微信扫码
与创始人交个朋友
我要投稿
最近学习langchain,搞一搞agent,向大家汇报一下,不想看理论的直接跳到【五、一个实战的multi agent】这部分,开始汇报了,哈哈。
Multi-Agent,即多智能体系统,是人工智能领域中的一个重要概念,它指的是由多个具有自主决策和交互能力的智能体(Agent)组成的系统。这些智能体能够相互协作、竞争或协商,以完成共同或各自的任务。以下是对Multi-Agent的详细介绍:
定义:Multi-Agent系统是一种分布式人工智能模型,其中每个Agent都具有自主决策和交互能力。这些Agent可以分布在不同的物理位置或逻辑层次上,通过网络进行通信和协作。
特点:
分布性:Agent可以分布在不同的物理位置或逻辑层次上,这使得系统能够更好地适应复杂、动态的环境。
自主性:每个Agent都具有自主决策和执行能力,能够根据自身的知识、目标和环境信息做出独立的决策。
交互性:Agent之间可以通过某种通信机制进行信息交换和协调,如显式的消息传递或隐式的共享内存等,以了解其他Agent的状态、意图和行动,并据此做出相应的反应和决策。
适应性:Multi-Agent系统能够根据环境和任务的变化动态地调整自身的结构和行为,以适应新的情况。
灵活性和可扩展性:Multi-Agent系统采用分布式设计,Agent具有高内聚低耦合的特性,使得系统表现出极强的可扩展性。同时,系统可以根据需要灵活地添加或删除Agent,以适应不同的任务需求。
容错性:在Multi-Agent系统中,如果某个Agent出现故障,其他Agent可以自主地适应新的环境并继续工作,不会使整个系统陷入故障状态。
协作能力:Multi-Agent系统是分布式系统,Agent之间可以通过合适的策略相互协作完成全局目标。这种协作能力使得系统能够处理更为复杂和大规模的任务。
异质性:Agent可以是不同的个人或组织,采用不同的设计方法和计算机语言开发而成,因此Multi-Agent系统具有异质性,能够充分利用不同领域的专业知识和技术。
Multi-Agent系统具有广泛的应用领域,包括但不限于:
智能机器人:在机器人控制中,多个智能体可以协同工作,实现复杂的任务规划和执行。
分布式控制系统:在工业自动化领域,Multi-Agent系统可以用于实现分布式控制,提高生产效率和安全性。
智能交通系统:在交通管理中,多个智能体可以协同处理交通信号控制、车辆调度等问题,缓解交通拥堵和提高交通效率。
电子商务系统:在电子商务领域,Multi-Agent系统可以用于实现智能推荐、智能客服等功能,提升用户体验和商家效率。
尽管Multi-Agent系统具有诸多优势和应用前景,但其实现也面临一些挑战:
通信机制设计:如何设计有效的通信机制以实现Agent之间的信息交换和协调是一个关键问题。
信用分配:在多智能体协作完成任务时,如何合理地分配信用和奖励是一个复杂的问题。
学习和决策:如何使Agent具备学习和决策能力以适应动态变化的环境是一个持续的研究方向。
综上所述,Multi-Agent系统是一种具有强大潜力和广泛应用前景的人工智能模型。随着技术的不断发展和完善,相信Multi-Agent系统将在更多领域发挥重要作用。
五、一个实战的multi agent
本次我想设计一个多agent协同的系统,用户可以使用任何agent的组合,为了演示,我设计了三个agent
agent1:写诗函数
def random_poem(title: str)->str:"""写诗函数根据用户输入的主题写诗:paramtitle:诗的主题:return 发送结果的字符串"""# print(title)llm = Ollama(model="qwen2:7b")text = """基于下面的主题写一首诗,主题是‘{0}‘,诗是:""".format(title)return llm(text)class PromptTitleInput(BaseModel):title: str = Field(description="这是诗的主题")
注意,函数中的注释很重要,要写清楚,可以按照我的方式写
agent2:保存文本函数
def save_text(content:str,path:str)->str:
"""
保存文本的函数
:param content:要保存的内容
:param path: 保存目录
:return 提示字符串
"""
with open(os.path.join(path,"/test.txt"),"w") as file:
file.write(content)
return "保存成功,在{0} 下".format(os.path.join(path,"test.txt"))
class PromptSaveInput(BaseModel):
content: str = Field(description="需要保存的内容")
path: str = Field(description="保存内容的目录")
这里有两个参数,一个是保存的内容,一个是路径
agent3:发邮件函数
# 定义发送电子邮件的函数
def post_message(title: str, content: str,address:str) -> str:
"""
