Microsoft AutoGen: Fluxuri de lucru AI cu automatizare avansată

Microsoft Research a introdus AutoGen în septembrie 2023 ca un cadru deschis Python pentru construirea de agenți AI capabili de colaborare multi-agent complexă. AutoGen a câștigat deja tracțiune printre cercetători, dezvoltatori și organizații, cu peste 290 de contribuitori pe GitHub și aproape 900.000 de descărcări până în mai 2024. Pe baza acestui succes, Microsoft a prezentat AutoGen Studio, o interfață low-code care împuternicește dezvoltatorii să creeze rapid și să experimenteze cu agenți AI.

Acestă bibliotecă este pentru dezvoltarea de agenți inteligenți, modulari, care pot interacționa fără probleme pentru a rezolva sarcini complexe, a automatiza luarea deciziilor și a executa eficient codul.

Microsoft a introdus, de asemenea, AutoGen Studio, care simplifică dezvoltarea agenților AI prin oferirea unei platforme interactive și prietenoase cu utilizatorul. În contrast cu predecesorul său, AutoGen Studio minimizează nevoia de codare extinsă, oferind o interfață grafică cu utilizatorul (GUI) în care utilizatorii pot trage și plasa agenți, configura fluxuri de lucru și testa soluții bazate pe AI fără efort.

Ce face AutoGen unic?

Înțelegerea agenților AI

În contextul AI, un agent este un component software autonom capabil să execute sarcini specifice, adesea utilizând procesarea limbajului natural și învățarea automată. Cadru AutoGen de la Microsoft îmbunătățește capacitățile agenților AI tradiționali, permițându-le să se angajeze în conversații complexe, structurate și chiar să colaboreze cu alți agenți pentru a atinge obiective comune.

AutoGen suportă o gamă largă de tipuri de agenți și modele de conversație. Această versatilitate îi permite să automatizeze fluxuri de lucru care anterior necesitau intervenție umană, făcându-l ideal pentru aplicații din diverse industrii, cum ar fi finanțe, publicitate, inginerie software și multe altele.

Agenți conversabili și personalizați

AutoGen introduce conceptul de “agenți conversabili”, care sunt proiectați să proceseze mesaje, să genereze răspunsuri și să execute acțiuni pe baza instrucțiunilor de limbaj natural. Acești agenți nu numai că sunt capabili să se angajeze în dialoguri bogate, dar pot fi, de asemenea, personalizați pentru a-și îmbunătăți performanța pe sarcini specifice. Această proiectare modulară face din AutoGen un instrument puternic atât pentru proiecte AI simple, cât și complexe.

Tipuri cheie de agenți:

• Agenții asistenți: Un asistent alimentat de LLM care poate gestiona sarcini precum codificarea, depanarea sau răspunsurile la întrebări complexe.
• Agenții proxy utilizator: Simulează comportamentul utilizatorului, permițând dezvoltatorilor să testeze interacțiunile fără a implica un utilizator uman real. De asemenea, poate executa cod autonom.
• Agenții de chat de grup: O colecție de agenți care lucrează colaborativ, ideal pentru scenarii care necesită multiple abilități sau perspective.

Colaborarea multi-agent

Una dintre cele mai impresionante caracteristici ale AutoGen este suportul său pentru colaborarea multi-agent. Dezvoltatorii pot crea o rețea de agenți, fiecare cu roluri specializate, pentru a aborda sarcini complexe mai eficient. Acești agenți pot comunica între ei, schimba informații și lua decizii colectiv, simplificând procese care ar fi altfel consumatoare de timp sau predispuse la erori.

Caracteristici cheie ale AutoGen

1. Cadru multi-agent

AutoGen facilitează crearea de rețele de agenți în care fiecare agent poate lucra independent sau în coordonare cu alții. Cadru oferă flexibilitatea de a proiecta fluxuri de lucru care sunt complet autonome sau care includ supraveghere umană atunci când este necesar.

Modele de conversație includ:

• Conversații unu-la-unu: Interacțiuni simple între doi agenți.
• Structuri ierarhice: Agenții pot delega sarcini către sub-agenți, facilitând gestionarea problemelor complexe.
• Conversații de grup: Discuții de grup multi-agent în care agenții colaborează pentru a rezolva o sarcină.

2. Execuția codului și automatizarea

În contrast cu multe cadre AI, AutoGen permite agenților să genereze, execute și depaneze codul automat. Această caracteristică este inestimabilă pentru sarcini de inginerie software și analize de date, deoarece minimizează intervenția umană și accelerează ciclurile de dezvoltare. Agenții proxy utilizator pot identifica blocuri de cod executabile, rula și chiar rafina outputul autonom.

3. Integrarea cu unelte și API-uri

Agenții AutoGen pot interacționa cu unelte, servicii și API-uri externe, extinzându-și considerabil capacitățile. Indiferent dacă este vorba de a prelua date dintr-o bază de date, de a face cereri web sau de a se integra cu serviciile Azure, AutoGen oferă un ecosistem robust pentru construirea de aplicații cu funcționalități avansate.

