Microsoft AutoGen: Multi-Agent AI Workflows med Avancerad Automatisering

Microsoft (MSFT ) Research introducerade AutoGen i september 2023 som ett öppen-källkods-Python-ramverk för att bygga AI-agenter som kan samarbeta i komplexa, multi-agentsamarbeten. AutoGen har redan fått stor uppmärksamhet bland forskare, utvecklare och organisationer, med över 290 bidragsgivare på GitHub och nästan 900 000 nedladdningar fram till maj 2024. Byggande på denna framgång introducerade Microsoft AutoGen Studio, ett lågkodsgränssnitt som möjliggör för utvecklare att snabbt skapa prototyper och experimentera med AI-agenter.

Denna bibliotek är för utveckling av intelligenta, modulära agenter som kan interagera sömlöst för att lösa intrikata uppgifter, automatisera beslutsfattning och effektivt köra kod.

Microsoft introducerade nyligen också AutoGen Studio som förenklar utvecklingen av AI-agenter genom att tillhandahålla ett interaktivt och användarvänligt gränssnitt. Till skillnad från sin föregångare minskar AutoGen Studio behovet av omfattande kodning, och erbjuder ett grafiskt användargränssnitt (GUI) där användare kan dra och släppa agenter, konfigurera arbetsflöden och testa AI-drivna lösningar utan ansträngning.

Vad Gör AutoGen Unikt?

Att Förstå AI-Agenter

I sammanhanget med AI är en agent en autonom programkomponent som kan utföra specifika uppgifter, ofta med hjälp av naturlig språkbehandling och maskinlärning. Microsofts AutoGen-ramverk förbättrar förmågan hos traditionella AI-agenter, och möjliggör för dem att engagera sig i komplexa, strukturerade samtal och till och med samarbeta med andra agenter för att uppnå gemensamma mål.

AutoGen stöder en stor mängd agenttyper och samtalsmönster. Denna flexibilitet gör det möjligt att automatisera arbetsflöden som tidigare krävde mänsklig inblandning, vilket gör det idealiskt för tillämpningar inom olika branscher, som finansiell verksamhet, reklam, programvaruutveckling och mer.

Samtals- och Anpassningsbara Agenter

AutoGen introducerar begreppet “samtalsbara” agenter, som är utformade för att bearbeta meddelanden, generera svar och utföra åtgärder baserat på naturliga språkinstruktioner. Dessa agenter är inte bara kapabla att engagera sig i rika dialoger, utan kan också anpassas för att förbättra deras prestanda på specifika uppgifter. Denna modulära design gör AutoGen till ett kraftfullt verktyg för både enkla och komplexa AI-projekt.

Nyckelagenttyper:

• Assistentagent: En LLM-driven assistent som kan hantera uppgifter som kodning, felsökning eller besvarande av komplexa frågor.
• Användarproxyagent: Simulerar användarbetende, vilket möjliggör för utvecklare att testa interaktioner utan att involvera en faktisk användare. Den kan också köra kod autonomt.
• Gruppsamtalsagenter: En samling av agenter som samarbetar, idealiskt för scenarier som kräver flera färdigheter eller perspektiv.

Multi-Agent Samarbeten

En av AutoGens mest imponerande funktioner är dess stöd för multi-agent samarbeten. Utvecklare kan skapa ett nätverk av agenter, var och en med specialiserade roller, för att hantera komplexa uppgifter mer effektivt. Dessa agenter kan kommunicera med varandra, utbyta information och fatta beslut kollektivt, vilket strömlinjeformar processer som annars skulle vara tidskrävande eller felbenägna.

AutoGens Kärnfunktioner

1. Multi-Agent Ramverk

AutoGen underlättar skapandet av agentnätverk där varje agent kan antingen arbeta oberoende eller i samordning med andra. Ramverket erbjuder flexibiliteten att designa arbetsflöden som är fullständigt autonoma eller innehåller mänsklig tillsyn när det behövs.

Samtalsmönster Inkluderar:

• En-till-en-samtal: Enkla interaktioner mellan två agenter.
• Hierarkiska Strukturer: Agenter kan delegera uppgifter till underagenter, vilket gör det lättare att hantera komplexa problem.
• Gruppsamtal: Multi-agent gruppsamtal där agenter samarbetar för att lösa en uppgift.

2. Kodkörning och Automatisering

Till skillnad från många AI-ramverk tillåter AutoGen agenter att generera, köra och felsöka kod automatiskt. Denna funktion är ovärderlig för programvaruutveckling och dataanalysuppgifter, eftersom den minskar mänsklig inblandning och påskyndar utvecklingscykler. Användarproxyagenten kan identifiera körbara kodblock, köra dem och till och med förbättra utdata autonomt.