发送电子邮件的函数
:param title: 邮件的主题
:param content: 邮件的内容
:param address:邮箱地址
:return: 发送结果的字符串
"""
# 第三方 SMTP 服务
mail_host = "smtp.163.com"# SMTP服务器
mail_user = "1780105****@163.com"# 用户名
mail_pass = "***" # 授权密码,非登录密码 写自己的
sender = '1780105****@163.com'# 发件人邮箱(最好写全, 不然会失败)
receivers = [,address]# 接收邮件,可设置为你的QQ邮箱或者其他邮箱
message = MIMEText(content, 'plain', 'utf-8')# 内容, 格式, 编码
message['From'] = "{}".format(sender)
message['To'] = ",".join(receivers)
message['Subject'] = title
try:
smtp_obj = smtplib.SMTP_SSL(mail_host, 465)# 启用SSL发信, 端口一般是465
smtp_obj.login(mail_user, mail_pass)# 登录验证
smtp_obj.sendmail(sender, receivers, message.as_string())# 发送
smtp_obj.quit()
print("邮件发送成功。")
return "邮件发送成功。"
except smtplib.SMTPException as e:
return f"邮件发送失败: {str(e)}"
# 定义输入模型类
class PostInput(BaseModel):
title: str = Field(description="这是邮件的主题")
content: str = Field(description="这是邮件的内容")
address: str = Field(description="这是邮箱地址")
注册函数和初始化代理
tools = [
StructuredTool.from_function(
func=random_poem,
name="写诗",
description="根据用户输入的主题",
args_schema=PromptTitleInput
),
StructuredTool.from_function(
func=save_text,
name="保存文本",
description="将内容保存到用户指定的目录下",
args_schema=PromptSaveInput
),
StructuredTool.from_function(
func=post_message,
name="发送邮件",
description="根据用户输入的主题和内容发送邮件",
args_schema=PostInput
)
]
# 初始化代理
agent = initialize_agent(tools, llm, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
六、测试
测试1
result = agent.run("给1780105****@163.com写个请假邮件,我肚子疼要去医院")
nice ,我确实收到了
测试2
result = agent.run("帮我基于‘中秋’这个主题写一首诗,并以此为内容发送邮件给 1780105****@163.com 这个地址")
这次调用了两个agent:agent1和agent3,成功收到中秋祝福
测试3
result = agent.run("帮我基于‘国庆’这个主题写一首诗,保存到电脑E盘下,并以此为内容发送邮件给 17801051161@163.com 这个地址")
成功理解并调用三个agent,nice
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-11-13
只需8步,手把手教你用LangGraph创建AI智能体
2024-11-13
使用 LangChain 建立一个会话式的 RAG Agent 系统
2024-11-12
一文深度了解Agent智能体以及认知架构
2024-11-12
使用LangChain建立检索增强生成(RAG)系统
2024-11-11
Qwen-Agent 核心点说明
2024-11-11
吴恩达分享五个AI趋势,重点谈了多AI代理的美好前景
2024-11-11
使用 LangChain 构建一个 Agent(智能体/代理)
2024-11-10
使用 LangChain 构建一个有记忆的聊天机器人
2024-08-18
2024-04-08
2024-06-03
2024-04-08
2024-04-17
2024-06-24
2024-04-12
2024-04-10
2024-07-01
2024-04-11
2024-10-30
2024-10-11
2024-08-18
2024-08-16
2024-08-04
2024-07-29
2024-07-28
2024-07-27