Praktische Anleitung zum Erstellen von Multi-Agent-Chatbots mit Autogen

Autogen ermöglicht die komplexe Entwicklung von Chatbot-Entwicklung mit mehreren Agenten und wechselt über einfache Fragen-Antworten über die Systeme hinaus. In diesem Artikel wird beschrieben, wie Autogen erweiterte Konversationsmuster wie sequentielle und verschachtelte Chats erleichtert und dynamische Interaktionen mit mehreren Teilnehmern für komplexe Workflows ermöglichen. Wir haben zuvor Chatbots mit zwei Agenten untersucht. Dies erweitert diese Stiftung.

Inhaltsverzeichnis

• Was sind Multi-Agent-Chatbots?
• Autogens Gesprächsmuster
• Sequentielle Chat verstehen
• Voraussetzungen
• Durchführung
  • Aufgaben definieren
  • Definition von Agenten
  • Beispielgespräch
  • Ergebnisse analysieren
• Abschluss
• Häufig gestellte Fragen

Was sind Multi-Agent-Chatbots?

Multi-Agent-Chatbots nutzen mehrere spezialisierte AI-Agenten, die gemeinsam arbeiten, um komplizierte Aufgaben oder Gespräche zu erledigen. Jeder Agent verfügt über Fachwissen in einem bestimmten Bereich (z. B. Fragenbeantwortung, Empfehlungsgenerierung, Datenanalyse). Diese Arbeitsteilung führt zu genaueren und effizienteren Reaktionen. Die koordinierten Bemühungen mehrerer Agenten bieten eine umfassendere, differenziertere Interaktionen als einzelne Agent-Systeme, was sie für komplexe Szenarien in Kundendienst, E-Commerce und Bildung geeignet ist.

Autogens Gesprächsmuster

Autogen bietet mehrere Gesprächsmuster für die Verwaltung von Interaktionen mit mehreren Agenten:

1. Sequentielle Chat: Eine Reihe von Gesprächen mit zwei Agenten, in denen die Zusammenfassung jedes Chats die nächste informiert.
2. Gruppenchat: Ein einzelnes Gespräch mit mehreren Agenten, das das strategische Agent -Reaktionsmanagement erfordert.
3. Verschachtelter Chat: Einen Workflow in einem einzelnen Agenten für die Wiederverwendung in größeren Workflows zusammenfasst.

Dieser Artikel konzentriert sich auf die Implementierung von sequentiellem Chat.

Sequentielle Chat verstehen

Der sequentielle Chat umfasst eine Kette von Gesprächen mit zwei Agenten. Die Zusammenfassung eines Chats wird zum Kontext für den nachfolgenden Chat.

Das Diagramm veranschaulicht eine Abfolge von Chats, möglicherweise mit einem gemeinsamen Agenten über Chats oder verschiedene Agenten für jede Interaktion. Dieser Ansatz ist wertvoll, wenn eine Aufgabe in voneinander abhängige Unterbereitungen teilbar ist, die jeweils von einem spezialisierten Agenten behandelt werden.

Voraussetzungen

Erhalten Sie vor dem Erstellen von Autogen -Wirkstoffen die erforderlichen LLM -API -Schlüssel und richten Sie für die Websuche ein, um sie zu erledigen. Laden Sie API -Schlüssel in eine .env -Datei. Definieren Sie die LLM -Konfiguration:

 config_list = {
    "config_list": [{"Modell": "gpt-4o-mini", "Temperatur": 0.2}]
}

Installieren Sie autogen-agentchat (Version 0.2.37 oder höher).

Durchführung

In diesem Beispiel werden ein Aktienanalysesystem verwendet, das NVIDIA und Apple als Beispiele unter Verwendung von Beispielen verwendet.

