Microsoft AutoGen: Многоагентные потоки ИИ с расширенной автоматизацией

Microsoft (MSFT ) Research представил AutoGen в сентябре 2023 года как открытую Python-рамку для создания агентов ИИ, способных к сложному многоагентному сотрудничеству. AutoGen уже приобрел популярность среди исследователей, разработчиков и организаций, с более чем 290 участниками на GitHub и почти 900 000 загрузок на май 2024 года. Основываясь на этом успехе, Microsoft представил AutoGen Studio, низкокодовое интерфейс, который позволяет разработчикам быстро создавать и экспериментировать с агентами ИИ.

Эта библиотека предназначена для разработки интеллектуальных, модульных агентов, которые могут взаимодействовать без проблем, чтобы решать сложные задачи, автоматизировать принятие решений и эффективно выполнять код.

Microsoft недавно также представил AutoGen Studio, который упрощает разработку агентов ИИ, предоставляя интерактивную и удобную платформу. В отличие от своего предшественника, AutoGen Studio минимизирует необходимость обширного кодирования, предлагая графический интерфейс пользователя (GUI), где пользователи могут перетаскивать и располагать агентов, настраивать рабочие процессы и тестировать решения ИИ без усилий.

Что делает AutoGen уникальным?

Понимание агентов ИИ

В контексте ИИ агент представляет собой автономный программный компонент, способный выполнять конкретные задачи, часто используя обработку естественного языка и машинное обучение. Рамка Microsoft AutoGen расширяет возможности традиционных агентов ИИ, позволяя им участвовать в сложных, структурированных разговорах и даже сотрудничать с другими агентами для достижения общих целей.

AutoGen поддерживает широкий спектр типов агентов и моделей разговора. Эта универсальность позволяет ему автоматизировать рабочие процессы, которые ранее требовали вмешательства человека, что делает его идеальным для приложений в различных отраслях, таких как финансы, реклама, разработка программного обеспечения и многое другое.

Разговорные и настраиваемые агенты

AutoGen вводит понятие “разговорных” агентов, которые предназначены для обработки сообщений, генерации ответов и выполнения действий на основе инструкций естественного языка. Эти агенты не только способны участвовать в богатых диалогах, но и могут быть настроены для улучшения их производительности на конкретных задачах. Этот модульный дизайн делает AutoGen мощным инструментом как для простых, так и для сложных проектов ИИ.

Ключевые типы агентов:

• Агент-помощник: агент, оснащенный LLM, который может выполнять задачи, такие как кодирование, отладка или ответы на сложные запросы.
• Агент-прокси пользователя: имитирует поведение пользователя, позволяя разработчикам тестировать взаимодействия без участия реального пользователя. Он также может выполнять код автономно.
• Агенты группового чата: коллекция агентов, которые работают совместно, идеально подходят для сценариев, требующих нескольких навыков или точек зрения.

Сотрудничество между несколькими агентами

Одной из наиболее впечатляющих функций AutoGen является его поддержка сотрудничества между несколькими агентами. Разработчики могут создать сеть агентов, каждый из которых имеет специализированные роли, для более эффективного решения сложных задач. Эти агенты могут общаться друг с другом, обмениваться информацией и принимать решения коллективно, оптимизируя процессы, которые в противном случае были бы трудоемкими или подвержены ошибкам.

Основные функции AutoGen

1. Рамка для нескольких агентов

AutoGen позволяет создавать сети агентов, где каждый агент может работать независимо или в координации с другими. Рамка предоставляет гибкость для проектирования рабочих процессов, которые могут быть полностью автономными или включать человеческий надзор при необходимости.

Модели разговора включают:

• Разговоры один на один: простые взаимодействия между двумя агентами.
• Иерархические структуры: агенты могут делегировать задачи субагентам, что упрощает решение сложных проблем.
• Групповые разговоры: многоагентные групповые чаты, где агенты сотрудничают для решения задачи.

2. Выполнение и автоматизация кода

В отличие от многих рамок ИИ, AutoGen позволяет агентам генерировать, выполнять и отлаживать код автоматически. Эта функция бесценна для задач разработки программного обеспечения и анализа данных, поскольку она минимизирует вмешательство человека и ускоряет циклы разработки. Агент-прокси пользователя может выявить блоки исполняемого кода, запустить их и даже усовершенствовать вывод автономно.

