Microsoft AutoGen: Multi-Agent AI Workflows dengan Otomatisasi Lanjutan

Microsoft (MSFT ) Research memperkenalkan AutoGen pada September 2023 sebagai kerangka kerja Python sumber terbuka untuk membangun agen AI yang mampu melakukan kolaborasi multi-agennya yang kompleks. AutoGen telah mendapatkan perhatian di kalangan peneliti, pengembang, dan organisasi, dengan lebih dari 290 kontributor di GitHub dan hampir 900.000 unduhan hingga Mei 2024. Dengan membangun kesuksesan ini, Microsoft memperkenalkan AutoGen Studio, antarmuka low-code yang memungkinkan pengembang untuk dengan cepat membuat prototipe dan bereksperimen dengan agen AI.

Perpustakaan ini digunakan untuk mengembangkan agen modular yang cerdas yang dapat berinteraksi secara mulus untuk menyelesaikan tugas yang rumit, mengotomatisasi pengambilan keputusan, dan mengeksekusi kode secara efisien.

Microsoft juga baru-baru ini memperkenalkan AutoGen Studio yang mempermudah pengembangan agen AI dengan menyediakan platform interaktif dan ramah pengguna. Berbeda dengan pendahulunya, AutoGen Studio meminimalkan kebutuhan untuk pengkodean ekstensif, menawarkan antarmuka pengguna grafis (GUI) di mana pengguna dapat menyeret dan melepas agen, mengkonfigurasi alur kerja, dan menguji solusi yang didorong AI dengan mudah.

Apa yang Membuat AutoGen Unik?

Mengenal Agen AI

Dalam konteks AI, agen adalah komponen perangkat lunak otonom yang dapat melakukan tugas tertentu, sering menggunakan pemrosesan bahasa alami dan pembelajaran mesin. Kerangka kerja AutoGen milik Microsoft meningkatkan kemampuan agen AI tradisional, memungkinkan mereka untuk terlibat dalam percakapan yang kompleks dan terstruktur dan bahkan berkolaborasi dengan agen lain untuk mencapai tujuan bersama.

AutoGen mendukung berbagai jenis agen dan pola percakapan. Fleksibilitas ini memungkinkannya untuk mengotomatisasi alur kerja yang sebelumnya memerlukan intervensi manusia, membuatnya ideal untuk aplikasi di berbagai industri seperti keuangan, periklanan, rekayasa perangkat lunak, dan banyak lagi.

Agen yang Dapat Berbicara dan Dapat Disesuaikan

AutoGen memperkenalkan konsep “agen yang dapat berbicara”, yang dirancang untuk memproses pesan, menghasilkan respons, dan melakukan tindakan berdasarkan instruksi bahasa alami. Agen-agen ini tidak hanya dapat terlibat dalam dialog yang kaya tetapi juga dapat disesuaikan untuk meningkatkan kinerja mereka pada tugas tertentu. Desain modular ini membuat AutoGen menjadi alat yang kuat untuk proyek AI sederhana dan kompleks.

Jenis Agen Utama:

• Agen Asisten: Agen yang ditenagai LLM yang dapat menangani tugas seperti pengkodean, debugging, atau menjawab pertanyaan kompleks.
• Agen Proksi Pengguna: Mensimulasikan perilaku pengguna, memungkinkan pengembang untuk menguji interaksi tanpa melibatkan pengguna manusia. Ini juga dapat mengeksekusi kode secara otonom.
• Agen Obrolan Grup: Kumpulan agen yang bekerja secara kolaboratif, ideal untuk skenario yang memerlukan beberapa keterampilan atau perspektif.

Kolaborasi Multi-Agen

Salah satu fitur paling mengesankan dari AutoGen adalah dukungannya untuk kolaborasi multi-agennya. Pengembang dapat membuat jaringan agen, masing-masing dengan peran khusus, untuk menangani tugas yang kompleks dengan lebih efisien. Agen-agen ini dapat berkomunikasi satu sama lain, bertukar informasi, dan membuat keputusan bersama, mempermudah proses yang sebelumnya akan memakan waktu lama atau rentan terhadap kesalahan.

