Microsoft AutoGen: 멀티 에이전트 AI 워크플로우와 고급 자동화

Microsoft Research는 2023년 9월에 AutoGen을 오픈소스 Python 프레임워크로 소개했습니다. AutoGen은 복잡한 멀티 에이전트 협력을 위한 AI 에이전트를 구축하는 데 사용됩니다. AutoGen은 이미 연구자, 개발자, 조직 등을 포함한 290명 이상의 기여자와 2024년 5월 현재 90만 회 이상의 다운로드를 기록하며 인기를 끌고 있습니다. 이러한 성공에 기반하여 Microsoft는 AutoGen Studio를 공개했습니다. AutoGen Studio는 개발자가 AI 에이전트를 신속하게 프로토 타이핑하고 실험할 수 있는 저코드 인터페이스를 제공합니다.

이 라이브러리는 복잡한 작업을 해결하고 의사결정을 자동화하며 코드를 효율적으로 실행할 수 있는 지능형, 모듈식 에이전트를 개발하는 데 사용됩니다.

Microsoft는 또한 AutoGen Studio를 소개했습니다. AutoGen Studio는 대화형이고 사용자 친화적인 플랫폼을 제공하여 AI 에이전트 개발을 단순화합니다. 이전 버전과 달리 AutoGen Studio는 광범위한 코딩의 필요성을 최소화하고 에이전트를 끌어다 놓고, 워크플로를 구성하고, AI 기반 솔루션을 쉽게 테스트할 수 있는 그래픽 사용자 인터페이스(GUI)를 제공합니다.

AutoGen이 특별한 이유

AI 에이전트 이해

AI의 contexto에서 에이전트는 특정 작업을 수행할 수 있는 자율적인 소프트웨어 구성 요소입니다. 이는 자연어 처리와 기계 학습을 사용하여 수행할 수 있습니다. Microsoft의 AutoGen 프레임워크는 전통적인 AI 에이전트의 기능을 강화하여 복잡한 구조화된 대화를 가능하게 하고 다른 에이전트와 협력하여 공유 목표를 달성할 수 있습니다.

AutoGen은 다양한 에이전트 유형과 대화 패턴을 지원합니다. 이러한 유연성으로 인해 이전에 인간의 개입이 필요한 워크플로를 자동화할 수 있으며, 금융, 광고, 소프트웨어 엔지니어링 등 다양한 산업 분야에서 적용할 수 있습니다.

대화형 및 사용자 정의 에이전트

AutoGen은 “대화형” 에이전트의 개념을 도입합니다. 이러한 에이전트는 메시지를 처리하고, 응답을 생성하고, 자연어 지침에 따라 작업을 수행할 수 있습니다. 이러한 에이전트는 풍부한 대화를 처리할 뿐만 아니라 특정 작업의 성능을 개선하기 위해 사용자 정의할 수도 있습니다. 이러한 모듈식 설계로 인해 AutoGen은 단순한 작업과 복잡한 AI 프로젝트 모두에 강력한 도구가 됩니다.

주요 에이전트 유형:

• Assistant Agent: LLM을 기반으로 하는 어시스턴트로, 코딩, 디버깅 또는 복잡한 질의를 처리할 수 있습니다.
• User Proxy Agent: 사용자 동작을 시뮬레이션하여 개발자가 실제 사용자 없이 상호작용을 테스트할 수 있습니다. 또한 자율적으로 코드를 실행할 수 있습니다.
• Group Chat Agents: 여러 에이전트가 협력하여 작업을 수행하는 집단 채팅 에이전트입니다. 여러 기술이나 관점이 필요한 시나리오에 적합합니다.

멀티 에이전트 협력

AutoGen의 가장 인상적인 기능 중 하나는 멀티 에이전트 협력을 지원하는 것입니다. 개발자는 각 에이전트에 특화된 역할을 부여하여 복잡한 작업을 더 효율적으로 처리할 수 있습니다. 이러한 에이전트는 서로 통신할 수 있으며, 정보를 교환하고, 집단적으로 의사결정을 내릴 수 있습니다. 이는 시간이 걸리거나 오류가 발생할 수 있는 프로세스를 간소화합니다.

AutoGen의 핵심 기능

1. 멀티 에이전트 프레임워크

AutoGen은 각 에이전트가 독립적으로 또는 다른 에이전트와 협력하여 작업할 수 있는 에이전트 네트워크를 생성하는 것을 facilite합니다. 이 프레임워크는 완전히 자율적인 워크플로 또는 필요한 경우 인간의 감독을 포함하는 워크플로를 설계하는 유연성을 제공합니다.

대화 패턴에는 다음이 포함됩니다:

• 1:1 대화: 두 에이전트 간의 간단한 상호작용입니다.
• 계층 구조: 에이전트는 하위 에이전트에게 작업을 위임할 수 있으며, 복잡한 문제를 처리하기 쉽게 합니다.
• 그룹 대화: 에이전트가 협력하여 작업을 해결하는 멀티 에이전트 그룹 채팅입니다.

2. 코드 실행 및 자동화

다른 많은 AI 프레임워크와 달리 AutoGen은 에이전트가 코드를 생성하고, 실행하고, 디버깅할 수 있습니다. 이 기능은 소프트웨어 엔지니어링 및 데이터 분석 작업에非常히 유용하며, 인간의 개입을 최소화하고 개발 주기를 가속화합니다. User Proxy Agent는 실행 가능한 코드 블록을 식별하고, 실행하고,甚至 출력을 개선할 수 있습니다.