3. Интеграция с инструментами и API

Агенты AutoGen могут взаимодействовать с внешними инструментами, сервисами и API, что значительно расширяет их возможности. Будь то получение данных из базы данных, отправка веб-запросов или интеграция с сервисами Azure, AutoGen предоставляет прочную экосистему для построения приложений с богатыми функциями.

4. Решение проблем с участием человека

В сценариях, где необходимо участие человека, AutoGen поддерживает взаимодействие между человеком и агентом. Разработчики могут настроить агентов для запроса руководства или одобрения от человека перед выполнением конкретных задач. Эта функция гарантирует, что критические решения принимаются вдумчиво и с правильным уровнем надзора.

Как работает AutoGen: глубокое погружение

Инициализация и настройка агентов

Первым шагом в работе с AutoGen является настройка и настройка ваших агентов. Каждый агент можно настроить для выполнения конкретных задач, и разработчики могут настроить параметры, такие как используемая модель LLM, включенные навыки и среда выполнения.

Оркестровка взаимодействий агентов

AutoGen обрабатывает поток разговора между агентами структурированным образом. Типичный рабочий процесс может выглядеть следующим образом:

1. Введение задачи: пользователь или агент вводит запрос или задачу.
2. Обработка агентом: соответствующие агенты анализируют входные данные, генерируют ответы или выполняют действия.
3. Межагентное общение: агенты обмениваются данными и идеями, сотрудничая для выполнения задачи.
4. Выполнение задачи: агенты выполняют код, получают информацию или взаимодействуют с внешними системами по мере необходимости.
5. Завершение: разговор заканчивается, когда задача выполнена, достигнут порог ошибки или срабатывает условие завершения.

Обработка ошибок и самосовершенствование

Агенты AutoGen предназначены для интеллектуальной обработки ошибок. Если задача не удается или производит неправильный результат, агент может проанализировать проблему, попытаться исправить ее и даже усовершенствовать свое решение. Эта самосовершенствующаяся способность имеет решающее значение для создания надежных систем ИИ, которые могут работать автономно в течение длительного времени.

Предварительные условия и установка

Прежде чем работать с AutoGen, убедитесь, что у вас есть прочное понимание агентов ИИ, рамок оркестровки и основ программирования на Python. AutoGen является Python-рамкой, и его полный потенциал реализуется при комбинации с другими сервисами ИИ, такими как модели GPT от OpenAI или Microsoft Azure AI.

Установка AutoGen с помощью pip:

Для дополнительных функций, таких как оптимизированные возможности поиска или интеграция с внешними библиотеками:

Настройка вашей среды

AutoGen требует от вас настройки переменных среды и безопасного хранения ключей API. Давайте пройдем через основные шаги, необходимые для инициализации и настройки вашего рабочего пространства:

1. Загрузка переменных среды: храните чувствительные ключи API в файле .env и загружайте их с помощью dotenv, чтобы поддерживать безопасность. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Выбор конфигурации языковой модели: решите, какую модель LLM вы будете использовать, например, GPT-4 от OpenAI или любую другую предпочитаемую модель. Настройки, такие как конечные точки API, имена моделей и ключи, необходимо определить четко, чтобы обеспечить бесперебойную связь между агентами.

Создание агентов AutoGen для сложных сценариев

Чтобы создать многоагентную систему, вам необходимо определить агентов и указать, как они должны вести себя. AutoGen поддерживает различные типы агентов, каждый из которых имеет разные роли и возможности.

Создание агентов-помощников и агентов-прокси пользователей: определите агентов с сложными конфигурациями для выполнения кода и управления взаимодействиями пользователей:

from autogen import AssistantAgent, UserProxyAgent

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

<p># Создайте агент-помощник для сложных задач кодирования и анализа
assistant = AssistantAgent(
name=&quot;coding_assistant&quot;,
llm_config=llm_config
)</p>

<p># Агент-прокси пользователя для обработки взаимодействий пользователей и выполнения кода
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># Определите агентов для образовательного рабочего процесса
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># Определите поток разговора между агентами
teacher.send_message(&quot;Тема сегодняшнего дня - исчисление. Давайте погрузимся в дифференциальные уравнения.&quot;)
student.send_message(&quot;Можете ли вы объяснить понятие производной?&quot;)
teacher.send_message(&quot;Производная представляет собой скорость изменения функции. Вот простое объяснение...&quot;)</p>