Fitur Inti dari AutoGen

1. Kerangka Kerja Multi-Agen

AutoGen memfasilitasi pembuatan jaringan agen di mana setiap agen dapat bekerja secara mandiri atau dalam koordinasi dengan yang lain. Kerangka kerja ini menyediakan fleksibilitas untuk merancang alur kerja yang sepenuhnya otonom atau termasuk pengawasan manusia bila perlu.

Polaa Percakapan Termasuk:

• Percakapan Satu ke Satu: Interaksi sederhana antara dua agen.
• Struktur Hirarkis: Agen dapat mendelegasikan tugas kepada sub-agen, membuatnya lebih mudah untuk menangani masalah yang kompleks.
• Percakapan Grup: Obrolan grup multi-agennya di mana agen-agen bekerja sama untuk menyelesaikan tugas.

2. Eksekusi Kode dan Otomatisasi

Berbeda dengan banyak kerangka kerja AI, AutoGen memungkinkan agen untuk menghasilkan, mengeksekusi, dan memperbaiki kode secara otomatis. Fitur ini sangat berharga untuk tugas pengembangan perangkat lunak dan analisis data, karena meminimalkan intervensi manusia dan mempercepat siklus pengembangan. Agen Proksi Pengguna dapat mengidentifikasi blok kode yang dapat dieksekusi, menjalankannya, dan bahkan memperbaiki outputnya secara otonom.

3. Integrasi dengan Alat dan API

Agen AutoGen dapat berinteraksi dengan alat, layanan, dan API eksternal, secara signifikan memperluas kemampuan mereka. Apakah itu mengambil data dari database, membuat permintaan web, atau mengintegrasikan dengan layanan Azure, AutoGen menyediakan ekosistem yang kuat untuk membangun aplikasi yang kaya fitur.

4. Pemecahan Masalah dengan Campuran Manusia

Dalam skenario di mana input manusia diperlukan, AutoGen mendukung interaksi agen-manusia. Pengembang dapat mengkonfigurasi agen untuk meminta bimbingan atau persetujuan dari pengguna manusia sebelum melanjutkan dengan tugas tertentu. Fitur ini memastikan bahwa keputusan kritis dibuat dengan bijak dan dengan tingkat pengawasan yang tepat.

Bagaimana AutoGen Bekerja: Penyelaman Mendalam

Inisialisasi dan Konfigurasi Agen

Langkah pertama dalam bekerja dengan AutoGen melibatkan pengaturan dan konfigurasi agen Anda. Setiap agen dapat disesuaikan untuk melakukan tugas tertentu, dan pengembang dapat menyesuaikan parameter seperti model LLM yang digunakan, keterampilan yang diaktifkan, dan lingkungan eksekusi.

Mengatur Interaksi Agen

AutoGen menangani aliran percakapan antara agen dengan cara yang terstruktur. Alur kerja khas mungkin terlihat seperti ini:

1. Pengenalan Tugas: Pengguna atau agen memperkenalkan pertanyaan atau tugas.
2. Pemrosesan Agen: Agen yang relevan menganalisis input, menghasilkan respons, atau melakukan tindakan.
3. Komunikasi Antara Agen: Agen berbagi data dan wawasan, bekerja sama untuk menyelesaikan tugas.
4. Eksekusi Tugas: Agen mengeksekusi kode, mengambil informasi, atau berinteraksi dengan sistem eksternal jika perlu.
5. Penghentian: Percakapan berakhir ketika tugas selesai, ambang batas kesalahan tercapai, atau kondisi penghentian dipicu.

