Microsoft AutoGen: Multi-Agent AI Workflows med Avansert Automatisering

Microsoft (MSFT ) Research introduserte AutoGen i september 2023 som et åpen kilde Python-rammeverk for å bygge AI-agenter som kan samarbeide komplekst. AutoGen har allerede fått stor oppmerksomhet blant forskere, utviklere og organisasjoner, med over 290 bidragsytere på GitHub og nesten 900 000 nedlastinger per mai 2024. Bygging på denne suksessen, lanserte Microsoft AutoGen Studio, et lavkode-grensesnitt som muliggjør rask prototyping og eksperimentering med AI-agenter.

Dette biblioteket er for å utvikle intelligente, modulære agenter som kan samhandle sømløst for å løse komplekse oppgaver, automatisere beslutninger og effektivt kjøre kode.

Microsoft har nylig også lansert AutoGen Studio som forenkler AI-agentutvikling ved å tilby et interaktivt og brukervennlig grensesnitt. I motsetning til sin forgjenger, minimerer AutoGen Studio behovet for omfattende kode, og tilbyr et grafisk brukergrensesnitt (GUI) hvor brukerne kan dra og slippe agenter, konfigurere arbeidsflyter og teste AI-drevne løsninger uten innsats.

Hva gjør AutoGen unikt?

Forståelse av AI-agenter

I sammenheng med AI, er en agent en autonom programvarekomponent som kan utføre bestemte oppgaver, ofte ved å bruke naturlig språkbehandling og maskinlæring. Microsofts AutoGen-rammeverk forbedrer kapasiteten til tradisjonelle AI-agenter, og muliggjør at de kan engasjere i komplekse, strukturerte samtaler og sogar samarbeide med andre agenter for å nå felles mål.

AutoGen støtter en bred rekke agenttyper og samtalemodeller. Denne fleksibiliteten gjør det mulig å automatisere arbeidsflyter som tidligere krevde menneskelig inngripen, og gjør det ideelt for anvendelser over diverse bransjer som finansielle tjenester, reklame, programvareutvikling og mer.

Samtale- og tilpassbare agenter

AutoGen innfører begrepet “samtale-agenter”, som er designet for å prosessere meldinger, generere svar og utføre handlinger basert på naturlig språkinstrukser. Disse agentene er ikke bare i stand til å engasjere i rike dialoger, men kan også tilpasses for å forbedre deres ytelse på bestemte oppgaver. Denne modulære designen gjør AutoGen til et kraftig verktøy for både enkle og komplekse AI-prosjekter.

Nøkkelagenttyper:

• Assistentagent: En LLM-drevet assistent som kan håndtere oppgaver som kode, feilsøking eller svare på komplekse spørsmål.
• Brukerproxyagent: Simulerer brukeratferd, og muliggjør at utviklere kan teste interaksjoner uten å involvere en faktisk bruker. Den kan også kjøre kode selvstendig.
• Gruppe-samtaleagenter: En samling av agenter som samarbeider, ideelt for scenarioer som krever flere ferdigheter eller perspektiver.

Fleragent-samarbeid

En av AutoGens mest imponerende funksjoner er støtten for fleragent-samarbeid. Utviklere kan opprette et nettverk av agenter, hver med spesialiserte roller, for å løse komplekse oppgaver mer effektivt. Disse agentene kan kommunisere med hverandre, utveksle informasjon og fatte beslutninger kollektivt, og strømlinje prosesser som ellers ville være tidskrevende eller feilutsatte.

Kjernefunksjoner i AutoGen

1. Fleragent-rammeverk

AutoGen muliggjør opprettelse av agentnettverk hvor hver agent kan enten arbeide uavhengig eller i samarbeid med andre. Rammeverket tilbyr fleksibilitet til å designe arbeidsflyter som er fullstendig autonome eller inkluderer menneskelig tilsyn når det er nødvendig.

Samtalemodeller inkluderer:

• En-til-en-samtaler: Enkle interaksjoner mellom to agenter.
• Hierarkiske strukturer: Agenter kan delegere oppgaver til underagenter, og gjøre det lettere å håndtere komplekse problemer.
• Gruppe-samtaler: Fleragent-gruppesamtaler hvor agenter samarbeider for å løse en oppgave.

2. Kodekjøring og automatisering

I motsetning til mange AI-rammeverk, tillater AutoGen at agenter genererer, kjører og feilsøker kode automatisk. Denne funksjonen er uvurderlig for programvareutvikling og dataanalyseoppgaver, da den minimerer menneskelig inngripen og øker utviklingshastigheten. Brukerproxyagenten kan identifisere kjørbar kode, kjøre den og sogar forbedre utdataene selvstendig.

3. Integrering med verktøy og API-er

AutoGen-agenter kan interagere med eksterne verktøy, tjenester og API-er, og utvider deres kapasiteter betydelig. Uansett om det er å hente data fra en database, å gjøre webforespørsler eller å integrere med Azure-tjenester, tilbyr AutoGen et robust økosystem for å bygge funksjonsrike applikasjoner.