4. Rezolvarea problemelor cu intervenție umană

În scenariile în care este necesară intervenția umană, AutoGen suportă interacțiunile umane cu agenții. Dezvoltatorii pot configura agenții pentru a solicita îndrumare sau aprobare de la un utilizator uman înainte de a continua cu sarcini specifice. Această caracteristică asigură că deciziile critice sunt luate cu grijă și cu nivelul potrivit de supraveghere.

Cum funcționează AutoGen: O analiză detaliată

Inițializarea și configurarea agenților

Primul pas în lucrul cu AutoGen implică setarea și configurarea agenților. Fiecare agent poate fi personalizat pentru a executa sarcini specifice, iar dezvoltatorii pot configura parametri precum modelul LLM utilizat, abilitățile activate și mediul de execuție.

Orchestrarea interacțiunilor agenților

AutoGen gestionează fluxul de conversație între agenți într-un mod structurat. Un flux de lucru tipic ar putea arăta astfel:

1. Introducerea sarcinii: Un utilizator sau agent introduce o întrebare sau sarcină.
2. Procesarea agenților: Agenții relevanți analizează intrarea, generează răspunsuri sau execută acțiuni.
3. Comunicarea inter-agenți: Agenții schimbă date și informații, colaborând pentru a finaliza sarcina.
4. Execuția sarcinii: Agenții execută cod, preiau informații sau interacționează cu sisteme externe după cum este necesar.
5. Încheierea: Conversația se încheie atunci când sarcina este finalizată, un prag de eroare este atins sau o condiție de încheiere este declanșată.

Gestionarea erorilor și autoperfecționarea

Agenții AutoGen sunt proiectați să gestioneze erorile în mod inteligent. Dacă o sarcin eșuează sau produce un rezultat incorect, agentul poate analiza problema, încerca să o corecteze și chiar să o îmbunătățească. Această capacitate de autoperfecționare este crucială pentru crearea de sisteme AI fiabile care pot opera autonom pe perioade lungi de timp.

Prerechizite și instalare

Înainte de a lucra cu AutoGen, asigurați-vă că aveți o înțelegere solidă a agenților AI, a cadrului de orchestrare și a bazelor de programare Python. AutoGen este un cadru bazat pe Python, iar potențialul său este realizat pe deplin atunci când este combinat cu alte servicii AI, cum ar fi modelele GPT de la OpenAI sau Microsoft Azure AI.

Instalați AutoGen folosind pip:

Pentru caracteristici suplimentare, cum ar fi capacități de căutare optimizate sau integrare cu biblioteci externe:

Configurarea mediului

AutoGen necesită configurarea variabilelor de mediu și a cheilor API în mod securizat. Să trecem prin pașii fundamental necesari pentru inițializarea și configurarea spațiului de lucru:

1. Încărcarea variabilelor de mediu: Stocați chei API sensibile într-un fișier .env și încărcați-le folosind dotenv pentru a menține securitatea. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Alegerea configurației modelului de limbaj: Decideți asupra modelului LLM pe care îl veți utiliza, cum ar fi GPT-4 de la OpenAI sau orice alt model preferat. Setările de configurare precum punctele de terminale API, numele modelului și cheile trebuie definite clar pentru a permite o comunicare fără probleme între agenți.

Construirea agenților AutoGen pentru scenarii complexe

Pentru a construi un sistem multi-agent, trebuie să definiți agenții și să specificați comportamentul lor. AutoGen suportă diverse tipuri de agenți, fiecare cu roluri și capacități distincte.

Crearea agenților asistenți și proxy utilizator: Definiți agenți cu configurații sofisticate pentru executarea codului și gestionarea interacțiunilor utilizator:

from autogen import AssistantAgent, UserProxyAgent

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

<p># Creați un agent asistent pentru sarcini complexe de codificare și analiză
assistant = AssistantAgent(
name=&quot;coding_assistant&quot;,
llm_config=llm_config
)</p>

<p># Agent proxy utilizator pentru gestionarea interacțiunilor utilizator și executarea codului
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># Definiți agenții pentru fluxul de lucru educațional
teacher = AssistantAgent(name=&quot;teacher&quot;, llm_config=llm_config)
student = AssistantAgent(name=&quot;student&quot;, llm_config=llm_config)
evaluator = AssistantAgent(name=&quot;evaluator&quot;, llm_config=llm_config)</p>

<p># Definiți fluxul de conversație între agenți
teacher.send_message(&quot;Subiectul de astăzi este calculul. Să ne adâncim în ecuații diferențiale.&quot;)
student.send_message(&quot;Puteți explica conceptul de derivată?&quot;)
teacher.send_message(&quot;O derivată reprezintă rata de schimbare a unei funcții. Iată o explicație simplă...&quot;)</p>