Microsoft AutoGen: Багатоцільові робочі процеси штучного інтелекту з розширеною автоматизацією

Microsoft (MSFT ) Research представив AutoGen у вересні 2023 року як відкритий Python-фреймворк для створення агентів штучного інтелекту, здатних до складної багатокористувацької співпраці. AutoGen вже здобув популярність серед дослідників, розробників та організацій, маючи понад 290 учасників на GitHub та майже 900 000 завантажень станом на травень 2024 року. Розробляючи цей успіх, Microsoft представив AutoGen Studio, низькокодовий інтерфейс, який дозволяє розробникам швидко прототипувати та експериментувати з агентами штучного інтелекту.

Ця бібліотека призначена для розробки інтелектуальних, модульних агентів, які можуть взаємодіяти безшовно для вирішення складних завдань, автоматизації процесів прийняття рішень та ефективного виконання коду.

Microsoft також представив AutoGen Studio, який спрощує розробку агентів штучного інтелекту, надаючи інтерактивну та зручну платформу. На відміну від свого попередника, AutoGen Studio мінімізує потребу у розширених кодуваннях, пропонуючи графічний інтерфейс, де користувачі можуть перетягувати та скидати агентів, конфігурувати робочі процеси та тестувати рішення, керовані штучним інтелектом, без зусиль.

Що робить AutoGen унікальним?

Поняття агентів штучного інтелекту

У контексті штучного інтелекту агент є автономним програмним компонентом, здатним виконувати конкретні завдання, часто використовуючи обробку природної мови та машинне навчання. Фреймворк Microsoft AutoGen розширює можливості традиційних агентів штучного інтелекту, дозволяючи їм вступати у складні, структуровані розмови та навіть співпрацювати з іншими агентами для досягнення спільних цілей.

AutoGen підтримує широкий спектр типів агентів та моделей розмов. Ця гнучкість дозволяє йому автоматизувати робочі процеси, які раніше вимагали втручання людини, що робить його ідеальним для застосування в різних галузях, таких як фінанси, реклама, розробка програмного забезпечення та ін.

Розмовні та налаштовувані агенти

AutoGen вводить концепцію “розмовних” агентів, які призначені для обробки повідомлень, генерації відповідей та виконання дій на основі природної мови інструкцій. Ці агенти не тільки здатні вступати у багаті діалоги, але й можуть бути налаштовані для покращення їхньої продуктивності на конкретних завданнях. Цей модульний дизайн робить AutoGen потужним інструментом як для простих, так і для складних проєктів штучного інтелекту.

Ключові типи агентів:

• Агент-помічник: агент, підтримуваний великими мовними моделями, який може виконувати завдання, такі як кодування, налагодження або відповіді на складні запити.
• Агент-проксі користувача: імітує поведінку користувача, дозволяючи розробникам тестувати взаємодії без участі реального користувача. Він також може виконувати код автономно.
• Агенти групового чату: колекція агентів, які працюють спільно, ідеальні для сценаріїв, які вимагають кількох навичок або поглядів.

Співпраця багатокористувацьких агентів

Однією з найбільш вражаючих функцій AutoGen є його підтримка співпраці багатокористувацьких агентів. Розробники можуть створити мережу агентів, кожний з яких має спеціалізовані ролі, для більш ефективного вирішення складних завдань. Ці агенти можуть спілкуватися один з одним, обмінюватися інформацією та приймати колективні рішення, оптимізуючи процеси, які інакше були б тривалими або схильними до помилок.

Основні функції AutoGen

1. Багатокористувацький фреймворк

AutoGen дозволяє створювати мережі агентів, де кожен агент може працювати незалежно або у координації з іншими. Фреймворк надає гнучкість для розробки робочих процесів, які можуть бути повністю автономними або включати нагляд людини при необхідності.

Моделі розмов включають:

• Одно-до-одного розмови: прості взаємодії між двома агентами.
• Ієрархічні структури: агенти можуть делегувати завдання субагентам, що полегшує рішення складних проблем.
• Групові розмови: багатокористувацькі групові чати, де агенти співпрацюють для вирішення завдання.

2. Виконання коду та автоматизація

На відміну від багатьох фреймворків штучного інтелекту, AutoGen дозволяє агентам генерувати, виконувати та налагоджувати код автоматично. Ця функція є невід’ємною для завдань розробки програмного забезпечення та аналізу даних, оскільки вона мінімізує втручання людини та прискорює цикли розробки. Агент-проксі користувача може ідентифікувати виконувані блоки коду, виконувати їх та навіть удосконалювати вивід автономно.

