一、单Agent应用场景

1.1 RAG 知识咨询（React）

• User Proxy：作为用户的代理，负责接收用户的查询请求。它可以是一个接口、一个聊天机器人或一个搜索框，用户通过这个代理输入他们的问题。

• RAG-Assistant：这是一个基于大语言模型（LLM）的助手。它接收User Proxy传递的查询请求，利用其丰富的知识库和自然语言处理能力，生成准确的回答，并反馈给用户。

例如，运维人员遇到某个系统故障时，可以通过User Proxy输入问题描述，RAG-Assistant则会根据问题检索相关文档，并生成解决方案。

1.2 工具的使用（ReAct）

• User Proxy：帮助用户发送操作请求，并将用户的操作需求传递给Assistant。

• Assistant：基于大语言模型，分析操作请求，并提供具体的操作步骤和建议。Assistant可以实时反馈用户的操作进展，帮助用户顺利完成任务。

例如，运维人员需要配置一个复杂的网络设备，但不熟悉具体步骤。通过User Proxy输入配置需求，Assistant会提供详细的配置步骤，并指导运维人员逐步完成配置。

二、多Agent应用场景

2.1 故障诊断

• Manager：作为故障诊断的核心管理者，负责接收故障报告，协调各个Agent进行分析。Manager会将故障信息广播给多个Agent，确保信息传递的及时性和准确性。

• 多个Agent：每个Agent利用其大语言模型，分别分析故障数据，生成诊断报告。不同Agent可以从不同维度（如网络、服务器、应用等）进行分析，提供全面的诊断结果。

例如，当网络出现故障时，Manager会将故障信息广播给网络诊断Agent、服务器诊断Agent和应用诊断Agent。各个Agent分析后，生成综合的故障报告，帮助运维人员快速定位和解决问题。

2.2 运维活动增强

• Commander：作为运维活动的指挥者，负责分配任务和协调各个Agent。Commander会根据运维任务的需求，指派合适的Agent执行具体任务。

• 编排者和审查者：在Commander的指挥下，编排者执行具体的运维任务，审查者则负责检查和验证任务的完成情况。两个角色都利用大语言模型，确保任务的准确和高效完成。

例如，在进行系统升级时，Commander会指派编排者负责具体的升级操作，审查者则检查升级后的系统状态，确保升级无误。

三、总结