3. 도구 및 API와의 통합

AutoGen 에이전트는 외부 도구, 서비스 및 API와 상호작용할 수 있으며, 그 기능을 크게 확장합니다. 데이터베이스에서 데이터를 가져오거나 웹 요청을 보내거나 Azure 서비스와 통합하는 경우, AutoGen은 기능丰富한 애플리케이션을 구축하는 강력한 생태계를 제공합니다.

4. 인간-루프 문제 해결

인간의 입력이 필요한 시나리오에서 AutoGen은 인간-에이전트 상호작용을 지원합니다. 개발자는 에이전트가 특정 작업을 진행하기 전에 인간 사용자로부터 지침이나 승인을 요청하도록 구성할 수 있습니다. 이 기능은 중요한 결정이 신중하게 이루어지고, 적절한 감독하에 이루어지도록 보장합니다.

AutoGen 작동 방식: 깊은 분석

에이전트 초기화 및 구성

AutoGen을 사용하는 첫 번째 단계는 에이전트를 설정하고 구성하는 것입니다. 각 에이전트는 특정 작업을 수행하도록 맞춤설정할 수 있으며, 개발자는 LLM 모델, 활성화된 기능 및 실행 환경과 같은 매개변수를 사용자 정의할 수 있습니다.

에이전트 상호작용 오케스트레이션

AutoGen은 에이전트 간의 대화 흐름을 구조화된 방식으로 처리합니다. 일반적인 워크플로는 다음과 같습니다:

1. 작업 소개: 사용자 또는 에이전트가 질의 또는 작업을 소개합니다.
2. 에이전트 처리: 관련 에이전트가 입력을 분석하고, 응답을 생성하거나, 작업을 수행합니다.
3. 에이전트 간 통신: 에이전트가 데이터와 통찰력을 공유하며, 작업을 완료하기 위해 협력합니다.
4. 작업 실행: 에이전트가 코드를 실행하거나, 정보를 가져오거나, 외부 시스템과 상호작용합니다.
5. 종료: 대화가 작업이 완료되거나, 오류 임계값에 도달하거나, 종료 조건이 트리거될 때 종료됩니다.

오류 처리 및 자기 개선

AutoGen의 에이전트는 오류를 지능적으로 처리하도록 설계되었습니다. 작업이 실패하거나 잘못된 결과를 생성하는 경우, 에이전트는 문제를 분석하고, 수정을 시도하고, thậm chí 해결책을 반복할 수 있습니다. 이러한 자기 회복 기능은 신뢰할 수 있는 AI 시스템을 생성하고, 장기간 동안 자율적으로 작동할 수 있도록 하는데 중요합니다.

사전 요구 사항 및 설치

AutoGen을 사용하기 전에 AI 에이전트, 오케스트레이션 프레임워크 및 Python 프로그래밍의 기초를 잘 이해하고 있어야 합니다. AutoGen은 Python 기반 프레임워크이며, 다른 AI 서비스와 결합하여 최대한의 잠재력을 발휘할 수 있습니다.

pip를 사용하여 AutoGen 설치:

추가 기능을 위해, 예를 들어 최적화된 검색 기능이나 외부 라이브러리와의 통합:

환경 설정

AutoGen을 사용하려면 환경 변수와 API 키를 안전하게 구성해야 합니다. 기본적인 단계를 통해 작업 공간을 초기화하고 구성하는 방법을 살펴보겠습니다:

1. 환경 변수 로딩: 민감한 API 키를 .env 파일에 저장하고 dotenv를 사용하여 보안을 유지합니다. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. 언어 모델 구성 선택: 사용할 LLM을 결정합니다. 예를 들어, OpenAI의 GPT-4 또는 다른 선호하는 모델입니다. API 엔드포인트, 모델 이름 및 키와 같은 구성 설정은 에이전트 간의 원활한 통신을 위해 명확하게 정의되어야 합니다.

복잡한 시나리오를 위한 AutoGen 에이전트 구축

멀티 에이전트 시스템을 구축하려면 에이전트를 정의하고 그들이 어떻게 행동해야 하는지 지정해야 합니다. AutoGen은 다양한 에이전트 유형을 지원하며, 각 에이전트에는 고유한 역할과 기능이 있습니다.

Assistant 및 User Proxy 에이전트 생성: 코드 실행 및 사용자 상호작용을 관리하기 위한 고급 구성이 가능한 에이전트를 정의합니다:

from autogen import AssistantAgent, UserProxyAgent

# LLM 구성 정의
llm_config = {
"model": "gpt-4",
"api_key": api_key
}

# 복잡한 코딩 및 분석 작업을 위한 Assistant 에이전트 생성
assistant = AssistantAgent(
name="coding_assistant",
llm_config=llm_config
)

# 사용자 상호작용 및 코드 실행을 처리하는 User Proxy 에이전트
user_proxy = UserProxyAgent(
name="user_proxy",
code_execution_config={
"executor": autogen.coding.LocalCommandLineCodeExecutor(work_dir="coding_workspace")
}
)

from autogen import AssistantAgent, UserProxyAgent

# 교육 워크플로우를 위한 에이전트 정의
teacher = AssistantAgent(name="teacher", llm_config=llm_config)
student = AssistantAgent(name="student", llm_config=llm_config)
evaluator = AssistantAgent(name="evaluator", llm_config=llm_config)

# 에이전트 간의 대화 흐름 정의
teacher.send_message("오늘의 주제는 미적분입니다. 미분방정식을 살펴보겠습니다.")
student.send_message("미분의 개념을 설명해 주시겠습니까?")
teacher.send_message("미분은 함수의 변화율을 나타내는 것입니다. 여기서 간단한 설명을 드리겠습니다...")