Panduan tangan untuk membina pelbagai chatbots ejen dengan autogen

Autogen memberi kuasa kepada pembangunan chatbot multi-agen yang canggih, bergerak melampaui sistem jawapan yang mudah. Artikel ini memperincikan bagaimana autogen memudahkan corak perbualan lanjutan seperti sembang berurutan dan bersarang, membolehkan interaksi dinamik, pelbagai peserta untuk aliran kerja yang kompleks. Kami sebelum ini meneroka dua chatbots agen; Ini berkembang ke atas asas itu.

Jadual Kandungan

• Apa itu chatbots pelbagai ejen?
• Corak perbualan Autogen
• Memahami sembang berurutan
• Prasyarat
• Pelaksanaan
  • Menentukan tugas
  • Menentukan ejen
  • Contoh perbualan
  • Menganalisis hasil
• Kesimpulan
• Soalan yang sering ditanya

Apa itu chatbots pelbagai ejen?

Multi-ejen chatbots memanfaatkan pelbagai agen AI khusus yang bekerjasama untuk mengendalikan tugas atau perbualan yang rumit. Setiap ejen mempunyai kepakaran dalam kawasan tertentu (contohnya, menjawab soalan, penjanaan cadangan, analisis data). Pembahagian buruh ini menghasilkan tindak balas yang lebih tepat dan cekap. Usaha yang diselaraskan dari pelbagai ejen memberikan interaksi yang lebih kaya dan lebih bernuansa daripada sistem ejen tunggal, menjadikannya sesuai untuk senario kompleks dalam perkhidmatan pelanggan, e-dagang, dan pendidikan.

Corak perbualan Autogen

Autogen menawarkan beberapa corak perbualan untuk menguruskan interaksi pelbagai agen:

1. Sembang Sequential: Satu siri perbualan dua-agen, di mana ringkasan setiap sembang memberitahu seterusnya.
2. Sembang Kumpulan: Satu perbualan yang melibatkan pelbagai ejen, yang memerlukan pengurusan tindak balas ejen strategik.
3. Sembang bersarang: Menggabungkan aliran kerja dalam satu ejen untuk digunakan semula dalam aliran kerja yang lebih besar.

Artikel ini memberi tumpuan kepada pelaksanaan sembang berurutan.

Memahami sembang berurutan

Sembang sequential melibatkan rangkaian perbualan dua ejen. Ringkasan satu sembang menjadi konteks untuk sembang berikutnya.

Rajah ini menggambarkan urutan sembang, berpotensi dengan ejen umum di seluruh sembang atau agen yang berbeza untuk setiap interaksi. Pendekatan ini sangat berharga apabila tugas boleh dibahagikan kepada sub-tugas yang saling bergantung, masing-masing yang terbaik dikendalikan oleh ejen khusus.

Prasyarat

Sebelum membina ejen autogen, dapatkan kunci API LLM yang diperlukan dan sediakan tavily untuk carian web. Beban kekunci API ke dalam fail .env . Tentukan konfigurasi LLM:

 config_list = {
    "config_list": [{"model": "gpt-4o-mini", "suhu": 0.2}]
}

Pasang autogen-agentchat (versi 0.2.37 atau lebih baru).

Pelaksanaan

Contoh ini mewujudkan sistem analisis saham menggunakan NVIDIA dan Apple sebagai contoh.

Menentukan tugas

 financial_tasks = [
    "" "Berapakah harga saham semasa NVDA dan AAPL, dan bagaimanakah prestasi sepanjang bulan lalu dari segi perubahan peratusan?" ""
    "" "Menyiasat sebab -sebab yang mungkin untuk prestasi saham memanfaatkan berita pasaran." ""
]

writing_tasks = ["" "Membangunkan catatan blog yang menarik menggunakan sebarang maklumat yang diberikan." ""]

Menentukan ejen

 Import Autogen

financial_assistant = autogen.assistantagent (name = "financial_assistant", llm_config = config_list)
Penyelidikan_Assistant = autogen.assistantagent (name = "penyelidik", llm_config = config_list)
penulis = autogen.assistantagent (name = "writer", llm_config = config_list, system_message = "" "
    Anda seorang penulis profesional, yang terkenal dengan artikel anda yang berwawasan dan menarik.
    Anda mengubah konsep kompleks ke dalam naratif yang menarik.
    Balas "tamat" pada akhirnya apabila semuanya selesai.
    "" ")

user_proxy_auto = autogen.userproxyagent (name = "user_proxy_auto", human_input_mode = "selalu",
                                         is_termination_msg = lambda x: x.get ("kandungan", "") .rstrip (). endswith ("menamatkan"),
                                         code_execution_config = {"work_dir": "Tugas", "use_docker": false})

user_proxy = autogen.userproxyagent (name = "user_proxy", human_input_mode = "selalu",
                                    is_termination_msg = lambda x: x.get ("kandungan", "") .rstrip (). endswith ("menamatkan"),
                                    code_execution_config = false)

user_proxy_auto Mengendalikan pelaksanaan kod (tetapkan human_input_mode="ALWAYS" untuk semakan kod). user_proxy berinteraksi dengan ejen penulis.

Contoh perbualan

 chat_results = autogen.initiate_chats ([
    {"pengirim": user_proxy_auto, "penerima": financial_assistant, "mesej": financial_tasks [0], "clear_history": true, "silent": false, "summary_method": "last_msg"}.
    {"Sender": user_proxy_auto, "penerima": penyelidikan_assistant, "mesej": financial_tasks [1], "summary_method": "reflection_with_llm"},
    {"Pengirim": user_proxy, "penerima": penulis, "mesej": writing_tasks [0]}
])

Menganalisis hasil

Pembolehubah chat_results mengandungi sejarah perbualan untuk setiap ejen. Contohnya menunjukkan output ejen penulis:

Kesimpulan

Corak sembang berurutan Autogen membolehkan penciptaan chatbots multi-agen yang canggih yang mampu mengendalikan tugas dan perbualan yang kompleks. Pendekatan ini sangat bermanfaat untuk pelbagai aplikasi yang memerlukan ejen AI kerjasama.

Soalan yang sering ditanya

Q1. Apa itu chatbots multi-agen, dan bagaimana mereka berfungsi? Chatbots multi-agen menggunakan pelbagai ejen khusus untuk mengurus perbualan kompleks secara kolaboratif dengan membahagikan tugas.

S2. Apakah corak perbualan yang disokong oleh autogen? Autogen menyokong corak sembang berturut-turut, kumpulan, dan bersarang untuk koordinasi multi-agen yang cekap.

Q3. Bagaimana fungsi sembang berurutan dalam autogen? Rantaian sembang berurutan dua perbualan, menggunakan ringkasan setiap sembang sebagai konteks untuk seterusnya.

Q4. Apakah aplikasi praktikal corak multi-agen Autogen? Corak ini sangat berharga dalam perkhidmatan pelanggan, kewangan, e-dagang, dan bidang lain yang memerlukan interaksi chatbot yang kompleks dan adaptif.

Atas ialah kandungan terperinci Panduan tangan untuk membina pelbagai chatbots ejen dengan autogen. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!