3. Integration med Verktyg och API:er

AutoGen-agenter kan interagera med externa verktyg, tjänster och API:er, vilket avsevärt utökar deras förmågor. Oavsett om det handlar om att hämta data från en databas, göra webbförfrågningar eller integrera med Azure-tjänster, erbjuder AutoGen ett robust ekosystem för att bygga funktionstäta applikationer.

4. Mänsklig Inblandning i Problemlösning

I scenarier där mänsklig inmatning är nödvändig, stöder AutoGen mänsklig-agentinteraktion. Utvecklare kan konfigurera agenter att begära vägledning eller godkännande från en mänsklig användare innan de fortsätter med specifika uppgifter. Denna funktion säkerställer att kritiska beslut fattas med omsorg och med rätt nivå av tillsyn.

Hur AutoGen Fungerar: En Djupdykning

Agentinitiering och Konfiguration

Det första steget i att arbeta med AutoGen är att konfigurera och initiera dina agenter. Varje agent kan anpassas för att utföra specifika uppgifter, och utvecklare kan anpassa parametrar som LLM-modellen som används, de färdigheter som är aktiverade och körningsmiljön.

Orkestrering av Agentinteraktioner

AutoGen hanterar flödet av samtal mellan agenter på ett strukturerat sätt. Ett typiskt arbetsflöde kan se ut så här:

1. Uppgiftsintroduktion: En användare eller agent introducerar en fråga eller uppgift.
2. Agentbearbetning: De relevanta agenterna analyserar indata, genererar svar eller utför åtgärder.
3. Inter-Agent Kommunikation: Agenter delar data och insikter, och samarbetar för att slutföra uppgiften.
4. Uppgiftskörning: Agenterna kör kod, hämtar information eller interagerar med externa system som behövs.
5. Avslut: Samtalet avslutas när uppgiften är slutförd, ett feltröskel nås eller ett avslutningsvillkor utlöses.

Felhantering och Självförbättring

AutoGens agenter är utformade för att hantera fel på ett intelligent sätt. Om en uppgift misslyckas eller producerar ett felaktigt resultat, kan agenten analysera problemet, försöka fixa det och till och med iterera på sin lösning. Denna självhelande förmåga är avgörande för att skapa tillförlitliga AI-system som kan operera autonomt under långa perioder.

Förkunskaper och Installation

Innan du börjar arbeta med AutoGen bör du ha en god förståelse för AI-agenter, orkestreringsramverk och grunderna i Python-programmering. AutoGen är ett Python-baserat ramverk, och dess fulla potential realiseras när det kombineras med andra AI-tjänster, som OpenAIs GPT-modeller eller Microsoft Azure AI.

Installera AutoGen med pip:

För ytterligare funktioner, som optimerad sökfunktion eller integration med externa bibliotek:

Konfigurera Din Miljö

AutoGen kräver att du konfigurerar miljövariabler och API-nycklar på ett säkert sätt. Låt oss gå igenom de grundläggande stegen som behövs för att initiera och konfigurera din arbetsyta:

1. Ladda Miljövariabler: Lagra känsliga API-nycklar i en .env-fil och ladda dem med dotenv för att upprätthålla säkerhet. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Välj Din Språkmodellskonfiguration: Bestäm vilken LLM du ska använda, som GPT-4 från OpenAI eller någon annan önskad modell. Konfigurationsinställningar som API-slutpunkter, modellnamn och nycklar måste definieras tydligt för att möjliggöra smidig kommunikation mellan agenter.

Bygga AutoGen-agenter för Komplexa Scenarier

För att bygga ett multi-agent-system måste du definiera agenterna och specificera hur de ska bete sig. AutoGen stöder olika agenttyper, var och en med distinkta roller och förmågor.

Skapa Assistent- och Användarproxyagenter: Definiera agenter med sofistikerade konfigurationer för att köra kod och hantera användarinteraktioner:

from autogen import AssistantAgent, UserProxyAgent

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

<p># Skapa en Assistentagent för komplex kodning och analysuppgifter
assistant = AssistantAgent(
name="coding_assistant",
llm_config=llm_config
)</p>

<p># Användarproxyagent för att hantera användarinteraktioner och kodkörning
user_proxy = UserProxyAgent(
name="user_proxy",
code_execution_config={
"executor": autogen.coding.LocalCommandLineCodeExecutor(work_dir="coding_workspace")
}
)</p>

from autogen import AssistantAgent, UserProxyAgent

<p># Definiera agenter för utbildningsarbetsflödet
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># Definiera samtalflödet mellan agenter
teacher.send_message("Idag är ämnet kalkyl. Låt oss dyka in i differentialkvationer.")
student.send_message("Kan du förklara begreppet derivata?")
teacher.send_message("En derivata representerar förändringshastigheten för en funktion. Här är en enkel förklaring...")</p>