4. Menneske-i-løkken-problem løsning

I scenarioer hvor menneskelig inngripen er nødvendig, støtter AutoGen menneske-agent-interaksjoner. Utviklere kan konfigurere agenter til å be om veiledning eller godkjenning fra en menneskelig bruker før de fortsetter med bestemte oppgaver. Denne funksjonen sikrer at kritiske beslutninger tas omhyggelig og med riktig nivå av tilsyn.

Hvordan AutoGen fungerer: En dybdeundersøkelse

Agentinitialisering og konfigurasjon

Det første steget i å arbeide med AutoGen innebærer å sette opp og konfigurere dine agenter. Hver agent kan tilpasses for å utføre bestemte oppgaver, og utviklere kan tilpasse parametre som LLM-modellen som brukes, ferdighetene som er aktivert og kjøremiljøet.

Koordinering av agentinteraksjoner

AutoGen håndterer flyten av samtale mellom agenter på en strukturert måte. En typisk arbeidsflyt kan se ut som følger:

1. Oppgaveinnføring: En bruker eller agent introduserer en oppgave eller spørsmål.
2. Agentbehandling: De relevante agentene analyserer innputt, genererer svar eller utfører handlinger.
3. Inter-agent-kommunikasjon: Agenter deler data og innsikt, og samarbeider for å fullføre oppgaven.
4. Oppgaveutførelse: Agentene kjører kode, henter informasjon eller interagerer med eksterne systemer som nødvendig.
5. Avslutning: Samtalen avsluttes når oppgaven er fullført, en feilgrense er nådd eller en avslutningsbetingelse utløses.

Feilhåndtering og selvforbedring

AutoGens agenter er designet for å håndtere feil intelligently. Hvis en oppgave feiler eller produserer et feilaktig resultat, kan agenten analysere problemet, forsøke å fikse det og sogar iterere på sin løsning. Denne selvhealende evnen er kritisk for å skape pålitelige AI-systemer som kan operere selvstendig over lengre perioder.

Forutsetninger og installasjon

Før du begynner å arbeide med AutoGen, må du sikre deg at du har en solid forståelse av AI-agenter, orkestreringsrammeverk og grunnleggende Python-programmering. AutoGen er et Python-basert rammeverk, og dens fulle potensiale realiseres når den kombineres med andre AI-tjenester, som OpenAIs GPT-modeller eller Microsoft Azure AI.

Installer AutoGen med pip:

For ekstra funksjoner, som optimaliserte søkefunksjoner eller integrasjon med eksterne biblioteker:

Konfigurasjon av arbeidsmiljø

AutoGen krever at du konfigurerer miljøvariabler og API-nøkler på en sikker måte. La oss gå gjennom de grunnleggende stegene som er nødvendige for å initialisere og konfigurere arbeidsrommet:

1. Last inn miljøvariabler: Lagre sensitive API-nøkler i en .env-fil og last dem inn ved hjelp av dotenv for å opprettholde sikkerheten. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Velg språkmodellkonfigurasjon: Bestem deg for hvilken LLM du vil bruke, som GPT-4 fra OpenAI eller en annen foretrukken modell. Konfigurasjonsinnstillinger som API-endepunkter, modellnavn og nøkler må defineres tydelig for å muliggjøre sømløs kommunikasjon mellom agenter.

Bygging av AutoGen-agenter for komplekse scenarioer

For å bygge et fleragent-system, må du definere agentene og spesifisere hvordan de skal oppføre seg. AutoGen støtter ulike agenttyper, hver med distinkte roller og kapasiteter.

Opprettelse av assistent- og brukerproxyagenter: Definer agenter med sofistikerte konfigurasjoner for å kjøre kode og håndtere brukerinteraksjoner:

from autogen import AssistantAgent, UserProxyAgent

<p># Definer LLM-konfigurasjoner
llm_config = {
"model": "gpt-4",
"api_key": api_key
}</p>

<p># Opprett en assistentagent for komplekse kode- og analyseoppgaver
assistant = AssistantAgent(
name="coding_assistant",
llm_config=llm_config
)</p>

<p># Brukerproxyagent for å håndtere brukerinteraksjoner og kodekjøring
user_proxy = UserProxyAgent(
name="user_proxy",
code_execution_config={
"executor": autogen.coding.LocalCommandLineCodeExecutor(work_dir="coding_workspace")
}
)</p>

from autogen import AssistantAgent, UserProxyAgent

<p># Definer agenter for utdanningsarbeidsflyten
teacher = AssistantAgent(name="teacher", llm_config=llm_config)
student = AssistantAgent(name="student", llm_config=llm_config)
evaluator = AssistantAgent(name="evaluator", llm_config=llm_config)</p>

<p># Definer samtaleflyten mellom agenter
teacher.send_message("I dagens emne er kalkulus. La oss dykke inn i differensialligninger.")
student.send_message("Kan du forklare begrepet derivat?")
teacher.send_message("En derivat representerer endringshastigheten til en funksjon. Her er en enkel forklaring...")</p>