiantuntemukseni ovat johtaneet minun osallistumiseen yli 50:een monipuoliseen ohjelmistosuunnitteluhankkeeseen, joissa on erityisesti painottunut tekoäly/ML. Jatkuva uteliaisuuteni on myös ohjannut minua kohti luonnollisen kielen prosessointia, alaa jota haluan tutkia tarkemmin.

Unite.AI