Aufgaben definieren

 Financial_tasks = [
    "" "Was sind die aktuellen Aktienkurse von NVDA und AAPL und wie ist die Leistung im vergangenen Monat in Bezug auf prozentuale Veränderung?" "",
    "" "Mögliche Gründe für die Aktienleistung untersuchen, die Marktnachrichten nutzen." "",
]

Writing_tasks = ["" "" "" "" "Mit den angegebenen Informationen einen ansprechenden Blog -Beitrag entwickeln". "" "]

Definition von Agenten

 Autogen importieren

Financial_assistant = autogen.assistantagent (name = "Financial_assistant", llm_config = config_list)
Research_assistant = autogen.assistantagent (name = "recherchiert", llm_config = config_list)
writer = autogen.assistantagent (name = "writer", llm_config = config_list, system_message = "" ""
    Sie sind ein professioneller Schriftsteller, der für Ihre aufschlussreichen und ansprechenden Artikel bekannt ist.
    Sie verwandeln komplexe Konzepte in überzeugende Erzählungen.
    Antworte "Beenden" am Ende, wenn alles getan wird.
    "" ")

user_proxy_auto = autogen.userproxyagent (name = "user_proxy_auto", human_input_mode = "immer",,
                                         is_termination_msg = lambda x: x.get ("content", "") .rstrip (). Endswith ("Terminate"),
                                         code_execution_config = {"work_dir": "tasks", "use_docker": false})

user_proxy = autogen.userproxyagent (name = "user_proxy", human_input_mode = "immer",
                                    is_termination_msg = lambda x: x.get ("content", "") .rstrip (). Endswith ("Terminate"),
                                    code_execution_config = false)

user_proxy_auto übernimmt die Code -Ausführung (setzen Sie human_input_mode="ALWAYS" für die Codeüberprüfung). user_proxy interagiert mit dem Autor Agent.

Beispielgespräch

 chat_results = autogen.initiate_chats ([[
    {"Sender": user_proxy_auto, "Empfänger": Financial_assistant, "Nachricht": Financial_tasks [0], "Clear_history": Richtig, "Silent": false, "summary_method": "last_msg"},
    {"Sender": user_proxy_auto, "Empfänger": Research_assistant, "Nachricht": Financial_tasks [1], "summary_method": "reflection_with_llm"},
    {"Sender": user_proxy, "Empfänger": Schriftsteller, "Nachricht": writing_tasks [0]}
]))

Ergebnisse analysieren

Die Variable chat_results enthält den Gesprächsgeschichte für jeden Agenten. Das Beispiel zeigt die Ausgabe des Schriftstellers:

Abschluss

Das sequentielle Chat-Muster von Autogen ermöglicht die Erstellung komplexer Chatbots mit mehreren Agenten, die komplexe Aufgaben und Gespräche umführen können. Dieser Ansatz ist für verschiedene Anwendungen, die kollaborative KI -Agenten erfordern, von großem Nutzen.

Häufig gestellte Fragen

Q1. Was sind Chatbots mit mehreren Agenten und wie funktionieren sie? Multi-Agent-Chatbots nutzen mehrere spezialisierte Agenten, um komplexe Gespräche gemeinsam zu verwalten, indem sie Aufgaben teilen.

Q2. Welche Konversationsmuster unterstützt Autogen? Autogen unterstützt sequentielle, Gruppen- und verschachtelte Chat-Muster für eine effiziente Koordination von Multi-Agenten.

Q3. Wie funktioniert die sequentielle Chat in Autogen? Sequentielle Chat-Ketten mit zwei Agentenkonversationen, wobei die Zusammenfassung jedes Chats als Kontext für den nächsten verwendet wird.

Q4. Was sind praktische Anwendungen der Multi-Agent-Muster von Autogen? Diese Muster sind wertvoll in Kundenservice, Finanzen, E-Commerce und anderen Bereichen, die komplexe, adaptive Chatbot-Interaktionen erfordern.

Das obige ist der detaillierte Inhalt vonPraktische Anleitung zum Erstellen von Multi-Agent-Chatbots mit Autogen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!