3. Інтеграція з інструментами та API

Агенти AutoGen можуть взаємодіяти з зовнішніми інструментами, послугами та API, суттєво розширюючи їхні можливості. Чи то це отримання даних з бази даних, виконання вебзапитів або інтеграція з сервісами Azure, AutoGen пропонує потужний екосистему для створення застосунків з багатими функціями.

4. Рішення проблем з участю людини

У сценаріях, де необхідне втручання людини, AutoGen підтримує взаємодію людини та агента. Розробники можуть конфігурувати агентів для запитів на керівництво або затвердження від людини перед виконанням конкретних завдань. Ця функція забезпечує, що критичні рішення приймаються вдумливо та з належним рівнем нагляду.

Як працює AutoGen: Глибокий аналіз

Ініціалізація та конфігурація агентів

Перший крок у роботі з AutoGen полягає у встановленні та конфігурації агентів. Кожен агент можна налаштувати для виконання конкретних завдань, а розробники можуть налаштувати параметри, такі як модель LLM, використовувана, навички, включені, та середовище виконання.

Оркестрування взаємодій агентів

AutoGen обробляє потік розмови між агентами структурованим чином. Типовий робочий процес може виглядати так:

1. Введення завдання: користувач або агент вводить запит або завдання.
2. Обробка агентом: відповідні агенти аналізують вхід, генерують відповіді або виконують дії.
3. Взаємодія між агентами: агенти обмінюються даними та інсайтами, співпрацюючи для виконання завдання.
4. Виконання завдання: агенти виконують код, отримують інформацію або взаємодіють з зовнішніми системами за необхідності.
5. Завершення: розмова закінчується, коли завдання завершено, досягнута помилкова межа або спрацьовує умову завершення.

Обробка помилок та самоусування

Агенти AutoGen розроблені для обробки помилок інтелектуально. Якщо завдання завершується з помилкою або генерує неправильний результат, агент може проаналізувати проблему, спробувати виправити її та навіть ітерувати своє рішення. Ця здатність до самоусування є критичною для створення надійних систем штучного інтелекту, які можуть працювати автономно протягом тривалого часу.

Передумови та установка

Перед роботою з AutoGen переконайтесь, що ви маєте солідне розуміння агентів штучного інтелекту, фреймворків оркестрації та основ програмування на Python. AutoGen є Python-фреймворком, і його повний потенціал реалізується при поєднанні з іншими сервісами штучного інтелекту, такими як моделі GPT від OpenAI або Microsoft Azure AI.

Установка AutoGen за допомогою pip :

Для додаткових функцій, таких як оптимізовані можливості пошуку або інтеграція з зовнішніми бібліотеками:

Налаштування середовища

AutoGen вимагає від вас конфігурації змінних середовища та API-ключів безпечно. Давайте пройдемо через основні кроки, необхідні для ініціалізації та конфігурації вашого робочого простору:

1. Завантаження змінних середовища: зберігайте чутливі API-ключі у файлі .env та завантажуйте їх за допомогою dotenv, щоб підтримувати безпеку. (api_key = os.environ.get(“OPENAI_API_KEY”))
2. Вибір конфігурації мови: вирішіть, яку мовну модель ви будете використовувати, наприклад GPT-4 від OpenAI або будь-яку іншу бажану модель. Налаштування, такі як API-ендпоінти, імена моделей та ключі, потрібно чітко визначити для забезпечення безшовної комунікації між агентами.

Створення агентів AutoGen для складних сценаріїв

Для створення багатокористувацької системи вам потрібно визначити агентів та вказати, як вони повинні поводитися. AutoGen підтримує різні типи агентів, кожен з яких має особливі ролі та можливості.

Створення агентів-помічників та агентів-проксі користувача: визначте агентів з складними конфігураціями для виконання коду та управління взаємодіями з користувачем:

from autogen import AssistantAgent, UserProxyAgent

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

<p># Створіть агент-помічник для складних завдань кодування та аналізу
assistant = AssistantAgent(
name=&quot;coding_assistant&quot;,
llm_config=llm_config
)</p>

<p># Агент-проксі користувача для взаємодії з користувачем та виконання коду
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># Визначте агентів для освітнього робочого процесу
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># Визначте потік розмови між агентами
teacher.send_message(&quot;Сьогодні ми розглянемо тему калькуляса. Давайте зануримося у диференціальні рівняння.&quot;)
student.send_message(&quot;Можете пояснити концепцію похідної?&quot;)
teacher.send_message(&quot;Похідна представляє швидкість зміни функції. Ось просте пояснення...&quot;)</p>