Guide pratique pour construire des chatbots multi-agents avec Autogen

Autogen permet un développement de chatbot multi-agents sophistiqué, allant au-delà des simples systèmes de réponses de questions. Cet article détaille comment Autogen facilite les modèles de conversation avancés comme les chats séquentiels et imbriqués, permettant des interactions dynamiques et multi-participantes pour des workflows complexes. Nous avons précédemment exploré des chatbots à deux agents; Cela développe cette fondation.

Table des matières

• Que sont les chatbots multi-agents?
• Modèles de conversation d'Autogen
• Comprendre le chat séquentiel
• Condition préalable
• Mise en œuvre
  • Définition des tâches
  • Définition des agents
  • Exemple de conversation
  • Analyser les résultats
• Conclusion
• Questions fréquemment posées

Que sont les chatbots multi-agents?

Les chatbots multi-agents tirent parti de plusieurs agents d'IA spécialisés travaillant en collaboration pour gérer des tâches ou des conversations complexes. Chaque agent possède une expertise dans un domaine spécifique (par exemple, la réponse aux questions, la génération de recommandations, l'analyse des données). Cette division du travail se traduit par des réponses plus précises et efficaces. Les efforts coordonnés de plusieurs agents fournissent des interactions plus riches et plus nuancées que les systèmes d'agent unique, ce qui les rend adaptés à des scénarios complexes dans le service client, le commerce électronique et l'éducation.

Modèles de conversation d'Autogen

Autogen propose plusieurs modèles de conversation pour gérer les interactions multi-agents:

1. Chat séquentiel: une série de conversations à deux agents, où le résumé de chaque chat informe le suivant.
2. CHAT de groupe: une seule conversation impliquant plusieurs agents, nécessitant une gestion stratégique de la réponse des agents.
3. Chat imbriqué: résume un flux de travail au sein d'un seul agent pour réutiliser des workflows plus grands.

Cet article se concentre sur la mise en œuvre du chat séquentiel.

Comprendre le chat séquentiel

Le chat séquentiel implique une chaîne de conversations à deux agents. Le résumé d'un chat devient le contexte du chat ultérieur.

Le diagramme illustre une séquence de chats, potentiellement avec un agent commun à travers des chats ou différents agents pour chaque interaction. Cette approche est précieuse lorsqu'une tâche est divisible en sous-tâches interdépendantes, chacune mieux gérée par un agent spécialisé.

Condition préalable

Avant de construire des agents Autogène, obtenez les clés API LLM nécessaires et configurez Tavily pour la recherche sur le Web. Chargez les touches API dans un fichier .env . Définissez la configuration LLM:

 config_list = {
    "config_list": [{"modèle": "gpt-4o-mini", "température": 0,2}]
}

Installez autogen-agentchat (version 0.2.37 ou version ultérieure).

Mise en œuvre

Cet exemple crée un système d'analyse de stock utilisant NVIDIA et Apple comme exemples.

Définition des tâches

 Financial_tasks = [
    "" "Quels sont les cours actuels de NVDA et AAPL, et comment se déroulent les performances du mois dernier en termes de pourcentage de changement?" "",
    "" "Enquêter sur les raisons possibles de la performance des actions en tirant parti des nouvelles du marché." "",
]]

écriture_tasks = ["" "Développez un article de blog engageant en utilisant toutes les informations fournies." ""]

Définition des agents

 Importer Autogen

Financial_assistant = Autogen.assistantAgent (name = "Financial_assistant", llm_config = config_list)
Research_assistant = Autogen.assistagentAnt (name = "chercheur", llm_config = config_list)
writer = autogen.assistagent (name = "writer", llm_config = config_list, system_message = "" "
    Vous êtes un écrivain professionnel, connu pour vos articles perspicaces et engageants.
    Vous transformez des concepts complexes en récits convaincants.
    Répondre "Terminer" à la fin lorsque tout est fait.
    "" ")

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

user_proxy = autogen.userproxyagent (name = "user_proxy", human_input_mode = "toujours",
                                    is_termination_msg = lambda x: x.get ("contenu", "") .rstrip (). Endswith ("terminer"),
                                    code_execution_config = false)

user_proxy_auto gère l'exécution du code (set human_input_mode="ALWAYS" pour la revue de code). user_proxy interagit avec l'agent d'écrivain.

Exemple de conversation

 chat_results = autogen.iniate_chats ([
    ?
    ?
    {"Sender": user_proxy, "destinataire": écrivain, "message": écriture_tasks [0]}
])

Analyser les résultats

La variable chat_results contient l'historique de conversation pour chaque agent. L'exemple montre la sortie de l'agent de l'écrivain:

Conclusion

Le modèle de chat séquentiel d'Autogen permet la création de chatbots multi-agents sophistiqués capables de gérer des tâches et des conversations complexes. Cette approche est très bénéfique pour diverses applications nécessitant des agents d'IA collaboratifs.

Questions fréquemment posées

Q1. Que sont les chatbots multi-agents et comment fonctionnent-ils? Les chatbots multi-agents utilisent plusieurs agents spécialisés pour gérer en collaboration des conversations complexes en divisant les tâches.

Q2. Quels modèles de conversation soutiennent Autogen? Autogen prend en charge les modèles de chat séquentiels, de groupe et imbriqués pour une coordination multi-agents efficace.

Q3. Comment fonctionne le chat séquentiel dans Autogen? Chaînes de chat séquentielles à deux agents, en utilisant le résumé de chaque chat comme contexte pour le suivant.

Q4. Quelles sont les applications pratiques des modèles multi-agents d'Autogen? Ces modèles sont précieux dans le service client, la finance, le commerce électronique et d'autres domaines nécessitant des interactions complexes et adaptatives de chatbot.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!