Pengelolaan Kesalahan dan Peningkatan Diri

Agen AutoGen dirancang untuk menangani kesalahan dengan cerdas. Jika tugas gagal atau menghasilkan hasil yang tidak benar, agen dapat menganalisis masalah, mencoba memperbaikinya, dan bahkan mengulangi solusinya. Kemampuan perbaikan diri ini sangat penting untuk menciptakan sistem AI yang dapat diandalkan dan beroperasi secara otonom selama periode yang lama.

Prasyarat dan Instalasi

Sebelum bekerja dengan AutoGen, pastikan Anda memiliki pemahaman yang solid tentang agen AI, kerangka kerja orkestrasi, dan dasar-dasar pemrograman Python. AutoGen adalah kerangka kerja berbasis Python, dan potensinya sepenuhnya terwujud ketika digabungkan dengan layanan AI lain, seperti model GPT OpenAI atau Microsoft Azure AI.

Instal AutoGen Menggunakan pip:

Untuk fitur tambahan, seperti kemampuan pencarian yang dioptimalkan atau integrasi dengan perpustakaan eksternal:

Mengatur Lingkungan Anda

AutoGen memerlukan Anda untuk mengkonfigurasi variabel lingkungan dan kunci API dengan aman. Mari kita jalani langkah-langkah dasar yang diperlukan untuk menginisialisasi dan mengkonfigurasi ruang kerja Anda:

1. Mengambil Variabel Lingkungan: Simpan kunci API sensitif dalam file .env dan muat menggunakan dotenv untuk mempertahankan keamanan. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Memilih Konfigurasi Model Bahasa: Putuskan model LLM yang akan digunakan, seperti GPT-4 dari OpenAI atau model lain yang disukai. Pengaturan konfigurasi seperti endpoint API, nama model, dan kunci perlu didefinisikan dengan jelas untuk memungkinkan komunikasi yang lancar antara agen.

Membangun Agen AutoGen untuk Skenario yang Kompleks

Untuk membangun sistem multi-agennya, Anda perlu mendefinisikan agen dan menentukan bagaimana mereka harus berperilaku. AutoGen mendukung berbagai jenis agen, masing-masing dengan peran dan kemampuan yang berbeda.

Membuat Agen Asisten dan Agen Proksi Pengguna: Definisikan agen dengan konfigurasi yang canggih untuk mengeksekusi kode dan mengelola interaksi pengguna:

from autogen import AssistantAgent, UserProxyAgent

<p># Definisikan konfigurasi LLM
llm_config = {
&quot;model&quot;: &quot;gpt-4&quot;,
&quot;api_key&quot;: api_key
}</p>

<p># Buat Agen Asisten untuk tugas pengkodean dan analisis yang kompleks
assistant = AssistantAgent(
name=&quot;coding_assistant&quot;,
llm_config=llm_config
)</p>

<p># Agen Proksi Pengguna untuk menangani interaksi pengguna dan eksekusi kode
user_proxy = UserProxyAgent(
name=&quot;user_proxy&quot;,
code_execution_config={
&quot;executor&quot;: autogen.coding.LocalCommandLineCodeExecutor(work_dir=&quot;coding_workspace&quot;)
}
)</p>

from autogen import AssistantAgent, UserProxyAgent

<p># Definisikan agen untuk alur kerja pendidikan
guru = AssistantAgent(name=&quot;guru&quot;, llm_config=llm_config)
murid = AssistantAgent(name=&quot;murid&quot;, llm_config=llm_config)
evaluator = AssistantAgent(name=&quot;evaluator&quot;, llm_config=llm_config)</p>

<p># Definisikan alur percakapan antara agen
guru.send_message(&quot;Topik hari ini adalah kalkulus. Mari kita masuk ke persamaan diferensial.&quot;)
murid.send_message(&quot;Bisakah Anda menjelaskan konsep turunan?&quot;)
guru.send_message(&quot;Turunan mewakili laju perubahan suatu fungsi. Berikut adalah penjelasan sederhana...&quot;)</p>